Capitulo2 2006

Captulo 2 Introduo ao Processamento de Imagens Mdicas para Auxlio ao Diagnstico Uma Viso Prtica
Ftima L. S. Nunes
Abstract Computer-aided diagnosis (CAD) systems are computational tools that aim to help medical professionals in their diagnostic decisions. These applications have opened new opportunities for computing professionals and have offered varied researches for academia. This chapter presents the main concepts of medical image processing, focusing on the construction of CAD systems that have these images as their main source of data. We cover concepts related to the formation of medical images and classical techniques of processing these images. We present examples of computational applications implemented with a combination of processing techniques to achieve the pre-determined objectives of CAD systems. Resumo Sistemas de auxlio ao diagnstico (computer-aided diagnosis CAD) so ferramentas computacionais que visam a auxiliar prossionais da Medicina nas decises a respeito de diagnsticos. Estas aplicaes tm aberto novas oportunidades para prossionais de Computao e oferecido opes variadas para pesquisas na academia. Este captulo apresenta os conceitos principais de processamento de imagens mdicas, focalizando a construo de sistemas CAD, que tm estas imagens como principal fonte de dados. So abordados conceitos relacionados formao das imagens mdicas e s tcnicas clssicas de processamento aplicadas a essas imagens. So tambm apresentados exemplos de aplicaes computacionais implementadas com a combinao de tcnicas de processamento para atingir objetivos pr-determinados em sistemas CAD.
2.1. Introduo
Sistemas de diagnstico auxiliado por computador (ou simplesmente esquemas CAD, de computer-aided diagnosis) so sistemas computacionais, muitas vezes acoplados a equipamentos mdicos, com a nalidade de auxiliar
73
L. S. Nunes
na tomada de deciso a respeito de um diagnstico. Aplicaes com nalidades diversas tm sido desenvolvidas por vrios grupos de pesquisas, visando a auxiliar na composio de diagnsticos como uma forma de contribuir para a deteco precoce de doenas. Giger (2000) dene o diagnstico auxiliado por computador como aquele no qual o radiologista usa os resultados de uma anlise computadorizada de imagens mdicas como uma segunda opinio na deteco de leses e na elaborao do diagnstico. A importncia desses esquemas enfatizada por Chanet al. (1990), Doi et al. (1991), Ellis et al. (1993), Giger and MacMahon (1996) e Petrick et al. (1996), que apresentam taxas de diagnsticos errados em programas de rastreamento e mostram que o uso de esquemas CAD pode melhorar o desempenho de radiologistas no diagnstico mdico. Verica-se, entretanto, que apesar de ser objeto de pesquisas de vrias instituies ao redor do mundo, so poucos os sistemas deste tipo aplicados no dia-a-dia da prtica mdica. Isso se deve principalmente ao fato de que esta classe de sistema exige alto desempenho, tanto em nvel de velocidade de execuo quanto em nvel de acerto nos resultados. Seus resultados so utilizados para tomar decises em termos de diagnstico e escolha de tratamento; por isso, alguns tipos de erro so inadmissveis. No Brasil, a situao no diferente. Alguns grupos de pesquisa, ligados principalmente a universidades, dedicam-se ao estudo, implementao e avaliao desse tipo de sistema. No entanto, percebe-se que os resultados so ainda iniciais, constituindo um mercado promissor para os prximos anos, tanto em termos de pesquisa quanto em termos de implementao em nvel industrial. Em geral, os sistemas CAD fornecem opinies a partir de informaes extradas de imagens mdicas, que podem ser provenientes de diversos tipos de modalidades, como Radiograa, Ultra-sonograa e Ressonncia Magntica Nuclear, entre outras. Tcnicas de processamento de imagens, inteligncia articial, reconhecimento de padres, entre outras especicidades computacionais, so aplicadas com o objetivo de melhorar tais imagens e extrair delas informaes teis ao diagnstico. Sistemas completos, considerando software e hardware, necessitam da participao de equipes multidisciplinares. Alm dos prossionais da computao so necessrias as habilidades de engenheiros, fsicos, estatsticos e, obviamente, especialistas da rea de sade para a qual o sistema est sendo desenvolvido. Como mencionado, atualmente vrios centros de pesquisas no mundo dedicam-se ao desenvolvimento de sistemas CAD com objetivos variados. Exemplos so os CADs para deteco de doenas pulmonares de Arimura et al. (2004), colonoscopia virtual (Nappi et al., 2004), cncer de mama (Doi et al., 1997; Nunes et al., 2001a), entre outros. O objetivo deste captulo apresentar tcnicas de processamento de imagens, estabelecendo como foco principal as aplicaes sobre imagens mdicas, destinadas a constiturem fontes de dados para sistemas CAD. So
74
Introduo ao Processamento de Imagens Mdicas
apresentados conceitos sobre a formao de imagens mdicas, tcnicas de processamento de imagens e seus efeitos sobre imagens mdicas, alm de exemplos de aplicaes reais de tcnicas com o objetivo de auxiliar na deteco precoce de doenas. As tcnicas aqui apresentadas podem ser aplicadas a imagens provenientes de qualquer modalidade. Por questes de delimitao de objeto de estudo, maior nfase ser dada s imagens provenientes de Radiograa. Os exemplos apresentados consideraro apenas imagens em tons de cinza, visto que grande parte das modalidades mdicas considera escalas de cinza para representar as diferentes estruturas. No entanto, os conceitos apresentados podem ser aplicados a imagens coloridas com algumas adaptaes.
2.2. Modalidades de Imagens Mdicas

