Artigo de Reviso

Azevedo-Marques PM

DIAGNSTICO AUXILIADO POR COMPUTADOR NA RADIOLOGIA*

Paulo Mazzoncini de Azevedo-Marques 1 Resumo
Vrios desenvolvimentos tecnolgicos esto convergindo de forma a aumentar a influncia da rea de imagens nas pesquisas biomdicas e na medicina clnica. Muitos pesquisadores tm trabalhado no desenvolvimento de sistemas computadorizados para deteco automatizada e quantificao de anormalidades em imagens radiolgicas. Estes sistemas so dedicados ao diagnstico auxiliado por computador. Este artigo discute os conceitos bsicos relacionados ao diagnstico auxiliado por computador e apresenta uma reviso bibliogrfica sobre o assunto. Unitermos: Diagnstico auxiliado por computador. Radiografia digital. Processamento de imagem. Viso computacional. Inteligncia artificial.

Abstract

Computer-aided diagnosis in radiology. Several technological developments are contributing to increase the use of imaging techniques in biomedical research and clinical medicine. Many investigators have attempted to develop computerized routines for automated detection and quantitative analysis of abnormalities in radiological images. These routines have been referred to as computer-aided diagnosis. In this paper we discuss the basic concepts of computer-aided diagnosis and review the literature. Key words: Computer-aided diagnosis. Digital radiography. Image processing. Computer vision. Artificial intelligence.

INTRODUO Diagnstico auxiliado por computador (computer-aided diagnosis CAD) pode ser definido como um diagnstico feito por um radiologista que utiliza o resultado de anlises quantitativas automatizadas de imagens radiogrficas como uma segunda opinio para a tomada de decises diagnsticas(1,2). importante ressaltar que o computador utilizado somente como uma ferramenta para obteno de informao adicional, sendo o diagnstico final sempre feito pelo radiologista, o que diferencia claramente o conceito bsico de diagnstico auxiliado por computador do conceito de diagnstico automatizado, que foi um conceito proposto e estudado nas dcadas de 60 e 70(1). A finalidade do CAD melhorar a acurcia do diagnstico, assim como a consistncia da interpretao da imagem radiolgica, mediante o uso da resposta
* Trabalho realizado no Servio de Radiodiagnstico do Hospital das Clnicas da Faculdade de Medicina de Ribeiro Preto da Universidade de So Paulo (FMRP-USP), Ribeiro Preto, SP Apoio financeiro da Fapesp. . 1. Engenheiro Eletrnico, Doutor em Fsica Aplicada, Docente do Centro de Cincias das Imagens e Fsica Mdica do Departamento de Clnica Mdica da FMRP-USP . Endereo para correspondncia: Prof. Dr. Paulo M. de Azevedo Marques. Rua Cear, 3005, apto. 22. Ribeiro Preto, SP 14090-300. E-mail: pmarques@fmrp.usp.br , Aceito para publicao em 19/6/2001.

do computador como referncia. A resposta do computador pode ser til, uma vez que o diagnstico do radiologista baseado em avaliao subjetiva, estando sujeito a variaes intra e interpessoais, bem como perda de informao devido natureza sutil do achado radiolgico, baixa qualidade da imagem, sobreposio de estruturas, fadiga visual ou distrao. Alm disso, foi demonstrado que uma dupla leitura (por dois radiologistas) pode aumentar a sensibilidade do diagnstico(3). A proposta do CAD funcionar como um segundo especialista. Basicamente, existem dois tipos de aplicaes de sistemas CAD. Um o auxlio deteco de leses, a partir da localizao de padres anormais atravs da varredura da imagem pelo computador (por exemplo, agrupamentos de microcalcificaes em imagens mamogrficas ou ndulos pulmonares em imagens de trax). O outro o auxlio ao diagnstico, atravs da quantificao de caractersticas da imagem e sua classificao como correspondendo a padres normais ou anormais (por exemplo, a associao da quantidade e forma das microcalcificaes presentes em um agrupamento com a malignidade ou no do tumor, ou a associao da textura dos pulmes com leses intersticiais em imagens de trax). Em geral, os sistemas CAD utilizam-se

de tcnicas provenientes de duas reas do conhecimento: viso computacional, que envolve o processamento de imagem para realce, segmentao e extrao de atributos, e inteligncia artificial, que inclui mtodos para seleo de atributos e reconhecimento de padres(4). Por ter base conceitual genrica e ampla, a idia do CAD pode ser aplicada a todas as modalidades de obteno de imagem, incluindo radiografia convencional, tomografia computadorizada, ressonncia magntica, ultra-sonografia e medicina nuclear. Pode-se, tambm, desenvolver esquemas de CAD para todos os tipos de exame de todas as partes do corpo, como crnio, trax, abdome, osso e sistema vascular, entre outros. Porm, os principais objetos de pesquisa para o desenvolvimento de sistemas CAD tm sido as reas de mamografia, para a deteco precoce do cncer de mama; trax, para a deteco de ndulos pulmonares, leses intersticiais e pneumotrax; e angiografia, para a anlise quantitativa de estenoses e de fluxo sanguneo(1). VISO COMPUTACIONAL E INTELIGNCIA ARTIFICIAL Viso computacional envolve a utilizao de um computador para extrao de atributos de uma imagem em formato