Desde que Rentgen, em 1895, descobriu a existncia de uma radiao at ento desconhecida, capaz de atravessar materiais, ser parcial ou totalmente absorvida por eles e xar-se em anteparos, a dinmica dos exames mdicos sofreu drsticas mudanas. Com a descoberta dos Raios-X, h pouco mais de 100 anos, tornou-se possvel a visualizao de estruturas internas do corpo e diagnosticar anomalias. A partir da, o avano na aquisio, processamento e armazenamento de imagens mdicas vem permitindo o aperfeioamento de diagnsticos e tratamentos de doenas de naturezas diversas. Cada modalidade de imagem mdica atua de forma diferenciada. Sua aquisio visa a ressaltar as diferenas entre os diversos tipos de tecidos existentes na natureza e, especialmente, aqueles que compem o corpo humano, fazendo com que estruturas de interesse se sobressaiam e, assim, possam ser identicadas como eventuais anomalias. Maintz and Viergever (1998) lembram que as modalidades mdicas podem ser classicadas em duas categorias globais: anatmicas e funcionais. As modalidades anatmicas so dedicadas a identicar morfologias, incluindo Raio-X, Tomograa Computadorizada (TC), Ressonncia Magntica Nuclear (RMN), Ultra-som (US), entre outras. H outras modalidades derivadas dessas primeiras, sendo citadas por nomenclaturas diferentes como Angiograa por Ressonncia Magntica (derivada da RMN), Angiograa por Tomograa Computadorizada (derivada da TC), Angiograa por Subtrao Digital (derivada de Raio-X) e Doppler (derivada de US). As modalidades funcionais so aquelas que tm o objetivo de adquirir informao a respeito do metabolismo relacionado a uma anatomia, incluindo cintilograa, SPECT (single photon emission computed tomography), PET (positron emission tomography), modalidades de medicina nuclear, RMN funcional, entre outras (as nomenclaturas foram mantidas em ingls a m de relacion-las com suas siglas, que as identicam na rea mdica). As consideraes e imagens apresentadas neste captulo dedicam-se apenas a modalidades anatmicas. As sees a seguir apresentam as prin-
75
L. S. Nunes
cipais caractersticas da formao de imagens mdicas considerando quatro modalidades: Radiograa, Ultra-sonograa, Ressonncia Magntica Nuclear e Tomograa Computadorizada. apresentada uma viso geral da formao da imagem em cada uma delas e problemas inerentes modalidade, aos quais as tcnicas de processamento de imagens podem oferecer contribuies. Maior nfase ser atribuda Radiograa, visto que os exemplos utilizados no captulo so, na sua maioria, provenientes desta modalidade de imagem e que vrios dos problemas relacionados a esta primeira modalidade apresentada so aplicveis a outras modalidades e podem ser minimizados com o emprego de tcnicas de processamento de imagens. No se pretende esgotar o assunto, mas fornecer uma base terica a m de que possam ser compreendidos os conceitos e exemplos das prximas sees.
2.2.2. Radiograa
Na Radiograa a imagem se forma em conseqncia, entre outras coisas, da interao dos ftons de Raios-X com a matria. Esses ftons atravessam o objeto, sofrendo atenuaes, causadas pela sua absoro total ou parcial. O nvel de absoro depende dos elementos constituintes desse objeto. Dentro do corpo humano, por exemplo, ossos, msculos e gordura absorvem os ftons com diferentes nveis de absoro, levando a diferentes atenuaes e, conseqentemente, diferentes intensidades de radiao que chegam ao anteparo no qual a imagem ser formada. Isso resulta em diferentes tons de cinza. essa diferena que possibilita a formao do contraste, permitindo a identicao de estruturas anatmicas. A seguir so apresentados alguns problemas inerentes Radiograa que inuenciam na formao da imagem. Os Raios-X constituem radiao ionizante e o excesso deste tipo de radiao traz prejuzos ao organismo humano. Por isso, imprescindvel um controle a m de que a dose de radiao recebida pelo paciente no seja mais prejudicial do que o benefcio a que ela se prope. Alguns fatores contribuem para o aumento da dose absorvida, como o aumento da tenso e o aumento da corrente para a produo de ftons e, ainda, o prolongamento do tempo de exposio. Geralmente estas prticas so aplicadas quando desejada uma imagem com intensidade mais acentuada (Curry III et al.,1990). Com relao a esta caracterstica, as tcnicas de processamento de imagens podem contribuir no sentido de realar a imagem de acordo com a intensidade desejada, dispensando os costumeiros aumentos de tempo de exposio, tenso e/ou corrente de tubo (Ishida et al., 1983). O efeito Heel outro problema a ser enfrentado pelo processamento de imagens, conforme destacado por Curry III et al. (1990) e Wilks (1987): a intensidade da radiao do tubo no uniforme em todas as regies do campo, sendo dependente do ngulo em que os ftons so emitidos do ponto focal. Conseqentemente, o nvel de intensidade no lme poder variar para estruturas que tm o mesmo ndice de absoro. Isso causa uma preocupao constante com os mtodos a serem empregados nos sistemas de CAD: no
76
possvel xar valores de cores (em geral, nveis de cinza) que representem as estruturas de interesse aps a digitalizao. So aplicadas, ento, tcnicas adaptativas regio. A radiao espalhada, causada por ftons desviados de suas trajetrias ideais, um outro ponto que pode constituir um problema no processamento de imagens. Por apresentar uma caracterstica randmica, no possvel prever o seu efeito. Por isso, uma das possibilidades que cause rudos e reduo do contraste na imagem, de acordo com Wilks (1987) e Curry III et al. (1990). Um dos tipos de espalhamento mais citados na literatura o efeito Compton, onde parte da energia do fton absorvida pela matria e outra parte permanece no prprio fton. Ocorrendo o desvio deste fton em uma direo inesperada, seu efeito pode ser desde rudos e diminuio do contraste da imagem (Jackson et al.,1993) at aumento da dose no paciente. O efeito da radiao espalhada pode ser diminudo com a utilizao de grades (Scaff, 1979), que consistem em peas compostas por uma srie de faixas de chumbo separadas por espaos. Acopladas ao sistema, o seu funcionamento ideal deveria permitir a absoro da radiao espalhada sem absorver a radiao primria e, ento, proporcionar o mximo contraste no lme sem aumentar a exposio do paciente. No processamento de imagens, a forma de superar o efeito da radiao espalhada estabelecer procedimentos que removam rudos e aumentem o contraste da imagem, como a limiarizao e ltros que suprimam os sinais de alta freqncia. No entanto, estes procedimentos devem ser cuidadosos, visto que alguns componentes de alta freqncia podem constituir estruturas de interesse em um diagnstico. A distoro na imagem radiogrca pode ser resultante da magnicao desigual de diferentes partes do mesmo objeto, conforme armado por Curry III et al. (1990). Muitas vezes a magnicao desigual devido ao posicionamento do objeto. A distoro da imagem pode ser diferente para diferentes partes do feixe de Raios-X. Assim, dois ou mais objetos podem sofrer distores diferentes se estiverem posicionados em locais com distncias diferentes do lme. A penumbra tambm constitui uma forma de distoro. Consiste em uma regio de borramento que contorna a imagem real do objeto no lme. Na mamograa, por exemplo, geralmente a mama est em contato com o local de registro da imagem, o que, teoricamente, deveria eliminar a possibilidade de penumbra. No entanto, a estrutura de interesse, estando espalhada pela mama, nem sempre est em contato com o lme, causando, dessa forma, uma penumbra (Schiabel et al., 1994). Distores causam complicaes em um sistema para deteco de estruturas pequenas e cujo formato importante. Muitas vezes, formato e tamanho so caractersticas empregadas para o reconhecimento e classicao de estruturas de interesse. A sobreposio de objetos outro aspecto que exerce grande inuncia no reconhecimento de padres, considerando que a imagem radiogrca a representao bidimensional de um objeto tridimensional. Dependendo do posicionamento das estruturas internas do rgo cuja imagem est sendo ad-
77
L. S. Nunes
quirida, a imagem resultante pode apresentar sobreposio destes elementos, transformando dois ou mais objetos em um bloco nico. Uma possvel soluo para esta questo o processamento da imagem a partir de projees diferentes do mesmo objeto, de forma que a localizao de possveis estruturas e o relacionamento entre suas localizaes forneam aos mdicos mais subsdios para o diagnstico correto. Outra maneira de solucionar a questo seria o processamento e a reconstruo de imagens tridimensionais. O contraste e a resoluo espacial tambm so caractersticas das imagens que podem prejudicar o diagnstico. Na imagem radiogrca o contraste refere-se diferena de densidades entre reas, conforme armam Dhawan et al. (1988) e Curry III et al. (1990). Se o objeto cuja imagem est sendo registrada formado por diferentes elementos e cada um desses elementos apresenta diferentes nveis de absoro dos ftons de Raios-X, ento, o padro a ser registrado no lme apresentar diferentes intensidades. Quanto maior for a diferena entre as intensidades, maior ser o contraste percebido e, provavelmente, maior facilidade oferecer para interpretao mdica. Alm disso, para que seja utilizado um esquema computadorizado para reconhecimento de estruturas, os lmes radiogrcos precisam ser digitalizados ou, ento, a imagem precisa ser adquirida digitalmente. Os equipamentos utilizados para esse processo variam muito em termos de escala de cores (ou nveis de cinza) oferecidas e resoluo espacial. As cores (ou nveis de cinza) esto diretamente relacionadas com o contraste. Geralmente uma faixa de densidades pticas do lme representada por um nico valor na escala de cores durante a digitalizao, como mostrado por Chan et al. (1987). A resoluo espacial, por sua vez, refere-se quantidade de pontos por unidade de medida que permite a maior ou menor percepo de detalhes na imagem. Em uma imagem digitalizada, refere-se quantidade de pontos em um centmetro ou milmetro quadrado que, ao nal, estabelecer o tamanho da menor unidade da imagem digitalizada: o pixel. Esses dois ltimos aspectos abordados devem ser bem analisados e denidos para se ter um esquema CAD eciente. As cores ou nveis de cinza sero processados a m de informarem o tamanho e localizao da estrutura reconhecida. Da mesma forma, no processamento, o tamanho do pixel muito importante, principalmente na identicao de estruturas pequenas, como o caso de microcalcicaes em mamogramas. Se a digitalizao no fornecer um tamanho sucientemente pequeno de pixel, algumas microcalcicaes pequenas podem ser desprezadas e at mesmo desaparecer durante o prprocessamento, conforme armam Chan et al. (1987). Apesar dos problemas citados nesta seo estarem relacionados com as imagens radiolgicas, vrios deles esto presentes em imagens advindas de outras modalidades, principalmente aqueles inerentes imagem propriamente dita, como distoro e resoluo de contraste. Esses aspectos so aqueles que podem ser mais beneciados pelas tcnicas de processamento de imagens.
78
2.2.3. Ultra-sonograa
Bronson (2002) e Bega et al. (2001) denem a Ultra-sonograa como uma modalidade de exame baseada na reexo de som. A imagem se forma quando uma onda sonora reetida ao chocar-se com a regio anatmica em anlise. Para formar as imagens da estrutura do corpo humano, esta modalidade utiliza uma faixa de ondas sonoras com uma freqncia maior do que a audvel para o ser humano. Em aplicaes de diagnsticos mdicos so utilizadas freqncias de 1 a 10 MHz. um dos mtodos, dentre os exames de diagnstico por imagem, mais utilizado no rastreamento de doenas, especialmente por no ser invasivo, ter boa sensibilidade e baixo custo, permitindo o exame de rgos abdominais, plvicos e estruturas superciais como mama, tireide, globo ocular e sistema msculo-esqueltico. Por outro lado, pode-se citar como desvantagens o fato de que a qualidade da imagem depende da habilidade do operador, a baixa resoluo espacial e a presena constante de rudos na imagem. O equipamento de ultra-sonograa porttil e o modelo padro formado por monitor, aparelho de impresso, teclado e um emissor/receptor. As imagens so geradas em nveis de cinza e em tempo real, sendo seu tamanho denido por uma matriz que contm geralmente 512x512 pixels. As imagens geradas so armazenadas em memria digital, videocassete, ou diretamente no lme atravs de uma cmera multiformato. importante destacar que rudos de outros equipamentos podem ser captados pelo aparelho de ultra-som gerando faixas lineares ou pontos na imagem, criando certas deformaes e irregularidades capazes de dicultar a anlise do exame.
2.2.4. Ressonncia Magntica Nuclear

Dainty and Shaw (1976) denem que a Ressonncia Magntica Nuclear baseada nas propriedades magnticas dos ncleos atmicos, sendo capaz de oferecer detalhes anatmicos e informaes estruturais e siolgicas de forma superior fornecida por outras modalidades. capaz de gerar imagens que diferenciem claramente os vrios tipos de tecidos moles, mesmo que esses tenham a mesma densidade de massa. O fenmeno de ressonncia, de acordo com Luiten (1981), manifestase nos mais diversos tipos de sistemas da natureza, ocorrendo sempre que acontece um estmulo cuja freqncia seja prxima freqncia do sistema. No ncleo das clulas, esta ressonncia tem natureza magntica, derivando do fato de certos ncleos terem um momento angular intrnseco chamado spin e um momento magntico associado a ele. Arcuri and McGuire (2001) citam que esta tcnica baseia-se no princpio de que os ncleos dos tomos, que em estado normal giram com spins em orientaes randmicas, se orientam quando colocados num campo magntico. Por isso, a aplicao de um pulso de rdio-freqncia a esses ncleos orientados faz com que estes absorvam e emitam uma quantidade de energia cuja freqncia precisa de ressonncia e depende das prprias caractersticas
79
L. S. Nunes
do ncleo e do campo magntico. Quando o crebro, por exemplo, submetido a um campo magntico ao qual uma freqncia de rdio superimposta, seus tecidos emitem freqncias diferentes por terem constituies fsico-qumicas distintas. Isso torna possvel diferenciar os sinais emitidos pelas substncias cinzenta ou branca, gerando uma imagem de grande preciso espacial. Na formao da imagem na RMN, uma das principais propriedades mapeadas a densidade local dos ncleos atmicos, sendo o hidrognio o elemento mais utilizado, devido s caractersticas intrnsecas deste elemento e tambm pelo motivo de que o corpo humano possui grande quantidade deste elemento na sua composio. Para gerar as imagens, uma amostra de ncleos perturbada por uma seqncia de pulsos de radiofreqncia, emitindo um sinal de RMN para cada um dos ncleos excitados. O registro dos sinais retornados permite a formao da imagem com grande diferenciao entre os tecidos. Durante a execuo do exame, o paciente se posiciona em uma espcie de tnel no qual esto localizadas as bobinas magnticas que geram a freqncia necessria ao procedimento. Conforme lembram Arcuri and McGuire (2001), a claustrofobia e o barulho do equipamento so desvantagens da tcnica. Tambm deve ser citado como desvantagem o fato de que esta modalidade de imagem mdica pode ser perigosa para pacientes que possuem implantes metlicos, como marcapassos.
2.2.5. Tomograa Computadorizada

Conforme dene Wilks (1987), da mesma forma que a radiograa convencional, a Tomograa Computadorizada baseia-se no princpio de os RaiosX serem apenas parcialmente absorvidos pelo corpo. Enquanto que na radiograa convencional o feixe de Raios-X piramidal e a imagem obtida uma imagem de projeo, na TC o feixe emitido por uma pequena fenda e tem a forma de leque. O tubo de Raios-X gira 360 graus em torno da regio do corpo a ser estudada e a imagem obtida tomogrca, ou seja, so obtidas fatias da regio investigada. Em oposio ao feixe de Raios-X emitidos, tem-se um detector de ftons que gira concomitantemente ao feixe. Os ftons emitidos dependem da espessura do objeto e da capacidade deste de absorver os Raios-X. Os detectores de ftons da TC transformam os ftons emitidos em sinal analgico e depois digital. Aps a aquisio das sees transversais, as informaes obtidas so processadas utilizando uma tcnica matemtica chamada de projeo retrgrada, ou outras, como a transformada de Fourier. As imagens tomogrcas podem ser obtidas em dois planos: axial (perpendicular ao maior eixo do corpo) e o coronal (viso frontal). Aps a sua obteno, recursos computacionais podem permitir reconstrues no plano sagital (paralelo sutura sagital do crnio) ou reconstrues tridimensionais. A principal vantagem da TC que permite o estudo de sees transversais do corpo vivo. uma grande melhoria em relao s capacidades da
80
radiograa convencional, pois permite a deteco ou o estudo de anomalias que no seria possvel seno atravs de mtodos invasivos. Uma das principais desvantagens a grande quantidade de radiao X imprimida ao paciente. Outra desvantagem o seu elevado preo, especialmente quando comparada com outros mtodos como a radiograa convencional.
2.2.6. Consideraes para o processamento de imagens

Cada modalidade de imagem mdica responde a um ou mais aspectos presentes nos materiais que compem os seres da natureza. Assim, cada uma delas tem peculiaridades que fazem com que sejam mais ou menos adequadas para o diagnstico de determinadas doenas. A nalidade das imagens mdicas auxiliar na composio do diagnstico de anomalias e fornecer material para acompanhamento de terapias. Como mencionado nas sees anteriores, cada modalidade tem objetivos especcos e pode apresentar problemas especcos. Na prtica, a composio de um diagnstico pode utilizar imagens adquiridas de modalidades diversas, visto que as limitaes de uma modalidade podem ser superadas por caractersticas de uma outra modalidade, fazendo com que uma modalidade complemente a outra. Os diferentes objetivos e os diferentes problemas apresentados pelas modalidades requerem tratamentos diferentes, que podem ser obtidos a partir da aplicao de tcnicas de processamentos de imagens. No tratamento de imagens mdicas, necessrio, antes de qualquer deciso, denir-se o objetivo a ser alcanado. Somente aps esta denio possvel traar estratgias a partir da utilizao de uma tcnica de processamento, da combinao de vrias delas ou, ainda, da criao de novas tcnicas. O tpico a seguir apresentar inicialmente algumas denies e conceitos bsicos sobre imagem digital. Em seguida, so abordadas as principais tcnicas citadas na literatura para suavizao, realce e segmentao de imagens, com exemplos de aplicao e algoritmos para implementao.
2.3. Processamento de imagens mdicas 2.3.2. Denies bsicas

Na literatura, h vrias obras clssicas de processamento de imagens, com tima qualidade no que se refere apresentao de denies e conceitos. O contedo a seguir tem como base principalmente Gonzalez and Woods (2002), Ballard and Brown (1982) e Russ (1992). Para leitores que estejam interessados em processamento de imagens utilizando a linguagem Java, uma boa introduo apresentada por Santos (2004). De acordo com Ballard and Brown (1982), a formao da imagem ocorre quando um sensor registra a radiao que interagiu com objetos fsicos. A imagem, ento, uma representao do objeto fsico que pode ser armaze81
L. S. Nunes
nada, manipulada e interpretada de acordo com as necessidades do interessado. Matematicamente, uma imagem pode ser descrita como uma funo da intensidade do sinal retornado em um sensor. A aproximao mais clssica a denio como uma funo da intensidade luminosa reetida do objeto A maioria das imagens considera o espao bidimensional, sendo denida como f(x,y), onde x e y so as coordenadas espaciais e o valor de f na coordenada espacial (x,y) fornece a intensidade, ou seja, o brilho da imagem no ponto. A imagem depende da quantidade de luz incidente na cena e da quantidade de luz reetida pelos objetos da cena. Dessa forma, arma-se que: f(x,y) = i(x,y) * r(x,y) onde: i(x,y) depende da fonte de luz, (0 < i(x,y) < ); r(x,y) depende do tipo de material que compe o objeto, (0r(x,y)1). Verica-se que r(x,y) assume o valor zero para absoro total e o valor 1 (um) para reexo total. Um caso especial de imagem constitudo pelas imagens digitais, onde a representao consiste em um vetor de valores discretos. Geralmente este vetor unidimensional e o domnio e a imagem de f(x,y) so tambm discretos. O domnio nito (geralmente uma matriz retangular) e o conjunto imagem formado por valores no intervalo [0,M]. Para aplicaes prticas, a imagem uma funo contnua, representada por medidas obtidas em intervalos regularmente espaados. Os valores assumidos em cada ponto medido so quanticados em um nmero pertencente a uma escala de diferentes cores. Em imagens mdicas, geralmente essas cores so relacionadas a nveis de cinza, sendo atribudo o valor zero cor mais escura (preto) e o valor mximo M cor mais clara da escala (branco). Dessa forma, pode-se representar uma imagem como uma matriz onde cada ponto um valor discreto, conforme mostra a equao 1, onde n e m correspondem quantidade de colunas e linhas, respectivamente. (1)
f (0,0) f (1,0) . f ( x, y ) = . . f (m 1,0)
f (0,1) f (1,1)
... ...
f (m 1,1) ...
f (0, n 1) f (1, n 1) f (m 1, n 1)
82
O objetivo de denir matematicamente a imagem a possibilidade de manipular o seu contedo a m de transform-la ou retirar dela informaes importantes. Ao vasto conjunto de operaes que podemos aplicar em uma matriz que representa uma imagem denominamos processamento de imagem. Cada ponto ou elemento constituinte da matriz-imagem chamado de pixel que uma abreviao do termo em ingls picture element. A medida de um pixel depende da resoluo espacial com a qual a imagem foi adquirida. O pixel , ento, a menor unidade sobre a qual podemos realizar operaes. Para essas operaes so denidas algumas relaes bsicas, apresentadas a seguir.
a) Vizinhana
Gonzalez & Woods (2002) e Russ (1992) denem a vizinhana de um pixel da forma a seguir. Seja p, um pixel nas coordenadas (x,y): i. A vizinhana de 4 do pixel p ou N4(p) composta por seus vizinhos de coordenadas (x+1,y), (x-1,y), (x,y+1), (x,y-1). ii. A vizinhana diagonal do pixel p ou ND(p) composta por seus vizinhos de coordenadas: (x+1,y+1), (x+1,y-1), (x-1,y+1), (x-1,y-1). iii. A vizinhana de 8 ou N8(p) composta pelo conjunto de todos os pixels vizinhos, ou seja, N4(p) ND(p). Na Figura 2.1 so apresentados exemplos dos conceitos de vizinhana citados.
Figura 2.1. Ilustrao do conceito de vizinhana considerando o ponto central como o pixel de interesse, os pixels da vizinhana so representados pelos espaos em cinza: (a)vizinhana-de-4; (b)vizinhana diagonal; (c)vizinhanade-8
83
L. S. Nunes
A adjacncia caracterstica de um par de pixels vizinhos que compartilham uma borda ou um vrtice, sendo que: um par de pixels compartilha uma borda dito adjacente por borda ou 4-adjacente; um par de pixels de uma imagem que compartilha um vrtice dito adjacente por vrtice ou 8-adjacente. Na Figura 2.1(a), por exemplo, observa-se que os pixels de cor cinza so 4adjacentes e tambm 8-adjacentes do pixel de cor preta, pois compartilham uma borda e um vrtice com este pixel. Na mesma gura, os pixels brancos so somente 8adjacentes do pixel preto, pois compartilham somente um vrtice com o mesmo.
b) Adjacncia
c) Conectividade
A conectividade um importante conceito usado para estabelecer bordas de objetos e componentes de regies em uma imagem. Dois pixels so conectados se: a) so adjacentes e; b) obedecem a um critrio de similaridade dentro de uma escala de cor, isto , seus valores esto dentro de um conjunto pr-estabelecido de valores de cinza. Seja V={G1, G2, ..., Gk} o conjunto de k valores de nveis de cinza usado para denir a conectividade. So denidos trs tipos de conectividade: Conectividade-4: dois pixels p e q com valores em V e qN4(p); Conectividade-8: dois pixels p e q com valores em V e qN8(p); Conectividade-m: dois pixels p e q com valores em V e: i) qN4(p) ou ii) qND(p) e N4(p) N4(q) = .
d) Distncia entre pixels
A distncia entre pixels um valor mensurvel, constituindo uma importante denio para grande parte dos algoritmos que manipulam a imagem. Gonzalez and Woods (2002) lembram que: d(x,y) = 0, se x = y; d(x,y) = d(y,x); d(x,y) + d(y,z) d(x,z). H diversas frmulas empregadas para a denio de distncia e freqentemente so denidas e adaptadas frmulas para aplicaes especcas. Algumas das mtricas mais conhecidas, aplicadas para dois pixels p=(xp,yp) e q=(xq,yq) so:
84
Distncia Euclidiana:
Distncia City Block (ou de Manhattan):
Distncia Chessboard:
Introduzidos os conceitos anteriores, podemos aplic-los ao processamento de imagens. As tcnicas de processamento de imagens so, em geral, divididas em trs nveis, cada qual com suas funes especcas: processamento de baixo nvel: responsvel pela remoo de dados indesejveis e realce de dados importantes; processamento de nvel mdio: responsvel pela identicao de formas signicativas. A esse processo damos o nome de segmentao; processamento de alto nvel: responsvel pela ligao da imagem com algum banco de conhecimento. Os itens a seguir apresentam tcnicas aplicadas aos dois primeiros nveis citados. No so apresentadas tcnicas relacionadas ao alto nvel pelo motivo de que estas envolvem conceitos que extrapolam o domnio do processamento de imagens, englobando tarefas de inteligncia articial e estatstica, entre outras reas.
2.3.3. Processamento de Baixo Nvel

Partindo do princpio de que a vizinhana de pixels na imagem tem exatamente os mesmos ou aproximadamente os mesmos parmetros fsicos, o processamento de baixo nvel visa explorao da redundncia presente nessa vizinhana. Essa fase de processamento utilizada para recuperar estruturas intrnsecas da imagem, como descontinuidade de superfcie, orientaes, profundidades, velocidade etc. As denies e tcnicas apresentadas a seguir so baseadas em Ballard and Brown (1982), Low (1991) e Gonzalez and Woods (2002). Em alguns casos os conceitos e resultados das tcnicas so apresentados em imagens fora do domnio do contexto deste trabalho (modalidades mdicas) a m de que o efeito da tcnica possa ser percebido com mais nitidez. Neste nvel de processamento, algumas tcnicas so derivadas a partir de modicaes no histograma da imagem. Por isso, a seo 2.3.2.1 (Manipulao do Histograma da Imagem) apresenta o conceito de histograma e a denio de algumas tcnicas de processamento que utilizam este conceito.
85
L. S. Nunes
2.3.2.1. Manipulao do Histograma da Imagem