Radiol Bras 2001;34(5):285293

285

Diagnstico auxiliado por computador na radiologia

digital. De modo geral, os conceitos de viso computacional utilizados em sistemas CAD podem ser divididos em duas etapas principais. A primeira o processamento da imagem para realce e segmentao das leses. A segmentao o processo que subdivide a imagem em suas partes ou objetos constituintes e utiliza as propriedades bsicas de descontinuidade dos nveis de cinza para segmentao atravs de bordas, fronteiras e linhas, ou de similaridade destes para separao de regies que apresentem determinada caracterstica em comum(4). Como resultado da segmentao, obtm-se um conjunto de objetos que permitir uma descrio da imagem digitalizada por meio da quantificao de determinadas propriedades. Vrias tcnicas de processamento de imagens tm sido utilizadas para diferentes tipos de leses. Algumas das tcnicas mais empregadas incluem filtragem baseada na anlise de Fourier, transformada wavelet, filtragem morfolgica e tcnicas de imagem-diferena, entre outras. A Figura 1 apresenta um exemplo de realce de microcalcificaes mamogrficas utilizando a transformada wavelet(5), e a Figura 2 mostra a segmentao de uma regio de interesse de uma mamografia digitalizada contendo um agrupamento de microcalcificaes suspeitas(6). O mtodo de segmentao exemplificado composto pela combinao de um mtodo de stretching, uma tcnica de imagem-diferena e um mtodo de thresholding local adaptativo. O mtodo de stretching, ou linearizao do histograma, um mtodo simples mas muito utilizado em processamento de imagens e tem por objetivo aumentar o contraste da imagem. Este mtodo pode ser aplicado imagem antes da etapa de segmentao e extrao de atributos, para aumentar o contraste e normalizar os nveis de cinza entre os limites mximo e mnimo da escala de tons de cinza. A tcnica imagem-diferena geralmente utilizada para o realce de microcalcificaes e ndulos mediante supresso das estruturas de fundo da imagem, causadas pela anatomia normal da mama. Este procedimento realizado por dois filtros espaciais gerando uma imagem

Figura 1. Realce de microcalcificaes atravs da aplicao da transformada wavelet.

(B) (A) (C) (D) Figura 2. Exemplo de segmentao de imagem. A: Regio de interesse contendo um agrupamento suspeito de microcalcificaes. B: Imagem aps stretch. C: Imagem-diferena. D: Imagem segmentada.

com as microcalcificaes realadas e outra com as microcalcificaes suprimidas. Nesta ltima permanecem apenas as estruturas de fundo do mamograma, uma vez que os sinais so suprimidos. Subtraindo as duas imagens, tem-se uma terceira imagem em que as altas variaes de densidade de fundo so removidas. A tcnica de thresholding local adaptativo baseada em estatsticas locais (mdia e desvio padro) dos valores de cinza dos pixels contidos em uma regio quadrada de m m pixels, tendo por finalidade a binarizao da imagem. Para cada regio da imagem calculado o valor do limiar (threshold), sendo o valor do seu pixel central ajustado para o nvel de cinza mximo (255) ou mnimo (0), dependendo se o seu valor inicial , respectivamente, maior ou menor

do que o valor calculado. No exemplo da Figura 2 o tamanho da regio foi fixado em 7 7 pixels aps um ensaio com diferentes tamanhos de mscaras. Aps a binarizao, a imagem varrida para a separao das microcalcificaes, que so os objetos constituintes da imagem. Aps o realce e a segmentao, a etapa seguinte do processamento envolve a quantificao de atributos da imagem, como tamanho, contraste e forma dos seus objetos constituintes. Dependendo da sua natureza, estes atributos podem ou no ser compatveis com a viso humana. possvel a definio de um grande nmero de atributos baseados em frmulas matemticas que podem no ser facilmente compreendidos por um observador humano. Porm, geralmente mais til definir, particularmente nos estdios
Radiol Bras 2001;34(5):285293

286

Azevedo-Marques PM

iniciais de desenvolvimento de sistemas CAD, atributos de imagem que j tenham sido anteriormente reconhecidos e descritos subjetivamente pelos radiologistas, uma vez que estes so baseados na observao de um nmero muito grande de casos e possibilitam diagnsticos com alta acurcia e confiabilidade(1). De modo geral, os atributos so quantificados a partir de propriedades mtricas, topolgicas e de textura dos objetos. Conceitualmente, propriedades mtricas utilizam generalizaes da noo de distncia euclidiana, sendo pois sensveis a qualquer distoro elstica do plano imagem(4). As propriedades mtricas mais diretas que podem ser utilizadas na descrio de formas so a rea, o permetro, a razo de delgadeza e a razo de aspecto. A razo de delgadeza uma relao entre a rea da figura e o permetro ao quadrado e fornece uma noo de quanto a figura arredondada (gorda) ou alongada (magra). Figuras mais arredondadas tero razo de delgadeza prxima de 1 (1 o valor mximo e ser obtido quando a figura for um crculo), e figuras com formas prximas a linhas tero razo de delgadeza prxima de zero. Alm disso, a razo de delgadeza adimensional, dependendo somente da forma da figura e no da escala. A razo de aspecto tambm uma medida do alongamento de uma figura. A razo de aspecto de um retngulo a razo do seu comprimento por sua largura, de modo que uma razo de aspecto prxima de 1 indica um retngulo gordo. Para estender este conceito a figuras arbitrrias, devese envolver a figura em um retngulo e considerar que a razo de aspecto da figura ser a mesma que a do retngulo que a envolve. Pode-se notar que muitos resultados so possveis, dependendo das vrias maneiras que se coloca o retngulo ao redor da figura. A definio mais simples especifica que os lados do retngulo devem ser paralelos aos eixos coordenados do plano da imagem. Outra maneira possvel de se caracterizar um subconjunto de uma imagem especificar algumas de suas propriedades topolgicas. Uma propriedade topolgica uma propriedade invariante (insensvel) s distores elsticas do
Radiol Bras 2001;34(5):285293