O histograma uma funo que fornece a freqncia de cada nvel de cinza na imagem, como demonstrado na Figura 2.2. O valor do histograma em um nvel de cinza, dado por H(k), a quantidade de pixels da imagem com aquele valor de nvel de cinza. Esse recurso til para alteraes globais na imagem, porm, no possvel aplic-lo em processamentos que necessitem de conhecimento sobre a localizao de pixels, uma vez que esta informao no est disponvel no grco construdo. As tcnicas a seguir so denidas sobre o conceito de histograma. Nos exemplos, sempre so apresentadas a imagem original e as imagens resultantes do processamento a m de facilitar a comparao entre elas.
Figura 2.2. Exemplo de histograma de uma imagem
a) Alteraes globais no brilho
possvel tornar uma imagem mais clara ou mais escura atravs da soma ou subtrao, respectivamente, de uma constante em todos os pixels da imagem. Quanto maior for o valor desta constante mais clara ou mais escura ca a imagem resultante. A Figura 2.3 mostra um exemplo de alterao de histograma que resultaria em uma imagem mais clara e outra mais escura. As imagens apresentadas so resultantes da aplicao da alterao de brilho sobre a imagem original considerando um aumento ou diminuio de 60 nveis, isto , em cada pixel o nvel de cinza foi aumentado ou diminudo em 60 tons na escala considerada. Como pode ser observado, a operao aplicada imagem inteira. No entanto, pode-se aplicar o mesmo conceito em partes da imagem, delimitando a rea de abrangncia do algoritmo. A Figura 2.4 apresenta um algoritmo genrico para a implementao da tcnica.
b) Quantizao do Histograma
A quantizao ou agrupamento do histograma a reduo da quantidade de nveis de cinza diferentes na imagem. til para remover gradaes indesejveis na imagem, promovendo um efeito de aumento de contraste.
86
Um exemplo de quantizao mostrado atravs da imagem e do histograma apresentados na Figura 2.5. A implementao desta tcnica considera intervalos da escala de cinza para agrupar os valores do histograma, conforme sugere o algoritmo da Figura 2.6. Ao nal, como a quantidade de nvel de cinza empregados drasticamente diminuda, tem-se o efeito de maior nitidez das estruturas presente na imagem, como pode ser observado na Figura 2.5.
Figura 2.3. Exemplo de alterao global no brilho da imagem: (a) imagem original e respectivo histograma; (b) imagem com tons de cinza atenuados e respectivo histograma; (c) imagem com tons de cinza acentuados e respectivo histograma
87
L. S. Nunes
Figura 2.4. Algoritmo para implementao de alterao global no brilho de uma imagem
Figura 2.5. Exemplo de quantizao do histograma: (a) imagem original; (b) imagem quantizada com 10 nveis de cinza; (c) imagem quantizada com 5 nveis de cinza; (d) histograma da imagem b; (e) histograma da imagem c
88
Figura 2.6. Algoritmo para implementao de quantizao do histograma
c) Splitting
A tcnica de Splitting visa a aumentar o contraste de uma imagem com base no seu histograma. Como mostrado na Figura 2.7, esta operao divide os pixels em dois grupos distintos de nveis de cinza. Desta forma, os pixels com valores menores da imagem (cores escuras) so diminudos ainda mais e aqueles com valores altos (pixels claros) tornam-se ainda mais claros. Uma forma simples de implementar este algoritmo somar ou subtrair uma constante em cada pixel da imagem, considerando-se um limiar que dene os pontos de soma ou subtrao, conforme sugerido no algoritmo apresentado na Figura 2.8.
Figura 2.7. Exemplo de splitting do histograma: (a) imagem original; (b) imagem aps aplicao da tcnica de splitting, considerando uma constante igual a 40 nveis de cinza; (c) histograma da imagem resultante
89
L. S. Nunes
Figura 2.8. Algoritmo para implementao de splitting do histograma
d) Equalizao
Tambm conhecida como Linearizao de Histograma, esta tcnica tem a nalidade de obter um histograma uniforme, atravs do espalhamento da distribuio dos nveis de cinza. Aparentemente comum, esta operao muito poderosa, conseguindo, muitas vezes, recuperar imagens consideradas perdidas. H vrios mtodos empregados para a realizao da equalizao, sendo que muitos deles so baseados em distribuies estatsticas. Um exemplo de um histograma equalizado pode ser observado na Figura 2.9. Na seo 2.3.2.3, que abordar com mais propriedade a questo especca de realce de contraste, ser apresentada uma forma de efetuar a equalizao com detalhes de implementao.
Figura 2.9. Exemplo de equalizao do histograma: (a) imagem original; (b) imagem aps aplicao da equalizao; (c) histograma da imagem resultante
90
e) Utilizao de templates
A manipulao de imagens digitais pode ser efetuada no domnio da freqncia ou no domnio espacial. O domnio espacial refere-se ao conjunto de pixels que compem a imagem. As tcnicas de processamento de imagem que trabalham neste domnio so aplicadas diretamente nos pixels da imagem. As tcnicas que trabalham no domnio da freqncia tm como princpio bsico o teorema da convoluo, efetuando-se alteraes na transformada de Fourier da imagem. Em geral, o domnio da freqncia exige uma maior complexidade matemtica, mas o processamento mais rpido. O domnio espacial no exige grande complexidade matemtica, mas o processamento mais lento, uma vez que muitas vezes vrias operaes so requeridas para obter-se o novo valor de um pixel. A abordagem deste captulo relacionada ao domnio espacial, no qual os pixels so considerados como uma matriz de atributos numricos, conforme denido no incio da Seo 2.3.1. Tcnicas no domnio da freqncia so abordadas com Gonzalez and Woods (2002) e Russ (1992). Para a manipulao no domnio espacial, muitas vezes so utilizados templates. Gonzalez and Woods (2002) denem um template como uma mscara utilizada para a realizao de operaes na vizinhana de um pixel. Na prtica, uma matriz cujo elemento central posicionado no pixel de interesse. Os elementos da vizinhana, incluindo o pixel em questo, so multiplicados pelos valores indicados nas posies correspondentes da matriz. A soma dos resultados obtidos substitui o valor do pixel de interesse na imagem resultante. Genericamente, uma mscara de tamanho 3x 3 pode ser representada da forma indicada na Figura 2.10.
w1 w4 w7 w2 w5 w8 w3 w6 w9
Figura 2.10. Exemplo genrico de uma mscara 3 x3 Considerando wi, i=1,...,9 os coecientes da mscara em questo e xi, i=1,...,9 os valores dos pixels sob a mscara, o resultado que ser atribudo ao pixel central ser: w1x1+ w2x2 + ... + w9x9. Um algoritmo genrico para aplicao de um template apresentado na Figura 2.11.
91
L. S. Nunes
Figura 2.11. Algoritmo genrico para aplicao de templates
2.3.2.2. Suavizao de imagens

Operaes de suavizao so usadas para diminuir efeitos esprios resultantes do processo de aquisio da imagem (rudos, por exemplo). Vrias tcnicas podem ser denidas para esta nalidade. Aqui so apresentadas as tcnicas mais clssicas e, tambm, seus efeitos sobre algumas imagens mdicas. No entanto, observa-se que comum derivar mtodos a partir dessas tcnicas para atingir objetivos especcos nesta categoria de imagens. Em alguns casos so apresentados exemplos de aplicao em imagens genricas, no necessariamente provenientes de alguma modalidade mdica, a m de permitir uma visualizao mais adequada do efeito da tcnica.
f) Mdia da Vizinhana
A mdia da vizinhana uma tcnica que consiste em gerar uma imagem na qual o nvel de cinza de cada pixel obtido atravs da mdia dos valores de cinza dos pixels de uma vizinhana pr-denida. uma tcnica muito empregada para eliminao de rudos na imagem, apresentando, porm, borramento na imagem nal obtida e conseqente perda na denio de bordas. Considerando a imagem f(x,y) com NXM pixels, podemos denir a imagem gerada g(x,y) conforme a equao 2. , para x=0,1,...,N-1; y=0,1,...,M-1 (2) onde: S o conjunto de coordenadas de pontos na vizinhana do ponto (x,y), incluindo o prprio (x,y); V o nmero total de pontos na vizinhana escolhida. A mostra dois exemplos de template, de tamanho 3x3 e 5x5, respectivamente, utilizados para suavizar as imagens apresentadas na Figura 2.13. Uma primeira observao importante que para implementar esta tcnica basta multiplicar cada elemento da vizinhana do pixel de interesse pelo seu peso respectivo e substituir o pixel de interesse pela soma desses resultados. importante salientar, ainda, que quanto maior a dimenso do template, maior ser o borramento na imagem resultante, visto que h inuncia maior da vizinhana do pixel processado.
92
1 9 1 9 1 9
1 9 1 9 1 9
1 9 1 9 1 9
1 2 5 1 2 5 1 2 5 1 2 5 1 2 5
1 2 5 1 2 5 1 2 5 1 2 5 1 2 5
1 2 5 1 2 5 1 2 5 1 2 5 1 2 5
1 2 5 1 2 5 1 2 5 1 2 5 1 2 5
1 2 5 1 2 5 1 2 5 1 2 5 1 2 5
Figura 2.12. Exemplos de templates para implementao da mdia da vizinhana Como os exemplos apresentados trabalham no domnio espacial interessante observar, ainda, que o tamanho da mscara exerce inuncia no desempenho do processamento, pois o esforo computacional aumenta proporcionalmente a esta dimenso devido ao incremento na quantidade de operaes matemticas que devem ser realizadas.
93
L. S. Nunes
Figura 2.13. Exemplos de suavizao utilizando mdia da vizinhana: (a) imagem original; (b) imagem suavizada com template de tamanho 3x3; (c) imagem suavizada com template de tamanho 5x5 Na Figura 2.14 so apresentados exemplos da aplicao da tcnica em imagens mdicas. Observa-se borramento nas imagens provenientes das trs modalidades apresentadas. Como a imagem de US aquela que contm maior nvel de rudo devido a sua natureza, possvel observar o efeito da suavizao dos rudos. No entanto, outras estruturas foram suavizadas juntamente com os rudos. Na Figura 2.15 apresentado um algoritmo simples para implementao da tcnica.
g) Filtragem Mediana
A ltragem mediana uma tcnica de suavizao na qual cada pixel da imagem nal substitudo pelo nvel de cinza mediano em uma vizinhana do pixel. O nvel mediano m de um conjunto de valores tal que metade dos valores no conjunto so menores que m e a outra metade constituda de valores maiores que m. Na Figura 2.16 apresentado um exemplo de aplicao desta tcnica. Comparando-se as imagens desta gura com as imagens da Figura 2.13 possvel vericar que o efeito de borramento desta tcnica menor quando
94
comparado ao resultado fornecido pela tcnica anterior. Uma das vantagens desta tcnica a eliminao de rudos aleatrios com o borramento mnimo das bordas que compem os objetos representados na imagem.
Figura 2.14. Exemplos de suavizao utilizando mdia da vizinhana em imagens mdicas. (a) imagem de Raios-X original esquerda e suavizada direita; (b) imagem de RMN; (c) imagem de US. Os processamentos usaram template com tamanho 3x3 pixels
95
L. S. Nunes
Figura 2.15. Algoritmo para implementao da mdia da vizinhana A Figura 2.17 apresenta exemplos da tcnica aplicada s mesmas imagens do tpico anterior. possvel observar que, apesar de tambm introduzir borramento, este menor quando se compara a ltragem mediana com o ltro de mdia. Assim, as imagens mais beneciadas so aquelas provenientes de ultra-som que, invariavelmente, devem ser submetidas a um ltro de suavizao devido ao rudo inerente da modalidade.
Figura 2.16. Exemplos de suavizao utilizando mediana da vizinhana: (a) imagem original; (b) imagem suavizada com template de tamanho 3x3; (c) imagem suavizada com template de tamanho 5x5
96
Figura 2.17. Exemplos de suavizao utilizando mediana da vizinhana em imagens mdicas. (a) imagem de Raios-X original esquerda e suavizada direita; (b) imagem de RMN; (c) imagem de US. Os processamentos usaram template com tamanho 3x3 pixels
97
L. S. Nunes
Na Figura 2.18 apresentado um algoritmo genrico para implementao da tcnica.
Figura 2.18. Algoritmo para implementao da mediana da vizinhana
h) Mdia de Mltiplas Imagens
Obter a mdia de mltiplas imagens consiste em obter uma imagem onde cada pixel a mdia dos pixels de mesma posio em um conjunto de imagens semelhantes. O objetivo permitir a eliminao de rudo aleatrio presente nas imagens do conjunto processado. Esta tcnica possibilita a obteno de bons resultados quando esto disponveis imagens do mesmo objeto adquiridas em instantes diferentes, como exemplicado na Figura 2.19. O algoritmo para implementao da tcnica extremamente simples, consistindo na realizao de uma nica operao de mdia aritmtica, conforme apresentado na Figura 2.20.
Figura 2.19. Exemplo de suavizao utilizando mdia de mltiplas imagens: (a) imagens originais com rudos aleatrios; (b) mdia das duas primeiras imagens de a; (c) mdias das trs imagens de a
98
Figura 2.20. Algoritmo para implementao da mdia de mltiplas imagens
2.3.2.3. Realce de imagens

As tcnicas de realce de imagens produzem justamente o efeito contrrio ao provocado pela suavizao. Tm o objetivo de destacar bordas e detalhes procurados na imagem. Algumas das tcnicas so executadas a partir do histograma da imagem, conforme j mencionado. Nesta seo estas tcnicas sero retomadas a m de possibilitar a observao dos seus efeitos em imagens mdicas. Tambm muito comum empregar o conceito matemtico de diferenciao para o realce de imagens, visto que o objetivo destacar as diferenas entre os pixels da imagem, conforme citado nos tpicos a seguir. Nesta seo no so includos algoritmos porque boa parte das tcnicas resume-se a aplicao de templates, apresentados anteriormente.
i) Quantizao do Histograma
Como mostrado anteriormente, a quantizao, tambm conhecida como agrupamento do histograma, diminui a quantidade de nveis de cinza utilizados para a representao da imagem, resultando em uma imagem com maior contraste, conforme pode ser vericado nos exemplos da Figura 2.21. interessante observar que seus efeitos podem ser teis quando a imagem mdica apresenta estruturas de interesse com grupos de nveis de cinza com limites bem delineados. Nestes casos, as estruturas podem ser satisfatoriamente diferenciadas e a imagem pode auxiliar na identicao de objetos de interesse que indiquem possveis anomalias. Observa-se, ainda, que o intervalo de nveis de cinza utilizado no processo exerce grande inuncia no resultado nal, destacando as formas das estruturas com maior ou menor adequao. Nas imagens das trs modalidades apresentadas na Figura 2.21 possvel perceber este efeito. Na imagem radiolgica, por exemplo, possvel perceber o maior destaque das estruturas mais claras, correspondentes s partes que absorvem maior quantidade de Raios-X.
99
L. S. Nunes
Figura 2.21. Exemplos de quantizao em imagens mdicas: (a) imagem de Raios-X original esquerda e quantizada com 10 nveis de cinza direita; (b) imagem de Raios-X original esquerda e quantizada com 20 nveis de cinza direita; (c) imagem de US original esquerda e quantizada com 5 nveis de cinza direita
b) Splitting
Essa tcnica visa ao aumento de contraste por meio da diviso dos pixels em dois grupos distintos de nveis de cinza. Assim, os pixels escuros cam
100
ainda mais escuros na imagem resultante e aqueles claros tornam-se mais claros, conforme pode ser conferido nos exemplos da Figura 2.22. Da mesma forma que na tcnica anterior, h variaes nos resultados obtidos com esta tcnica em funo da variao dos parmetros utilizados. Na Figura 2.22 essa variao pode ser percebida. Na imagem de Raios-X, por exemplo, pixels mais escuros foram transformados em fundo da imagem, dando nfase s estruturas que absorvem maior quantidade de Raios-X e permitindo a visualizao mais ntida do contorno dessas estruturas na imagem. Efeito semelhante pode ser observado na imagem de US. No entanto, o parmetro utilizado na imagem da RMN fez com que houve uma maior homogeneizao de pixels claros, fazendo desaparecer alguns detalhes presentes na imagem original.
Figura 2.22. Exemplos da tcnica de sppliting: (a) imagem de RaiosX original esquerda e aps splitting direita; (b) imagem de US; (c) imagem de RMN. Os processamentos usaram constante de deslocamento igual a 40 nveis de cinza
101
L. S. Nunes
c) Equalizao
A obteno de um histograma mais uniforme a regra para o realce de contraste pela tcnica de equalizao. Vrios mtodos podem ser empregados para a redistribuio dos pixels na imagem, de modo a espalh-los ao longo da escala de cores utilizada. O mtodo apresentado a seguir parte de conceitos estatsticos. Para descobrir o novo nvel de cinza (q) de um pixel que possui um determinado valor k de nvel de cinza so utilizadas as equaes 3 e 4. Primeiro, encontra-se a quantidade ideal de pixels para cada valor de nvel de cinza, de acordo com a escala de cores utilizada, conforme a equao 3. Em seguida, calcula-se o novo nvel de cinza q, isto , o valor para o qual os pixels do nvel de cinza atual sero removidos. (3)
(4)
onde: I a quantidade ideal de pixels em cada nvel de cinza da escala usada n a quantidade de linhas da imagem m a quantidade de colunas da imagem g a quantidade total de nveis de cinza da escala q o novo nvel de cinza procurado nj a quantidade de pixels no nvel de cinza j arred indica o arredondamento do resultado obtido pela expresso que constitui seu argumento. Na Figura 2.23(a) apresentado um exemplo ctcio de histograma de uma imagem, supondo uma distribuio inicial de pixels em cada nvel de cinza da escala considerada. A partir deste histograma e considerando as equaes apresentadas, tem-se nXm = 100 e g = 10. Na Tabela 1 apresentado um exemplo de aplicao do mtodo, considerando este histograma. O histograma resultante aps o processamento apresentado na Figura 2.23(b).
102
Figura 2.23. Exemplo de histograma de imagem ctcia com uma distribuio inicial de pixels Tabela 1. Exemplo de clculo para aplicao de equalizao
g 0 1 2 3 4 5 6 7 8 9
g 1 9 8 6 1 1 1 1 2 0
acumulado 1 10 18 24 25 26 27 28 30 30
q 0 2 5 7 7 8 8 8 9 9
Alguns resultados do processamento utilizando o mtodo descrito so apresentados na Figura 2.24. A redistribuio dos nveis de cinza aumentou, de fato, o contraste nas imagens das trs modalidades. Houve destaque nas bordas do antebrao do feto representado na imagem de US e de detalhes do crebro representado na imagem de RMN. Tambm na imagem de Raios-X torcica foi possvel perceber uma maior nitidez nas estruturas representadas.
103
L. S. Nunes
Figura 2.24. Exemplos da tcnica de equalizao: (a) imagem de US original esquerda e aps equalizao direita; (b) imagem de RMN; (c) imagem de RaiosX
104
d) Realce por Diferenciao
A maioria dos mtodos de diferenciao usados em processamento de imagens baseada na aplicao de gradientes devidamente adaptada para implementao no domnio espacial da imagem. Dada uma funo f(x,y), o gradiente de f nas coordenadas (x,y) denido pela equao 5.
f x G[ f ( x, y ) ] = f (5) y
onde:
G[f(x,y)] o vetor gradiente a ser obtido;
so as derivadas parciais nas direes x e y, respectivamente. Duas propriedades importantes do gradiente so: i. o vetor G[f(x,y)] aponta na direo do mximo da funo f(x,y); ii. a magnitude de G[f(x,y)] dada pela equao 6.
f f x e y
(6) Para uma imagem digital, a magnitude pode ser aproximada pelas diferenas, sendo que uma abordagem comumente utilizada dada pela equao 7. (7) Outra abordagem, ainda mais simples, a utilizao de valores absolutos, que produzem resultados similares, conforme mostrado na equao 8. (8) Portanto, aplicando-se a equao 8 em uma imagem, pode-se obter uma imagem nal com detalhes realados, como exemplicado na Figura 2.25. Como pode ser observado na imagem de Raios-X, as reas onde h maiores gradaes nos nveis de cinza so realadas, causando maior destaque nas fronteiras entre a estrutura de interesse e o fundo da imagem. O mesmo acontece nas na
105
L. S. Nunes
imagem de RMN, destacando-se aqui as duas bordas acentuadas no contorno do crebro que s podem ser observadas na imagem processada. Como pde ser observado durante as tcnicas apresentadas at este ponto, o processamento de baixo nvel tem a nalidade de realizar alteraes globais na imagem. Esta fase conhecida tambm como pr-processamento, pois prepara a imagem para as fases seguintes que visam identicao de estruturas de interesse e o relacionamento da estrutura detectada com uma base de conhecimento. Na prxima seo ser abordado o nvel mdio de processamento.
Figura 2.25. Exemplos de aplicao do realce por diferenciao: (a) imagem de Raio-X original esquerda e aps operao direita; (b) imagem de RMN
2.3.4. Processamento de Nvel Mdio - Segmentao