plano imagem, ou seja, uma propriedade que no ser modificada por deformaes do tipo alongamento ou contrao do plano imagem. So propriedades que no envolvem noes de distncia e nem propriedades que dependam dessas noes. As propriedades topolgicas geralmente utilizadas so o nmero de elementos conectados e o nmero de buracos existentes na figura. Pode-se utilizar tambm combinaes dessas propriedades, como, por exemplo, o nmero de Euler (definido como o nmero de elementos conectados menos o nmero de buracos). De modo geral, as propriedades topolgicas so utilizadas como auxlio para outras formas de descrio. Normalmente, um problema para o qual uma descrio topolgica sozinha seja suficiente bastante raro(4). Uma definio genrica de textura poderia ser a disposio ou caractersticas dos elementos constituintes de alguma coisa, especialmente no que se refere aparncia superficial ou qualidade tctil. Porm, no caso de imagens, uma definio mais adequada poderia ser uma caracterstica representativa da distribuio espacial dos nveis de cinza dos pixels de uma regio(7). Ou seja, um atributo de textura um valor, calculado a partir da imagem de um objeto, que quantifica algumas caractersticas da variao dos nveis de cinza desse objeto. Normalmente, um atributo de textura independente da posio, orientao, tamanho, forma e brilho do objeto. Estatisticamente, os atributos de textura de uma imagem podem ser obtidos a partir de clculos efetuados sobre os valores do seu histograma de segunda ordem. O histograma de segunda ordem p(i,j), tambm chamado de matriz de dependncia espacial de nvel de cinza ou matriz de co-ocorrncia, uma representao da distribuio de probabilidade de ocorrncia de um par de valores semelhantes de nvel de cinza, separados por uma distncia d, na orientao . Em outras palavras, p(i,j) indica a freqncia de ocorrncia de um particular par de nvel de cinza i e j, medido a partir de uma distncia d e de um ngulo . As estatsticas do histograma de segunda ordem, como, por exemplo, entropia, inr-

cia e energia, correlacionam-se muito bem com as estruturas da imagem e tm sido largamente utilizadas na literatura para a anlise de caractersticas como homogeneidade, contraste, presena de estruturas organizadas, transio de nvel de cinza e complexidade da imagem(8). Aps a extrao de informao, os atributos quantificados so utilizados no processo de classificao das estruturas presentes na imagem. Inteligncia artificial envolve o uso do computador para o processamento de dados, visando distino entre padres normais e anormais, a partir dos atributos extrados das imagens. As tcnicas relacionadas a essa rea do conhecimento incluem mtodos para a seleo de atributos, como os baseados na separabilidade entre as distribuies de probabilidades das classes e algoritmos genticos, e classificadores, como os baseados em tcnicas de anlise discriminante, sistemas especialistas baseados em regras especficas, mtodos estatsticos e redes neurais artificiais(2,4,9). A Figura 3 apresenta um esquema de uma rede neural artificial multicamadas do tipo feedforward. AUXLIO DETECO A deteco automatizada de leses envolve a localizao pelo computador de regies contendo padres radiolgicos suspeitos, porm com a classificao da leso sendo feita exclusivamente pelo radiologista. Sistemas para auxlio deteco tm sido desenvolvidos principalmente para imagens de trax e de mama. Segundo a literatura especializada, de 30% a 50% dos casos de cncer de mama detectados por meio de mamografia apresentam agrupamentos de microcalcificaes associados(2). Alm disso, estudos demonstraram que 26% dos casos de cncer no-palpvel de mama apresentam ndulos associados na mamografia e 18% apresentam ndulos e microcalcificaes(10). Por isso, a maioria dos sistemas de auxlio ao diagnstico em mamografia voltada para a deteco de ndulos e microcalcificaes(2). Desde 1987, pesquisadores da Universidade de Chicago, EUA, tm apresentado uma metodologia para a deteco

287

Diagnstico auxiliado por computador na radiologia

Figura 3. Esquema de uma rede neural artificial multicamadas do tipo feedforward.

automatizada de microcalcificaes em mamogramas. Esta metodologia, descrita inicialmente por Chan et al.(11), inclui etapas de pr-processamento para realce das imagens, filtragem para remoo de estruturas de fundo, segmentao das microcalcificaes para extrao de atributos e o uso de redes neurais artificiais para reduo do nmero de deteces falsas-positivas. A deteco automatizada de ndulos em mamogramas digitalizados mais difcil do que a deteco de microcalcificaes, devido similaridade de muitos ndulos com o tecido parenquimatoso normal que os envolve. Segundo Giger(2), provavelmente um dos primeiros estudos sobre a anlise computadorizada de imagens mamogrficas foi apresentado em 1967 por Winsberg et al.(12), que descrevem um mtodo computadorizado para comparao de padres de densidade em vrias reas de uma mesma mama e entre as mamas direita e esquerda. O mtodo foi aplicado em um nmero pequeno de casos selecionados. Atualmente existem muitos trabalhos voltados para a detec-

o de leses espiculadas, assimetrias, aumento de densidade, leses circunscritas e distores de parnquima. Pesquisadores da Universidade de Chicago tm trabalhado, tambm, no desenvolvimento de uma metodologia para a deteco de ndulos em mamogramas, a qual baseada nas diferenas de simetria de arquitetura entre as mamas esquerda e direita, com as assimetrias indicando possveis ndulos(13). Em um estudo prospectivo de 10.000 mamogramas, realizado pelos pesquisadores da Universidade de Chicago, empregando um sistema CAD como segunda opinio, o computador indicou a presena de cncer cerca de um ano antes de este ser clinicamente diagnosticado em aproximadamente 15% de todos os casos de cncer, e em 56% dos casos foi detectado cncer em um estudo retrospectivo de mamogramas considerados clinicamente negativos. A taxa de falsos-positivos foi de aproximadamente 1,3 agrupamento falso por imagem e 2,1 ndulos falsos por imagem(14). Em junho de 1998, o Food and Drug Administration (FDA), dos Estados Uni-