Essa fase de processamento tem o objetivo de identicar as formas signicativas de uma imagem a m de fornecer informaes para a sua interpretao. Em Gonzalez and Woods (2002) dene-se a segmentao como o processo que subdivide uma imagem em suas partes ou objetos constituintes. Para Ballard and Brown (1982), uma imagem segmentada, em viso computacional, resultante do agrupamento de partes de uma imagem generalizada em unidades homogneas considerando um ou mais aspectos. Esta seo tem o objetivo de fornecer uma viso geral sobre a segmentao de imagens, citando algumas tcnicas utilizadas para tal nalidade e apresentado seu efeito em imagens mdicas.
106
e) Limiarizao
Tambm conhecida como Thresholding, a limiarizao a tcnica que divide a imagem em duas ou mais partes considerando valores de limiares. Consiste, basicamente, em alterar os valores dos pixels de uma imagem deixando-a com uma quantidade menor de nveis com o objetivo de separar estruturas de interesse do fundo da imagem. Como vantagem, esta tcnica tem a simplicidade de implementao, como pode ser observado no algoritmo apresentado na Figura 2.28. O principal problema a denio do valor de limiar. Vrios estudos so desenvolvidos nesta rea, baseados principalmente na anlise do histograma da imagem. Pontos de mnimos e mximos do histograma freqentemente so usados como valores de limiar. Quanto um nico valor de limiar utilizado, a imagem resultante contm apenas dois nveis de cinza (zero e mximo da escala). Neste caso, a tcnica tambm conhecida como binarizao. A Figura 2.26 mostra um exemplo de limiarizao em uma imagem genrica, com diferentes valores de liminar e a Figura 2.27 apresenta resultados da aplicao da tcnica em imagens mdicas com 255 nveis de cinza.
Figura 2.26. Exemplos de limiarizao: (a) imagem original; (b) imagem binarizada com limiar = 128; (c) imagem binarizada com limiar = 100
107
L. S. Nunes
Figura 2.27. Exemplos de limiarizao (binarizao): (a) imagem de Raios-X original esquerda e binarizada (limiar = 80) direita; (b) imagem de RMN original esquerda e binarizada (limiar = 128) direita
108
Figura 2.28. Algoritmo para implementao da mediana da vizinhana
f) Deteco de pontos isolados
A deteco de pontos isolados em uma imagem til para remoo de rudos e anlise de partculas. Para uma imagem com um valor de fundo constante, essa deteco pode ser concretizada com o uso da mscara mostrada na Figura 2.29.
-1 -1 -1
-1 8 -1
-1 -1 -1
Figura 2.29. Mscara usada para deteco de pontos isolados em imagens com fundo constante A utilizao da mscara apresentada na Figura 2.29 auto-explicativa. Para cada locao do template calculado o valor da soma dos produtos dos pixels pelos coecientes dados. Considerando xi , i=1, ..., 9 como o valor de um pixel, com a numerao do ndice i partindo do canto superior esquerdo, o resultado aps a aplicao do template ser dado por: - x1 - x2 - x3 - x4 + 8x5 - x6 - x7 - x8 - x9. Em uma rea onde o nvel de cinza constante, o resultado ser igual a zero. Se a locao coincidir com x5 sendo um ponto isolado, com intensidade maior que o valor de fundo, o resultado ser maior que zero e, portanto, ser realado. Na literatura, esta tcnica tambm conhecida como ltro passa-alta. Exemplos de sua aplicao so mostrados na Figura 2.30.
109
L. S. Nunes
Figura 2.30. Exemplos de deteco de pontos. (a) imagem de RMN original esquerda e aps operao direita; (b) imagem de US
g) Deteco de linhas
De forma semelhante ao item anterior, podem ser utilizadas as mscaras demonstradas na Figura 2.31 para a deteco de linhas nas direes horizontal, 45o, vertical e -45o, respectivamente. O clculo do valor do pixel central realizado conforme j demonstrado. Imagens resultantes aps a aplicao de algumas dessas mscaras so apresentadas na Figura 2.32.
-1 -1 -1 2 2 2 -1 -1 -1
-1 -1 2 -1 2 -1 2 -1 -1
-1 2 -1 -1 2 -1 -1 2 -1
2 -1 -1 -1 2 -1 -1 -1 2
Figura 2.31. Mscaras utilizadas para a deteco de linhas
110
Figura 2.32. Exemplos de deteco de linhas. (a) imagem de Raio-X so apresentadas a imagem original, resultante da deteco de bordas horizontal e resultante da deteco de bordas vertical, respectivamente; (b) imagem de US
h) Deteco de bordas
Partindo da denio de borda como uma fronteira entre duas regies com nveis de cinza relativamente distintos, os algoritmos utilizados para a deteco de bordas so estruturados de forma a detectar as descontinuidades existentes nas transies. O operador gradiente um dos procedimentos utilizados para detectar essas descontinuidades. A idia bsica de segmentao atravs deste mtodo
111
L. S. Nunes
aplicar um processamento computacional baseado em um operador local de derivadas. Computacionalmente, consiste em obter derivadas parciais f/x para todos os pixels da imagem. Considerando-se uma vizinhana de 3x3 pixels em torno de um ponto (x,y), as equaes 9 e 10 denem o operador gradiente na direo x e y , respectivamente. Gx = (x7 + 2x8 + x9) - (x1 + 2x2 + x3) (9) Gy = (x3 + 2x6 + x9) - (x1 + 2x4 + x7) (10) onde: x5 o pixel sobre o qual est sendo aplicado o operador. demais xis so os pixels pertencentes vizinhana-de-8 de x5. Estes operadores so conhecidos como operadores de Sobel e, esquematicamente, podem ser representados pelas mscaras mostradas na Figura 2.33, onde tem-se, respectivamente: uma regio 3 x 3, a mscara utilizada para calcular Gx sobre o centro da regio e a mscara utilizada para calcular Gy sobre o centro da regio. Exemplos dos resultados obtidos com a aplicao desses operadores so apresentados na Figura 2.34.
x1 x4 x7
x2 x5 x8
x3 x6 x9
-1 0 1
-2 0 2
-1 0 1
-1 -2 -1
0 0 0
1 2 1
Figura 2.33. Regio e mscaras para deteco de bordas atravs de operadores gradiente Uma vez detectadas as bordas da imagem, podem ser realizados processamentos para complet-las, se necessrio, e interpret-las, separando as partes desejadas. Este mtodo tem a vantagem de apresentar simplicidade na aplicao, no envolvendo complexidades computacionais. Como desvantagem est o fato de no apresentar boa imunidade a rudos, pois a aplicao de templates inclui os rudos nos clculos, podendo aumentar efeitos como a suavizao da imagem, e a conseqente perda de denio de bordas.
112
Figura 2.34. Exemplos de deteco de bordas pelos operadores de Sobel. (a) imagem de US so apresentadas a imagem original, resultante da deteco de bordas horizontal e resultante da deteco de bordas vertical, respectivamente; (b) imagem de RMN
113
L. S. Nunes
i) Crescimento de Regio
Este mtodo consiste em agregar conjuntos de pixels em regies maiores. A aproximao de processamento mais simples a agregao de pixels, isto : escolhe-se um pixel ou um conjunto de pixels denominados sementes e faz-se o crescimento da regio atravs da agregao de pixels vizinhos s sementes que possuem propriedades similares (intensidade, cor, textura etc). O processo continua at se atingir uma condio pr-estabelecida de parada, como por exemplo, um determinado nvel de cinza ou uma distncia especca. A vantagem que a imagem no precisa ser homognea, pois as suas caractersticas so previamente analisadas e includas nos descritores de semelhana. As principais desvantagens so: diculdade na seleo dos pixels sementes (a aplicao deve ser conhecida); diculdade no estabelecimento das propriedades de semelhana (a aplicao e os tipos de dados da imagem devem ser conhecidos) e diculdade na determinao de condies de parada (depende da anlise da imagem). Devido aos motivos citados, a implementao do crescimento de regio deve ser cuidadosa no sentido de analisar criteriosamente a imagem e denir algoritmos que ofeream bom desempenho. A aplicao do algoritmo inicial, executando-se a agregao de pixels a partir de uma semente pode ser computacionalmente custosa. Por isso, abordagens alternativas so utilizadas em imagens mdicas. Na Figura 2.35 mostrado um exemplo de crescimento de regio que, em vez de agregar sementes, detecta a estrutura de interesse por meio da estruturao de raios a partir de um ponto inicial.
Figura 2.35. Exemplo de aplicao da tcnica de crescimento de regio. (a) imagem de Raios-X original; (b) imagem resultante do crescimento de regio
114
2.4. Exemplos de aplicaes

As denies e tcnicas apresentadas nas sees anteriores so clssicas e j muito bem estabelecidas na literatura. No entanto, seus efeitos na rea mdica ou em qualquer outra rea so limitados, visto que cada classe de imagens tem particularidades que devem ser consideradas no momento da denio das tcnicas de processamento com a nalidade de se atingir um determinado objetivo. Verica-se, ainda, que a maioria das tcnicas, quando no desenvolvidas exclusivamente para uma determinada nalidade, so adaptaes ou derivaes de tcnicas clssicas considerando as caractersticas das imagens. Os exemplos a seguir vm conrmar esta armao: em geral, necessria a aplicao de um conjunto de tcnicas para se atingir o objetivo almejado. Em cada exemplo, apresentada uma breve descrio do problema e das tcnicas de processamento utilizadas.
2.4.1. Deteco de agrupamentos de microcalcicaes em amogramas

A deteco precoce do cncer de mama vem sendo objeto de estudo bem explorado na rea de CAD, tendo os mamogramas (imagens radiolgicas da mama) como fonte de dados. No mamograma so procuradas estruturas que indicam a presena de anormalidades ou tumores. Entre esses elementos esto as microcalcicaes, depsitos de clcio de formatos e tamanhos variados, segundo Egan (1980). Devido ao tamanho reduzido dessas estruturas, a sua visualizao em mamogramas exige grande experincia do examinador e, mesmo assim, muitas vezes so passadas despercebidas, visto que o sistema de Raios-X pode apresentar vrias limitaes que prejudicam a nitidez da imagem. De grande interesse ainda so os clusters (aglomeraes) de microcalcicaes, pois so indicadores da necessidade de investigao mais aprofundada no local onde se encontram. Segundo informao do National Cancer Institute e do National Institute of Health, ambos dos Estados Unidos, aproximadamente metade dos cnceres detectados atravs de mamograa percebida inicialmente como uma aglomerao de microcalcicaes. Com o objetivo de segmentar microcalcicaes em mamogramas e identicar agrupamentos dessas estruturas, foi desenvolvido um procedimento que recorta regies de interesse de imagens mamogrcas e as processa separadamente. O esquema do processamento pode ser visualizado na Figura 2.36, onde a imagem resultante de uma fase utilizada como imagem de entrada para a etapa seguinte. Inicialmente executada uma tcnica para identicar de forma semiautomtica as regies de interesse em uma imagem mamogrca. Ento, um processo de segmentao composto de quatro passos (subtrao de imagens, limiarizao global, morfologia matemtica e limiarizao) responsvel por extrair das imagens somente as estruturas de interesse. Na morfologia mate115
L. S. Nunes
mtica, as imagens so analisadas em termos de forma e tamanho, utilizandose padres elementares denominados elementos estruturantes (Gonzalez e Woods, 2002). Cada elemento estruturante interage com cada entidade contida na imagem em estudo, modicando a sua forma, o seu tamanho e permitindo, assim, extrair algumas concluses desejadas. O elemento estruturante um conjunto completamente denido e conhecido (tamanho e forma). A linguagem para morfologia matemtica a teoria dos conjuntos, onde os conjuntos representam os formatos dos objetos em uma imagem. No caso deste processamento, o elemento estruturante foi denido para eliminar da imagem aqueles sinais que continham menos de trs pixels. Ao nal do procedimento, cada estrutura identicada transformada em um nico ponto para facilitar a contagem de objetos e, ento, identicar um agrupamento. As descries das tcnicas utilizadas podem ser encontradas em Nunes et al. (1997) e Nunes et al. (2001b). Exemplos de imagens processadas so apresentados na Figura 2.37.
Figura 2.36. Esquema utilizado para segmentao de microcalcicaes
116
Figura 2.37. Deteco de agrupamentos de microcalcicaes em mamogramas. (a) imagem original; (b) regio de interesse extrada da imagem original; (c) regio de interesse segmentada; (d) regio de interesse aps transformao rea-ponto e (e) regio de interesse aps identicao de clusters
117
L. S. Nunes
2.4.2. Realce de contraste em mamogramas