dos, aprovou o ImageChecker M1000 (R2 Technology, Los Altos, Califrnia) como um sistema de auxlio deteco, para ser utilizado por radiologistas na rotina de leitura de mamografias. Um amplo estudo, envolvendo a anlise retrospectiva de 1.083 casos de cncer e o acompanhamento prospectivo de 14.817 casos, foi realizado como parte dos requisitos para a sua aprovao pelo FDA. Neste estudo, a sensibilidade alcanada foi de 98,3% para a deteco de agrupamentos de microcalcificaes e 72% para a deteco de ndulos, com uma taxa de falso-positivo mdia de um (agrupamento ou ndulo) por imagem(15). Segundo Giger(2), em um estudo realizado por Hendricks, da Universidade de Nijimen (Holanda), utilizando o ImageChecker, no foi observada diferena entre uma dupla leitura com dois radiologistas e uma dupla leitura utilizando o sistema de CAD. Ao contrrio da anlise da mamografia, na qual existem basicamente duas respostas possveis, cncer ou no, a radiografia de trax pode apresentar uma variedade de patologias possveis, cuja deteco o objetivo de alguns sistemas de CAD. Estes sistemas incluem mtodos de processamento para realce de imagens, como subtrao de dupla energia e temporal, e esquemas para deteco automatizada de padres suspeitos, como ndulos, pneumotrax, cardiomegalia, assimetrias torcicas e leses intersticiais. A deteco radiogrfica de pequenos ndulos um aspecto importante no diagnstico e conduo do tratamento de pacientes com cncer de pulmo. Porm, a no deteco pode ocorrer devido sobreposio com costelas, brnquios, vasos sanguneos e outras estruturas anatmicas normais. A taxa mdia de perda na deteco radiogrfica de ndulos precoces estimada em cerca de 30%(16). Segundo MacMahon(17), um sistema para deteco de ndulos pulmonares vem sendo desenvolvido pelos Laboratrios Rossmann, da Universidade de Chicago, h mais de dez anos, tendo recebido numerosos refinamentos neste perodo. A finalidade bsica deste sistema a distino de opacidades focais anormais do fundo anatmico complexo da radiografia de trax, tendo por objetivo chamar a
Radiol Bras 2001;34(5):285293

288

Azevedo-Marques PM

ateno do radiologista para a regio suspeita. Atualmente, o programa de computador possui sensibilidade de aproximadamente 70% para ndulos pulmonares sutis, com uma mdia de um a dois falsos-positivos por imagem. Segundo o autor, embora essa acurcia seja menor do que a apresentada pela maioria dos radiologistas, os erros cometidos pelo computador tendem a ser diferentes daqueles cometidos pelos radiologistas, o que faz com que o uso do programa possa auxiliar mesmo radiologistas experientes na tarefa de deteco de ndulos. A deteco e quantificao de leses pulmonares intersticiais pelos radiologistas est reconhecidamente sujeita a uma grande variao inter e intrapessoal, sendo, por isso, uma rea particularmente interessante para aplicao de anlises computadorizadas. Katsuragawa et al.(18) e Monnier-Cholley et al.(19) apresentaram esquemas computadorizados para avaliao de leses intersticiais a partir de atributos de textura extrados de imagens radiogrficas. Inicialmente, regies de interesse so automaticamente selecionadas em radiografias de trax e, ento, processadas para eliminao de estruturas anatmicas e realce de detalhes finos da textura dos pulmes. Um processamento da imagem baseado na transformada de Fourier utilizado para a descrio da magnitude e rugosidade da textura. Os autores descrevem valores de sensibilidade e especificidade na ordem de 89% para uma base de dados contendo 100 casos patolgicos. Outros programas de CAD tm sido desenvolvidos, dirigidos para a deteco de pneumotrax(20), cardiomegalia(21) e assimetria anormal de trax(22). Artigos e detalhes podem ser encontrados nos anais do International Workshop on ComputerAided Diagnosis(23). AUXLIO AO DIAGNSTICO Uma vez que uma leso foi detectada, cabe ao radiologista decidir o encaminhamento do caso, ou seja, se necessria a realizao de algum outro exame ou de uma bipsia, por exemplo. Ou ento, se um simples acompanhamento suficiente e, neste caso, qual deve ser o inRadiol Bras 2001;34(5):285293

tervalo at o prximo exame. Sistemas de anlise computadorizada esto sendo desenvolvidos para auxiliar a distino entre leses malignas e benignas e aumentar a sensibilidade e especificidade do diagnstico. Estes sistemas utilizam atributos extrados e quantificados de forma automatizada e tambm por radiologistas. A vantagem da extrao automatizada (pelo computador) a objetividade e reprodutibilidade da medida dos atributos escolhidos. Por outro lado, os radiologistas utilizam uma grande quantidade de atributos, os quais so extrados e interpretados simultnea e instantaneamente. importante ressaltar que um dos objetivos dos sistemas de auxlio classificao a reduo do nmero de casos benignos encaminhados para bipsia. Porm, como o custo da perda de uma leso maligna muito maior que o de uma classificao errnea de um caso benigno, os sistemas de auxlio ao diagnstico devem ser desenvolvidos com o propsito de aumentar a especificidade, porm sem reduzir a sensibilidade. No que se refere ao cncer de mama, mtodos de auxlio classificao esto sendo desenvolvidos para a caracterizao de leses a partir de informaes extradas de imagens de mamografia, ultra-sonografia e de ressonncia magntica. Vrios pesquisadores tm utilizado a anlise computadorizada de atributos extrados por inspeo visual para auxlio tomada de deciso quanto ao encaminhamento do tratamento do paciente(2). De modo geral, este tipo de anlise utiliza uma lista de atributos que devem ser avaliados e quantificados pelo radiologista em uma escala preestabelecida, em conjunto com um mtodo para composio destes valores utilizando coeficientes otimizados. As respostas obtidas, em geral, apresentam a probabilidade da presena de determinada condio (por exemplo, de uma leso previamente detectada ser maligna). Gale et al.(24) apresentam um aumento de especificidade de 67% para 88% entre o diagnstico de cncer de mama feito sem auxlio e com auxlio de um sistema computadorizado. Porm, houve reduo na sensibilidade de 87% para 79% com o sistema computadorizado. Cook e Fox(25) relatam um

aumento na acurcia diagnstica de mdicos residentes, de 40% para 73%, e de mdicos radiologistas, de 70% para 73%, com a utilizao de um sistema especialista voltado para a diferenciao de 16 tipos de leses de mama circunscritas, a partir da identificao de achados radiolgicos por inspeo visual. Pesquisadores da Duke University, EUA(26), utilizaram as categorias do padro BI-RADS (American College of Radiology Breast Imaging Reporting and Data System)(27) como entradas para redes neurais artificiais, visando distino entre leses benignas e malignas e previso da potencialidade de invaso do cncer de mama. Os resultados mostraram o potencial do uso dos padres do BI-RADS no diagnstico auxiliado por computador. Ashizawa et al.(28) apresentaram os resultados da utilizao de uma rede neural artificial para auxlio ao diagnstico diferencial de leses intersticiais de pulmo. A rede neural foi projetada para distinguir entre 11 leses intersticiais a partir de dez parmetros clnicos e 16 achados radiolgicos obtidos por radiologistas especializados em trax. Foram utilizados 150 casos reais, 110 casos publicados e 110 casos hipotticos. O desempenho da rede foi avaliado por meio de curva ROC (receiver operating characteristic), tendo sido obtida uma rea sob a curva igual a 0,947 para os casos clnicos. Foram obtidos valores de sensibilidade e especificidade em torno de 90%, considerando-se a resposta correta contida dentro dos dois maiores valores de sada para as 11 patologias. O desenvolvimento de mtodos de auxlio classificao, baseados na extrao e quantificao automatizada de atributos, exige que inicialmente sejam definidos quais atributos so clinicamente significativos e depois estabelecidos os mtodos para sua extrao e quantificao. Segundo Giger(2), nos ltimos cinco anos houve expressivo aumento no nmero de trabalhos sobre desenvolvimento de mtodos de classificao automatizada de leses em imagens mamogrficas. De modo geral, um mtodo automatizado para classificao de microcalcificaes agrupadas envolve a extrao de atributos que se correlacionam qualitati-

289

Diagnstico auxiliado por computador na radiologia

vamente com a experincia dos radiologistas, estimando a probabilidade de malignidade a partir da aparncia das microcalcificaes existentes no agrupamento. O computador extrai automaticamente atributos relacionados ao tamanho, forma, quantidade e distribuio espacial das microcalcificaes, e um classificador (uma rede neural artificial, por exemplo) utilizado para combinar estes atributos e fornecer uma estimativa da probabilidade de malignidade. Esta estimativa pode ento ser utilizada pelos radiologistas como auxlio na deciso se a leso maligna ou benigna. Resultados de estudos aplicados tm mostrado melhorias estatisticamente significativas de desempenho quando os radiologistas utilizam sistemas de auxlio computadorizado, em comparao com situaes em que estes sistemas no so empregados. So relatados aumentos de sensibilidade, de 73% para 87%, e de especificidade, de 32% para 40%(24). Resultados como estes indicam que o computador pode potencialmente ser utilizado para auxiliar os radiologistas a decidirem quais mulheres devem ser encaminhadas para bipsia, podendo reduzir o nmero de bipsias desnecessrias. No caso de ndulos, uma leso maligna pode ser diferenciada de uma leso benigna, em virtude da sua aparncia mais espiculada na imagem mamogrfica(2) e, de modo geral, para a classificao deste tipo de leso, o ndulo primeiramente extrado do fundo anatmico do mamograma utilizando-se alguma tcnica de processamento de imagem (como crescimento de regio, por exemplo). Ento, atributos de forma, contorno, nveis de cinza e textura so extrados e utilizados por um classificador para o clculo da probabilidade de malignidade associada. A Figura 4 mostra um exemplo de segmentao de ndulo atravs do mtodo de crescimento de regio(29). Em trabalho realizado por pesquisadores da Universidade de Chicago, com um sistema desenvolvido para a classificao de ndulos mamogrficos a partir do seu grau de espicularidade(2), foram obtidos, para a base de dados utilizada, sensibilidade de 100% e valor preditivo positivo de 83% (12% acima do valor

A B Figura 4. Exemplo de segmentao de ndulo mamogrfico. A: Regio de interesse original. B: Ndulo segmentado.

obtido por radiologistas especializados em mamografia e 21% acima da mdia de outros radiologistas menos experientes). O ultra-som de mama tambm utilizado como importante auxiliar no diagnstico mamogrfico, sendo tipicamente aplicado para avaliar leses palpveis e mamograficamente detectadas quanto sua natureza slida ou cstica. A acurcia do ultra-som tem sido apontada como sendo de 96% a 100% no diagnstico de leses csticas benignas. Porm, o ultrasom de mama no utilizado na rotina para distinguir leses slidas malignas de benignas, devido considervel sobreposio das suas aparncias ultra-sonogrficas(2). Chen et al.(30) relataram um mtodo baseado em rede neural artificial para auxlio ao diagnstico diferencial de tumores slidos de mama em imagens de ultra-som. Foram avaliadas 140 imagens de ndulos slidos de mama, sendo 52 correspondentes a tumores malignos e 88 a tumores benignos, todos confirmados por bipsia. Atributos de textura foram extrados, aps a seleo manual da regio de interesse contendo a leso. A acurcia da rede neural foi de 95% para a classificao das leses malignas, com sensibilidade de 98%, especificidade de 93%, valor preditivo positivo de 89% e valor preditivo negativo de 99%. Segundo esses autores, o sistema foi capaz de diferenciar os ndulos slidos de mama com uma acurcia relativamente alta e auxiliou operadores inexperientes a evitar diagnsticos errados. A ressonncia magntica pode tambm auxiliar no diagnstico do cncer de mama, como tcnica complementar mamografia, com a vantagem de propiciar a obteno de informao tridimensional da mama. O realce decorrente da presen-

a de contraste utilizado para a diferenciao entre leses e tecidos normais, devido ao aumento de vascularizao e permeabilidade capilar do tumor. Porm, algumas leses benignas tambm so realadas na ressonncia e, por isso, sua especificidade limitada. Pode-se utilizar atributos temporais e espaciais das leses para a sua caracterizao. Atributos temporais incluem taxa mxima de realce da leso, o tempo em que isto ocorre, a velocidade mxima de realce, e mudana na no-homogeneidade da leso no processo de realce. Atributos espaciais incluem relao de contraste entre a leso e o fundo, no-homogeneidade dos valores dos voxels na leso, caractersticas das margens da leso, textura, circularidade e irregularidade da leso. Gilhuijs et al.(31) apresentaram um sistema de classificao automatizada de leses de mama a partir de imagens de ressonncia magntica, utilizando atributos temporais e espaciais calculados nas trs dimenses. Em um estudo inicial para distino entre leses benignas e malignas, realizado com 27 casos, foi obtida uma rea sob a curva ROC igual a 0,96. Nunes et al.(32) concluram, como resultado de um estudo feito com atributos de arquitetura da mama, que a caracterizao da margem da leso um determinante primrio da sua malignidade. Armato III et al.(33) desenvolveram um mtodo automatizado para deteco de assimetria anormal em radiografias pstero-anteriores digitais de trax. O mtodo baseado em um thresholding de nvel de cinza para segmentao e extrao de contorno de regies do pulmo contendo ar. Foram realizados testes em uma base de dados contendo 600 imagens clnicas de trax, e a habilidade do
Radiol Bras 2001;34(5):285293