Como j foi comentado neste captulo, h vrias tcnicas clssicas para o realce de imagens. No entanto, aplicaes especcas exigem adaptaes, redimensionamentos ou, at mesmo, estabelecimento de tcnicas inditas. Na deteco precoce do cncer de mama, os sistemas CAD geralmente apresentam desempenho menor quando o conjunto de imagens utilizado proveniente de mamas densas, que apresentam baixo contraste entre as estruturas de interesse e o fundo da imagem. A maioria das mulheres jovens apresenta alta densidade nas mamas devida predominncia de tecidos broglandulares na sua composio. Por esse motivo, muitas vezes a descoberta do cncer de mama em mulheres com menos de 40 anos de idade acontece quando o tumor j apresenta um desenvolvimento avanado, o que diculta o tratamento da doena. Visando melhoria de deteces nesta classe de imagens foi proposto um conjunto de tcnicas inditas que possibilitam o aumento do contraste entre o fundo do mamograma e as estruturas de interesse, com nfase nos agrupamentos de microcalcicaes. As imagens mamogrcas so submetidas a um procedimento para eliminar o seu fundo, consistindo de trs passos: limiarizao global com base no histograma, deteco de bordas e eliminao das estruturas externas s bordas. Assim, somente a regio realmente pertencente mama permanece na imagem. Este processo necessrio para que seja possvel estimar a densidade da mama representada na imagem, utilizada no realce de contraste. Detalhes e consideraes a respeito deste procedimento so encontrados em Nunes et al. (2001a, 2001c). A Figura 2.38 mostra resultados deste processamento.
Figura 2.38. Exemplo de execuo do procedimento de eliminao do fundo do mamograma: (a) imagem mamogrca original; (b) imagem aps limiarizao e identicao da borda da mama; (c) imagem resultante nal, com a borda da mama delimitada e com a estrutura de fundo eliminada
118
Com o fundo do mamograma eliminado e as regies de interesse extradas da imagem, trs tcnicas de realce de contraste foram desenvolvidas: RTH (Realce a partir de transformaes no histograma), RCA (Realce a partir dos coecientes de atenuao) e RCC (Realce atravs da adequao da curva caracterstica do lme radiogrco). A tcnica RTH consiste em realizar uma classicao tima dos nveis de cinza a m de dividi-los em classes e, na seqncia, realizar uma transformao paramtrica local em cada classe. O realce realizado por uma funo monotnica que conserva o mesmo relacionamento entre os nveis de cinza originais, preservando, desta forma, a aparncia da imagem. A transformao permite a diviso dos nveis de cinza em um determinado nmero de classes que representam regies homogneas. O objetivo do mtodo realar o contraste global e aumentar a homogeneidade dentro das regies da imagem. Um exemplo de resultado obtido pode ser visto na Figura 2.39. Detalhes de implementao esto disponveis em Nunes et al. (2001a, 2001c).
Figura 2.39. Exemplo de execuo da tcnica RTH. (a) imagem original; (b) imagem resultante aps a aplicao da tcnica Como j citado, os Raios-X sofrem atenuaes ao interagirem com a matria. O nvel dessa atenuao depende essencialmente da composio, densidade e espessura do objeto cuja imagem est sendo adquirida. O coeciente de atenuao linear () o parmetro que resume esse fenmeno e exerce inuncia sobre a intensidade de radiao resultante aps a absoro. Em uma imagem mamogrca h fundamentalmente trs tipos de tecidos que podem colaborar com a atenuao do feixe de Raios-X: gordura, tecido broglandular e tecido associado a leses. A tcnica RCA utiliza esses conceitos para aumentar o contraste entre as possveis microcalcicaes existentes na imagem mamogrca e os demais tecidos que compem o restante da imagem. Explicaes mais detalhadas so fornecidas em Nunes et al. (2001a, 2001c). Um exemplo do resultado fornecido apresentado na Figura 2.40.
119
L. S. Nunes
Figura 2.40. Exemplo de execuo da tcnica RCA. (a) regio de interesse original extrada de mama densa; (b) imagem resultante aps a aplicao da tcnica A curva caracterstica do lme radiogrco fornece a relao entre a exposio do lme e a densidade ptica nele obtida. Nessa curva, h duas regies crticas: a regio denominada base e a regio denominada patamar, que se localizam, respectivamente, no incio e no nal da curva. Nessas regies h uma reduo do contraste porque uma faixa de exposio pode corresponder a um nico nvel de densidade ptica. A proposta do procedimento RCC realizar uma transformao na imagem que consiste em tornar linear a regio nal do histograma que corresponde regio da curva caracterstica denominada base, que, por sua vez, se refere rea com baixas densidades pticas e, conseqentemente, s reas mais claras da imagem. Esse procedimento tem efeito muito til quando as estruturas de interesse esto localizadas em reas densas da mama, cujas imagens so claras e apresentam baixo contraste. Um exemplo de sua aplicao apresentado na Figura 2.41.
Figura 2.41. Exemplo de execuo da tcnica RCC. (a) imagem original; (b) imagem resultante aps a aplicao da tcnica
120
2.4.3. Deteco de assimetrias em imagens mamogrcas

A assimetria a comparao bilateral entre regies das mamas direita e esquerda da mesma projeo. A identicao de assimetria estrutural um fator importante para deteco precoce do cncer de mama porque uma desigualdade signicativa entre as mamas pode indicar o desenvolvimento de alguma anomalia. Para medir a assimetria entre mamas foi desenvolvido um procedimento que indica a porcentagem de assimetria global e as reas particulares onde existe diferena entre as tonalidades de cinza. A nalidade utilizar os recursos oferecidos pelas tcnicas de processamento a m de fornecer informaes adicionais pra composio de diagnstico aos prossionais da rea (mastologistas e radiologistas). Para vericar a assimetria global, inicialmente a imagem mamogrca segmentada a m de que rudos e estruturas dispensveis sejam removidos. Em seguida, realizado um deslocamento das imagens esquerda e direita com a nalidade de alinh-las. Ento, realizada uma comparao entre as imagens, indicando-se os locais onde uma mama maior que a outra. Exemplos do procedimento executado podem ser vericados na Figura 2.42(a). Para obteno das assimetrias locais realizada uma comparao ponto a ponto na imagem, considerando-se um tamanho de template pr-denido pelo usurio. As mdias de cinza de cada rea particular so calculadas para as localizaes do template em ambas as imagens. A diferena entre as mdias obtidas medida em porcentagem e representada na imagem resultante com cores diferentes, conforme pode ser observado na Figura 2.42(b). Esse processamento pode indicar ao mdico a existncia de uma diferena entre as mamas, podendo estar relacionada ao incio do desenvolvimento de um tumor. Informaes mais detalhadas de implementao so encontradas em Silva et al. (2004).
121
L. S. Nunes
Figura 2.42. Exemplo de medio de assimetrias em mamogramas: (a) assimetria global; (b) assimetrias locais
2.4.4. Segmentao de imagens fetais em ultra-som obsttrico