290

Azevedo-Marques PM

mtodo em distinguir entre casos normais e casos com assimetria anormal foi avaliada por intermdio da curva ROC. O desempenho do mtodo alcanou uma rea sob a curva de 0,84. Segundo os autores, a sensibilidade do mtodo torna-o potencialmente til como componente para integrao de um sistema de CAD para radiografia digital de trax. VargasVoracek et al.(34) apresentaram um estudo realizado com atributos de textura extrados de radiografias de trax. O experimento foi realizado utilizando-se uma base de dados contendo 200 regies de interesse (ROIs) extradas de radiografias digitalizadas de pacientes com leses intersticiais de pulmo e pacientes com radiografias normais. Nenhum pr-processamento foi realizado nas imagens. Os atributos calculados para cada ROI foram utilizados como entrada em uma rede neural artificial. A performance diagnstica da rede foi bastante boa, alcanando sensibilidade de 90% e especificidade de 84%, com uma rea sob a curva ROC igual a 0,85. McNitt-Gray et al.(35) desenvolveram uma metodologia para caracterizao de ndulos pulmonares solitrios, obtidos por exame de tomografia computadorizada de alta resoluo, como sendo benignos ou malignos, por meio da quantificao de atributos de tamanho, forma, atenuao e textura. Um estudo inicial, realizado com 31 pacientes com diagnsticos definitivos (14 benignos e 17 malignos) e utilizando dois atributos de textura considerados os mais discriminantes (entropia e correlao), resultou em uma taxa de acerto na classificao de 90,3%. MEDIDAS DE DESEMPENHO E CARACTERSTICAS Existem vrios ndices de desempenho que podem ser utilizados na avaliao de sistemas de auxlio ao diagnstico. Uma medida possvel e muito utilizada a anlise da caracterstica de resposta do observador (ROC), introduzida no contexto das imagens mdicas por Swets(36) e Metz(37). A anlise por curva ROC fundamentada na teoria de deteco de sinal, tendo como base a idia de que para qualquer sinal sempre existir um fundo ruiRadiol Bras 2001;34(5):285293

doso que varia aleatoriamente sobre um valor mdio. Quando um estmulo est presente, a atividade que ele cria no sistema de obteno de imagem adicionada ao rudo existente naquele momento. Este rudo pode estar dentro do prprio sistema ou fazer parte do padro de entrada. A tarefa do observador (ou sistema automtico) determinar se o nvel de atividade no sistema devido apenas ao rudo ou resultado de um estmulo adicionado ao rudo. Em sua forma mais simples, a tarefa de diagnosticar consiste na apresentao de imagens contendo ou no uma anormalidade associada, a um observador que deve responder se existe ou no uma anormalidade presente. Para a anlise da performance em um teste de diagnstico, a curva ROC plota a frao de verdadeiro-positivo (sensibilidade) contra a frao de falso-positivo (1 especificidade) para toda a faixa de resultados possveis para o teste. A anlise por curva ROC baseia-se na premissa de que o processo de deciso do observador pode ser modelado por uma varivel randmica que se ajusta a um modelo bi-normal (Figura 5). As funes de densidade de probabilidade desta varivel para as duas hipteses (presena de anormalidade e ausncia de anormalidade) so consideradas normalmente distribudas. A menos que as condies do teste sejam perfeitas, estas distribui-

es se sobrepem e um limiar de deciso (threshold) ir sempre envolver um compromisso entre os resultados falsospositivos (no existe anormalidade, mas o observador indica que existe) e falsosnegativos (existe anormalidade, mas o observador indica que no existe). Uma mundana no limiar ir causar mudanas na especificidade e sensibilidade do teste. Os observadores humanos, assim como os sistemas de auxlio ao diagnstico, operam em pontos ao longo da curva ROC. Os pontos de operao sobre a curva (sensibilidade vs. especificidade) mudam de acordo com os valores de custo atribudos aos resultados falsos-positivos ou falsos-negativos. A medida mais comum extrada da curva ROC a rea sob a curva. A rea sob a curva ROC varia de 0,5 (comportamento aleatrio) a 1,0 (discriminao perfeita), sendo que quanto mais a curva se aproxima do canto esquerdo superior do grfico melhor a performance do teste. As Figuras 6 e 7 mostram as curvas ROC obtidas para duas configuraes diferentes de um classificador estatstico no-paramtrico, variando-se os limiares de separao entre as classes maligna e benigna, utilizado em um sistema de classificao automatizada de microcalcificaes presentes em mamogramas digitalizados(6). Os parmetros de aquisio da imagem digital, as caractersticas da base de

Figura 5. Modelo bi-normal de distribuio de probabilidade para anlise por curva ROC.

291

Diagnstico auxiliado por computador na radiologia

Figura 6. Curva ROC para um classificador do tipo K-NN.

Figura 7. Curva ROC para um classificador do tipo K-NN em configurao de alta sensibilidade.

dados utilizada para treinamento e teste dos algoritmos, a comparao entre mtodos e a determinao da viabilidade de aplicao clnica so tambm caractersticas fundamentais no processo de avaliao de sistemas de CAD. As imagens podem ser obtidas diretamente em formato digital ou a partir da digitalizao de filmes. Para a digitalizao de filmes, a qualidade da imagem original fundamental, uma vez que imagens de baixa qualidade iro afetar tanto a inspeo visual como a performance da anlise automatizada. O tamanho do pixel e o nmero de nveis de quantizao tambm iro afetar a resposta do sistema, uma vez que modificaes nos valores de entrada iro produzir sadas diferentes. bastante difcil a comparao entre os vrios mtodos de diagnstico auxiliado por computador que esto sendo desenvolvidos, devido s diferentes bases de dados utilizadas e os variados mtodos de descrio dos resultados. Algumas bases de dados esto sendo estruturadas para desenvolvimento e teste de sistemas de CAD(38,39). A forma como a base de dados utilizada ir tambm influenciar o desenvolvimento e a apresentao de resultados do sistema. Por exemplo, um

sistema computadorizado para auxlio na deteco de leses de mama, treinado com projees mdio-laterais oblquas, ir fornecer resultados tendenciosos (ter um bias) se forem utilizadas projees crnio-caudais nos testes. Os resultados tambm sero tendenciosos se, com uma base de dados limitada, os parmetros do classificador forem determinados usando-se os mesmos dados que foram empregados para a seleo dos atributos mais discriminantes. Alm disso, diferentes formas de medida iro causar variaes nos resultados obtidos. Por exemplo, se a sensibilidade do sistema dada em funo da porcentagem de leses detectadas por imagem ou por caso, ou ento, se a porcentagem de sobreposio entre a leso real e a leso detectada pelo computador calculada levando-se em considerao sua interseco ou a interseco dividida pela sua unio. DISCUSSO A dificuldade na realizao do diagnstico visual de leses em estdio precoce, juntamente com o grande volume de dados gerados num sistema de diagnstico hospitalar, tm induzido vrios

grupos de pesquisa a buscarem solues computacionais para auxiliar os mdicos nesse problema. Em uma viso global dos trabalhos apresentados sobre sistemas de CAD, pode-se constatar que, de modo geral, estes sistemas podem detectar leses perdidas pelos radiologistas, so suficientemente robustos em relao a mudanas na aquisio e digitalizao das imagens, podem ser integrados com relativa facilidade nas rotinas existentes e podem classificar leses com acurcia comparvel dos especialistas. Porm, o nmero de testes dos sistemas em ambientes clnicos ainda bastante limitado e uma avaliao cuidadosa necessria antes de sua insero na rotina de servio. Os bons resultados conseguidos em testes de desempenho, em conjunto com a difuso da tecnologia de imagem digital, incentivam a integrao de mtodos automatizados de deteco e classificao em um nmero cada vez maior de prottipos clnicos. Porm, necessria uma introduo sistemtica e gradual dos sistemas CAD junto aos servios de radiologia, de forma a minimizar a ruptura dos hbitos atuais de leitura, garantindo a sua aceitabilidade e a otimizao do
Radiol Bras 2001;34(5):285293

292

Azevedo-Marques PM

desempenho do radiologista. Desse modo, um papel especfico para cada sistema CAD dever ser definido para cada radiologista, de acordo com o seu treinamento e habilidade individuais, reduzindo as variaes intra-observador e melhorando o desempenho diagnstico. CONCLUSES De modo geral, o uso de computadores para auxlio anlise de imagens radiolgicas tem-se mostrado eficiente na melhoria da deteco e classificao de leses, especialmente em imagens mamogrficas e de trax. Muitos artigos descrevendo essa tecnologia tm enfatizado que a anlise automatizada um auxlio, e no um substituto, para o radiologista, no necessitando ser perfeita e sim possuir um desempenho prximo ao do especialista. Nesse contexto, as pesquisas que esto sendo desenvolvidas indicam ser bastante promissor o uso de sistemas de diagnstico auxiliado por computador como uma segunda opinio no processo de diagnstico por imagem.
REFERNCIAS 1. Doi K. Computer-aided diagnosis and its potential impact on diagnostic radiology. In: Doi K, MacMahon H, Giger ML, Hoffmann KR, eds. Computer-aided diagnosis in medical imaging. Amsterdam: Elsevier Science, 1999:1120. 2. Giger ML. Computer-aided diagnosis. RSNA Categorial Course in Breast Imaging 1999:24972. 3. Thurfjell EL, Lernevall KA, Taube AA. Benefit of independent double reading in a population-based mammography screening program. Radiology 1994;191:2414. 4. Castleman KN. Digital image processing. New Jersey: Prentice-Hall, 1996. 5. Pereira Jr RR, Azevedo-Marques PM, Frre AF. Wavelet transform improves contrast enhancement of digital mammographic images. Proceedings of the 6th International Workshop on Digital Mammography, Toronto, Canad, 2000 (in press). 6. Ferrari RJ, Azevedo-Marques PM, Frre AF, Kinoshita SK, Spina LAR. Characterization of breast cancer using statistical approaches. In: Doi K, MacMahon H, Giger ML, Hoffmann KR, eds. Computer-aided diagnosis in medical imaging. Amsterdam: Elsevier Science, 1999:2816. 7. IEEE standard 610.4-1990, IEEE standard glossary of image processing and pattern recognition terminology. New York: IEEE Press, 1990. 8. Haralick RM, Shanmugan K, Dinstein I. Textural features of images classification. IEEE Trans Systems Man Cybernetics SMC-3 1973:61021.