Visando construo de um sistema de representao tridimensional de fetos a partir de medidas extradas de imagens bidimensionais de ultra-som, foi desenvolvido um procedimento (Luz et al., 2004) para segmentar imagens de ultra-som e extrair medidas das estruturas de interesse. A segmentao consistiu em trs passos: equalizao do histograma, limiarizao global e crescimento de regio modicado. A Figura 2.43 mostra resultados dos procedimentos implementados.
122
Figura 2.43. Segmentao de imagens de ultra-som obsttrico: (a) imagem original e aps equalizao; (b) imagem equalizada aps limiarizao e (c) imagem aps crescimento de regio
2.5. Concluses
Este captulo apresentou os conceitos bsicos sobre a formao de imagens digitais, dando nfase s imagens mdicas e focalizando a implementao de sistemas de auxlio ao diagnstico, que tm as imagens mdicas como principal fonte de dados. Apesar de ser objeto de pesquisa de vrios grupos no Brasil e no mundo, vrios desaos ainda precisam ser vencidos. O primeiro desao a ser considerado na construo de tais sistemas obter uma alta taxa de acerto de casos verdadeiros-positivos, isto , indicar a presena de uma doena quando ela realmente existe, com uma baixa taxa de casos falsos-positivos (quando o sistema indica a existncia de uma doena, sem esta de fato existir). Por meio dos exemplos e aplicaes apresentados possvel vericar que no h tcnicas que funcionem adequadamente para todo tipo de imagem mdica e todo tipo de diagnstico. Assim, para se obter um bom desempenho em relao aos acertos, necessrio conhecer profundamente o problema a ser detectado e a imagem mdica que ser utilizada para o diagnstico, considerando seu processo de formao, que exerce inuncia nas suas caractersticas. Tcnicas de inteligncia articial e mtodos estatsticos de classicao tm sido investigados para esta nalidade.
123
L. S. Nunes
Outra questo que merece destaque a utilizao de recursos computacionais que proporcionem alto desempenho, uma vez que as imagens mdicas apresentam grande volume de dados para processamento e este processamento envolve, geralmente, milhares de operaes em tempo real. Por esses e outros motivos, apesar de resultados promissrios estarem sendo obtidos, ainda no foi divulgada a aplicao de sistemas de auxlio ao diagnstico brasileiros em nvel clnico. A aplicao de tcnicas de computao paralela uma linha de pesquisa que pode ser promissora no sentido de auxiliar na minimizao desta questo. Tambm importante destacar a necessidade de desenvolver sistemas nesta rea que sejam multi-modalidade, pois informaes provenientes de diversas modalidades podem ser complementares para construir um diagnstico acertado. Neste sentido, possvel utilizar o armazenamento dessas informaes em bancos de dados adequados a m que de que o auxlio ao diagnstico seja mais efetivo. Finalmente, uma linha que merece ser citada a grande diculdade de avaliao desses sistemas, pois o desempenho de um sistema CAD pode variar em funo das caractersticas das imagens utilizadas no processamento. Em todas as fases do processo de aquisio e processamento da imagem, h fatores e parmetros que podem inuenciar nos resultados. difcil estabelecer uma forma de padronizao para avaliar esses esquemas por vrios motivos: (1) cada um deles trabalha com imagens provenientes de lugares distintos e, conseqentemente, com caractersticas distintas; (2) como conseqncia, no h padronizao nas caractersticas relacionadas ao processo de aquisio ou ao de digitalizao; (3) via-de-regra, os esquemas CAD so desenvolvidos para processarem um ou alguns determinados formatos de imagem; a converso para outros formatos pode tambm implicar alterao das caractersticas das imagens; (4) as caractersticas de software e hardware dos esquemas CAD tambm variam, fazendo com que um sistema desenvolvido, por exemplo, para funcionar em estaes grcas, dicilmente possa ser executado em computadores pessoais; isto exigiria um esforo de converso que poderia levar, inclusive, a incompatibilidades em termos de implementao. Para minimizar esta questo, algumas sugestes so a disponibilizao de bases de imagens pblicas, com informaes detalhadas e cujo formato de armazenamento pudesse ser facilmente convertido para qualquer formato necessrio; o estabelecimento de critrios de avaliao, como as curvas ROC sugeridas por Nishikawa et al. (1994) e, ainda, a utilizao de tcnicas e ferramentas de testes provenientes da Engenharia de Software que permitem avaliao criteriosa, estrutural ou funcionalmente. Finalmente, interessante lembrar que a construo desses sistemas exige equipes multidisciplinares. Ao prossional da Computao cabe a utilizao do seu conhecimento para o estabelecimento de algoritmos ecazes que possam fornecem, no menor tempo possvel, um desempenho satisfatrio em termos de acerto, a m de contribuir, de fato, para o auxlio ao diagnstico.
124
Referncias
[Arcuri et al. 2001] - Arcuri, S. M. and McGuire, P. K. (2001) Ressonncia magntica funcional e sua contribuio para o estudo da cognio em esquizofrenia, Rev. Bras. Psiquiatr., May 2001, v. 23 suppl.1, p.38-41. [Arimura et al. 2004] - Arimura, H., Katsuragawa, S., Suzuki, K., Li, F., Shiraishi, J. and Doi, K. (2004) Computerized scheme for automated detection of lung nodules in lowdose CT images for lung cancer screening, Acad Radiol, v.11, p. 617-629. [Ballard e Brown 1982] - Ballard, D.H. and Brown, C.M. (1982) Computer Vision, Englewood Cliffs, New Jersey, Prentice-Hall Inc. [Bega et al. 2001]Bega, G., Lev-Toaff, A., Kuhlman, K., Kurtz, A., Goldberg, B. and Wapner, R. (2001) Three-dimensional ultrasonographic imaging in obstetrics, J Ultrasound Med., Canad., v. 20, p. 391-408. [Bronson 2002] - Bronson, J. G. (2002) Ultrasound in Womens Health: The View in 2002, Medical Imaging. , http://www.medicalimagingmag.com, Maro 2003. [Chan et al. 1987] - Chan,H-P., Doi, K., Galhotra, S., Vyborny, C.J., MacMahon, H. and Jokich, P.M. (1987) Image feature analysis and computer-aided diagnosis in digital radiography. I. Automated detection of microcalcications in mammography., Medical Physics, v. 14, n. 4, p.538-548. [Chan et al. 1990] - Chan,H-P., Doi, K., Vyborny, C.J., Schmidt,R.A., Metz, C.E., Lan, K.L., Ogura,T., Wu,Y. and MacMahon, H. (1990) Improvement in radiologists detection of clustered microcalcication on mammograms: the potential of computer-aided diagnosis, Investigative Radiology, v. 25, p. 1102-1110. [Curry et al. 1990] - Curry III, T. S., Dowdey, J. E. and Murry Jr., R.C (1990) Christensens Physics of Diagnostic Radiology, 4. ed., Philadelphia, Lea & Febiger. [Dainty 1976] - Dainty, J.C. and Shaw, R. (1976) Image Science, 3ed., New York, Academic Press. [Dhawan e Royer 1988] - Dhawan, A.P. and Royer, E. L. (1988) Mammographic feature enhancement by computerized image processing, Computer Methods and Programs in Biomedicine, v.27, p.23-35. [Doi 1991] - Doi, K. (1991) Computer-aided diagnosis: present and future. A new horizon on medical physics and biomedical engineering., H. Abe, K. Atsumi, T. Iiuma, M. Saito, M. Inoue, eds. Elsevier Science Publishers B.V., p. 59-66. [Doi, et al. 1997] - Doi, K., Giger, M. L., Nishikawa, R. M. and Schmidt, R.A (1997) Computer-aided diagnosis of breast cancer on mammograms, Breast Cancer, v.4, n.3, p.228-233. [Egan et al. 1980] - Egan, R.L., McSweeney, M. B. and Sewell, C.W (1980) Intramammary calcications without an associated mass in benign and malignant diseases, Radiology, v.137, n.1, p.17. [Ellis et al. 1993] - Ellis, I. O., Galea, M. H. and Locker, A. (1993) Early experience in breast cancer screening: emphasis on development of protocols for triple assessment, The Breast, v. 2, p. 148-153. [Giger 2000] - Giger, M.L. (2000) Computer-aided diagnosis of breast lesions in medical images, Computing in Science & Engineering, v. 2, n. 5, p. 39-45. [Giger e MacMahon 1996] - Giger, M.L. and MacMahon, H. (1996) Image processing and computer-aided diagnosis, Radiologic Clinics of North America, v.34, n.3, p. 565-595. [Gonzalez, e Woods 2002] - Gonzalez, R.C. and Woods, R. E. (2002) Digital Image Processing, Addison-Wesley Publishing Company, Massachusetts, 2a. Edio. [Ishida et al. 1983] - Ishida, M., Frank, P.H., Doi, K. and Lehr, J.L. (1983) High quality digital radiographic images: improved detection of low-contrast objects and preliminary clinical studies, Radiographics, v.3, n.2, p.325-338.
125
L. S. Nunes
[ackson et al. 1993] - Jackson, V. P, Jachson, , V. P., Hendrick, E., Feig, S. A. and Kopans, D.B. (1993) Imaging of the radiographically dense breast, Radiology, v.188, p.297301. [Low 1991] - Low, A. (1991) Introductory Computer Vision and Image Processing, McGraw-Hill Book Company, London. [Luiten 1981] - Luiten, A. L. (1981) Introduction to nuclear magnetic resonance, Medicamundi, v. 26, p. 82-85. [Luz et al. 2004] - Luz, R. W., Hermosilla, L. G., Nunes, F. L. S., Delamaro, M. E., Sementille, A. C., Brega, J. R. F. and Rodello, I. A. (2004) Aplicao de tcnicas de realidade virtual para representao de fetos a partir de imagens bidimensionais de ultra-som. In: IV Workshop de Informtica Mdica, Braslia. Anais do IV Workshop de Informtica Mdica. [Maintz et al. 1998] - Maintz, J. B. A. and Viergever, M. A. (1998) A survey of medical image registration, Medical Image Analysis, v. 2, n. 1, p.1-36. [Nappi et al. 2004] - Nappi, J. J., Frimmel, H., Dachman, A. H. and Yoshida, H. (2004) Computerized detection of colorectal masses in CT colonography based on fuzzy merging and wall-thickening analysis, Med Phys, v.31, p.860-872. [Nunes 2001] - Nunes, F. L. S. (2001) Investigaes em processamento de imagens mamogrcas para auxlio ao diagnstico de mamas densas, So Carlos, 2001, 208p, Tese (doutorado). [Nunes 1997] - Nunes, F.L.S. (1997) Esquema de diagnstico auxiliado por computador para deteco de agrupamentos de microcalcicaes por processamento de imagens mamogrcas, So Carlos, 1997, 198p. Dissertao (Mestrado). [Nunes 2001b] - Nunes, F.L.S. and Schiabel, H. (2001b) Deteco de agrupamentos de microcalcicaes mamrias atravs de processamento de imagens mamogrcas com deteco semi-automtica de regies de interesse, Revista Brasileira de Engenharia Biomdica, v. 16, n. 13, p. 109-121. [Nunes 2001a] - Nunes, F.L.S., Schiabel, H., Escarpinati, M.C. and Benatti, R. (2001a) Comparisons of different contrast resolutions effects on a computer-aided detection system intended to clustered microcalcications detection in dense breasts images, Journal of Digital Imaging, v. 14, n.2, suppl. 1, p. 217-219. [Petrick et al. 1996] - Petrick, N., Chan, H-P., Sahiner, B. and Wei, D. (1996) An adaptive density-weighted contrast enhancement lter for mammographic breast mass detection, IEEE Transactions on Medical Imaging, v.15, n.1, p.59-67. [Russ 1992] - Russ, J.C. (1992), The Image Processing Handbook, CRC Press. [Santos 2004] - Santos, R. (2004) Java Advanced Imaging: A Tutorial, Revista de Informtica Terica e Aplicada, v. 11, p.93-123. [Scaff 1979] - Scaff, L. A. M. (1979) Bases Fsicas da Radiologia Diagnstico e terapia, So Paulo, Sarvier S/A Editora. [Schiabel et al. 1994] - Schiabel, H., Ventura, A. and Frre, A.F. (1994) Formal study of lateral magnication and its effect on mammographic image sharpness, Medical Physics, v.21, n. 2, p.271-276. [Silva et al. 2004] - Silva, K. C., Schiabel, H. and Nunes, F. L. S. (2004) Image processing techniques for asymmetry detection in mammographic images. In: Proceedings of The 21st Meeting of The Society for Computer Applications in Radiology, Vancouver, v. 1. [Wilks 1987] - Wilks, R.J. (1987) Principles of Radiological Physics, New York, Churchill Livingstone.
126

Capitulo2 2006

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Capitulo2 2006

Enviado por

Direitos autorais:

Formatos disponíveis

Captulo 2 Introduo ao Processamento de Imagens Mdicas para Auxlio ao Diagnstico Uma Viso Prtica

Introduo ao Processamento de Imagens Mdicas

2.2. Modalidades de Imagens Mdicas

Introduo ao Processamento de Imagens Mdicas

Introduo ao Processamento de Imagens Mdicas

2.2.4. Ressonncia Magntica Nuclear

2.2.5. Tomograa Computadorizada

Introduo ao Processamento de Imagens Mdicas

2.2.6. Consideraes para o processamento de imagens

2.3. Processamento de imagens mdicas 2.3.2. Denies bsicas

f (0,0) f (1,0) . f ( x, y ) = . . f (m 1,0)

Introduo ao Processamento de Imagens Mdicas

d) Distncia entre pixels

Introduo ao Processamento de Imagens Mdicas

Distncia City Block (ou de Manhattan):

2.3.3. Processamento de Baixo Nvel

2.3.2.1. Manipulao do Histograma da Imagem

Figura 2.2. Exemplo de histograma de uma imagem

a) Alteraes globais no brilho

Introduo ao Processamento de Imagens Mdicas

Introduo ao Processamento de Imagens Mdicas

Figura 2.6. Algoritmo para implementao de quantizao do histograma

Figura 2.8. Algoritmo para implementao de splitting do histograma

Introduo ao Processamento de Imagens Mdicas

Figura 2.11. Algoritmo genrico para aplicao de templates

2.3.2.2. Suavizao de imagens

Introduo ao Processamento de Imagens Mdicas

Introduo ao Processamento de Imagens Mdicas

Introduo ao Processamento de Imagens Mdicas

Na Figura 2.18 apresentado um algoritmo genrico para implementao da tcnica.

Figura 2.18. Algoritmo para implementao da mediana da vizinhana

h) Mdia de Mltiplas Imagens

Introduo ao Processamento de Imagens Mdicas

Figura 2.20. Algoritmo para implementao da mdia de mltiplas imagens

2.3.2.3. Realce de imagens

Introduo ao Processamento de Imagens Mdicas

Introduo ao Processamento de Imagens Mdicas

Introduo ao Processamento de Imagens Mdicas

d) Realce por Diferenciao

G[f(x,y)] o vetor gradiente a ser obtido;

2.3.4. Processamento de Nvel Mdio - Segmentao

Introduo ao Processamento de Imagens Mdicas

Introduo ao Processamento de Imagens Mdicas

Figura 2.28. Algoritmo para implementao da mediana da vizinhana

f) Deteco de pontos isolados

Figura 2.31. Mscaras utilizadas para a deteco de linhas

Introduo ao Processamento de Imagens Mdicas

Introduo ao Processamento de Imagens Mdicas

Introduo ao Processamento de Imagens Mdicas

2.4. Exemplos de aplicaes

2.4.1. Deteco de agrupamentos de microcalcicaes em amogramas

Figura 2.36. Esquema utilizado para segmentao de microcalcicaes

Introduo ao Processamento de Imagens Mdicas

2.4.2. Realce de contraste em mamogramas

Introduo ao Processamento de Imagens Mdicas

Introduo ao Processamento de Imagens Mdicas

2.4.3. Deteco de assimetrias em imagens mamogrcas

2.4.4. Segmentao de imagens fetais em ultra-som obsttrico

Introduo ao Processamento de Imagens Mdicas

Introduo ao Processamento de Imagens Mdicas

Você também pode gostar