9. Duda RO, Hart PE. Pattern classification and scene analysis. New York: John Wiley & Sons, 1973. 10. Sickles EA. Mammographic features of 300 consecutive nonpalpable breast cancers. AJR 1986; 146:6613. 11. Chan HP, Doi K, Galhotra S, Vyborny CJ, MacMahon H, Jokich PM. Image feature analysis and computer-aided diagnosis in digital radiography. I. Automated detection of microcalcifications in mammography. Med Phys 1987;14:53848. 12. Winsberg F, Elkin M, Macy J, Bordaz V, Weymouth W. Detection of radiographic abnormalities in mammograms by means of optical scanning and computer analysis. Radiology 1967;89:2115. 13. Yin FF, Giger ML, Doi K, Metz CE, Vyborny CJ, Schmidt RA. Computerized detection of masses in digital mammograms: analysis of bilateral-subtraction images. Med Phys 1991;18:95563. 14. Nishikawa RM, Giger ML, Wolverton DE, et al. Prospective testing of clinical mamography workstation for CAD: analysis of the first 10,000 cases. In: Karssemeijer N, Thijssen M, Hendriks J, van Erning L, eds. Digital mammography. Dordrecht: Kluwer Academic Publishers, 1998:4016. 15. Doi T, Hasegawa A, Hunt B, et al. Clinical results with the R2 ImageCheckerTM mammographic CAD system. In: Doi K, MacMahon H, Giger ML, Hoffmann KR, eds. Computer-aided diagnosis in medical imaging. Amsterdam: Elsevier Science, 1999:2017. 16. Forrest JV, Friedman PJ. Radiologic errors in patients with lung cancer. West J Med 1981;134: 48590. 17. MacMahon H. Clinical application of CAD in the chest. In: Doi K, MacMahon H, Giger ML, Hoffmann KR, eds. Computer-aided diagnosis in medical imaging. Amsterdam: Elsevier Science, 1999:2333. 18. Katsuragawa S, Doi K, MacMahon H. Image feature analysis and computer-aided diagnosis in digital radiography: detection and characterization of interstitial lung disease in digital chest radiographs. Med Phys 1988;15:3119. 19. Monnier-Cholley L, MacMahon H, Katsuragawa S, Morishita J, Doi K. Computerized analysis of interstitial infiltrates on chest radiographs: a new scheme based on geometric pattern features and Fourier analysis. Acad Radiol 1995;2:45562. 20. Sanada S, Doi K, MacMahon H. Image feature analysis and computer aided diagnosis in digital radiography: automated detection of pneumothorax in chest images. Med Phys 1992;19:115360. 21. Nakamori N, Doi K, Sabeti V, MacMahon H. Image feature analysis and computer-aided diagnosis in digital radiography: automated analysis of sizes of heart and lung in chest images. Med Phys 1990;17: 34250. 22. Armato SG III, Giger ML, MacMahon H. Computerized detection of abnormal asymmetry in digital chest radiographs. Med Phys 1994;21:17618. 23. Doi K, MacMahon H, Giger ML, Hoffmann KR. Computer-aided diagnosis in medical imaging. Excerpta Medica, International Congress Series II82, Radiology. Amsterdam: Elsevier, 1999. 24. Gale AG, Roebuck EJ, Riley P, Worthington BS. Computer aids to mammographic diagnosis. Br J Radiol 1987;60:88791. 25. Cook HM, Fox MD. Application of expert systems

26.

27.

28.

29.

30.

31.

32.

33.

34.

35.

36.

37. 38.

39.

to mammographic image analysis. Am J Physiol Imaging 1989;4:1622. Baker JA, Kornguth PJ, Lo JY, Floyd CE Jr. Artificial neural network: improving the quality of breast biopsy recommendations. Radiology 1996; 198:1315. D'Orsi CJ, Basset LW, Feig AS, et al. Breast Imaging Reporting and Data System (BI-RADS). Reston, VA: American College of Radiology, 1998. Ashizawa K, Ishida T, MacMahon H, Vyborny CJ, Katsuragawa S, Doi K. Artificial neural networks in chest radiography: application to differential diagnosis of interstitial lung disease. Acad Radiol 1999;6:29. Kinoshita SK, Azevedo-Marques PM, Slaets AFF, Marana HRC, Ferrari RJ. Characterization of breast masses using texture and shape features. In: Doi K, MacMahon H, Giger ML, Hoffmann KR, eds. Computer-aided diagnosis in medical imaging. Amsterdam: Elsevier Science, 1999:26570. Chen DR, Chang RF, Huang YL. Computer-aided diagnosis applied to US of solid breast nodules by using neural networks. Radiology 1999;213:407 12. Gilhuijs KGA, Giger ML, Bick U. Computerized analysis of breast lesions in three dimensions using dynamic magnetic resonance imaging. Med Phys 1998;25:164754. Nunes LW, Schnall MD, Orel SG, et al. Breast MR imaging: interpretation model. Radiology 1997; 202:83341. Armato SG III, Giger ML, MacMahon H. Automated abnormal asymmetry detection in digital posteroanterior chest radiographs. In: Doi K, MacMahon H, Giger ML, Hoffmann KR, eds. Computer-aided diagnosis in medical imaging. Amsterdam: Elsevier Science, 1999:8994. Vargas-Voracek R, Floyd CE Jr. Stochastic and deterministic texture modeling and analysis for image processing in chest radiography. In: Doi K, MacMahon H, Giger ML, Hoffmann KR, eds. Computer-aided diagnosis in medical imaging. Amsterdam: Elsevier Science, 1999:959. McNitt-Gray MF, Wyckoff N, Hart EM, Sayre JW, Goldin JG, Aberle DR. Computer-aided techniques to characterize solitary pulmonary nodules imaged on CT. In: Doi K, MacMahon H, Giger ML, Hoffmann KR, eds. Computer-aided diagnosis in medical imaging. Amsterdam: Elsevier Science, 1999: 1016. Swets JA. ROC analysis applied to the evaluation of medical imaging techniques. Invest Radiol 1979;14:10921. Metz CE. ROC methodology in radiologic imaging. Invest Radiol 1986;21:72033. Mascio LN, Frankel SD, Hernandez JM, Logan CM. Building the LLNL/UCSF digital mammogram library with image groundtruth. In: Doi K, Giger ML, Nishikawa RM, Schmidt RA, eds. Digital mammography'96. Excerpta Medica, International Congress Series 1119. Amsterdam: Elsevier, 1996:42730. Bowyer K, Kopans D, Kegelmeyer WP Jr, et al. The digital database for screening mammography. In: Doi K, Giger ML, Nishikawa RM, Schmidt RA, eds. Digital mammography'96. Excerpta Medica, International Congress Series 1119. Amsterdam: Elsevier, 1996:4314.

Radiol Bras 2001;34(5):285293

293