Metodologia para Segmentação de ROI Visando a Extração Automática de Características das Vértebras Cervicais para Estimação de Idade Óssea

Diego Moraes1, Evandro L.L. Rodrigues1, Wesley Pecoraro1, Renata Gonçalves2, Ary Santos-Pinto2

1USP – Universidade de São Paulo, São Carlos, SP, Brasil 2UNESP – Universidade Estadual Paulista “Júlio de Mesquita Filho”, Araraquara, SP, Brasil

diego.moraes@usp.br

Resumo

The bone age estimation can be obtained by analysis of any bone or bone set by the radiographs in the region of interest (ROI). Classical methods use hand-wrist radiographs or cephalometric radiographs. This paper presents a methodology for image segmentation of cephalometric radiographs, identifying as ROI the cervical vertebrae C2, C3 and C4, which are used in methods of bone age estimation. The methodology takes as input scanned images and through digital image processing techniques increases the contrast, remove noise, and finally finds the cervical vertebrae. To analyze the results of the parameters were used as metrics precision, accuracy and error. By averaging of the results the values found were 82.39% of precision, 91.70% of accuracy and 8.30% of error. Based on these results it is possible to conclude that the method is effective for cervical bone segmentation and encouraging to isolate automatically the ROI. 1. Introdução

A idade óssea é um dos indicadores mais utilizados para identificar o estado da maturidade esquelética de um indivíduo, sendo o registro mais fiel da idade biológica que nem sempre corresponde à idade cronológica, esta última baseada na data de nascimento do indivíduo.

A estimação de idade óssea pode ser obtida pela análise de qualquer osso ou conjunto de ossos do corpo humano por meio de radiografias das regiões de interesse, como por exemplo ombro, joelho, tornozelo, quadril, cotovelo, pé, mão e punho e vértebras cervicais. Isto é possível pois o crescimento e desenvolvimento de um indivíduo sadio ocorre em harmonia [1-3].

Existem métodos para estimação de idade óssea por meio de radiografias carpais (mão e punho) e telerradiografias em norma lateral (cervical). Na literatura são encontrados com maior frequência métodos utilizando radiografias carpais, pois a região da mão é de fácil acesso, possui 30 centros de ossificação e por não conter órgãos vitais pode ser submetida com maior frequência a doses de radiação. Entretanto, a grande vantagem de se utilizar as vértebras cervicais é que esta radiografia já faz parte da documentação básica do paciente em tratamentos

odontológicos, assim não se faz necessário a exposição do paciente a mais uma aplicação de raio-X em outra parte do corpo, conforme ocorre na análise carpal.

Para radiografias carpais os métodos clássicos são três: Greulich & Pyle [3] que faz comparações de 28 pontos de ossificação com padrões fornecidos por um atlas; Tanner & Whitehouse [4] que analisa e atribui escores para 20 ossos, onde a soma desses escores é comparada com os escores indicados em tabelas, que apresentam as idades cronológica e esquelética correspondentes a tais escores; Eklof & Ringertz [5] que pondera as medidas de comprimento e/ou largura de 10 ossos carpais, escolhidos por apresentar os surtos de crescimento. Outros métodos carpais podem ser facilmente encontrados na literatura, que visam simplificar, automatizar e aumentar a precisão desses métodos clássicos [1-2;6-7].

Para métodos por meio de telerradiografias em normal lateral, em 1972 Lamparski [8] observou as mudanças morfológicas das vértebras cervicais C2, C3, C4, C5 e C6, descrevendo seis estágios de maturação e relacionando seus estágios de crescimento com a idade óssea. A partir deste trabalho, diversas pesquisas resultaram em modificações deste método, explorando outras características, formas e quantidades de ossificações a serem analisadas [9-12].

Existe um grande desafio no uso de técnicas de Visão Computacional para o desenvolvimento de metodologias para a estimação de idade óssea explorando as vértebras cervicais. Isto acontece devido a baixa qualidade das imagens de raio-X, baixo contraste entre ossos, tecidos, músculos etc., dificultando assim o processamento.

Este trabalho tem como objetivo apresentar uma metodologia para identificação automática da ROI, ou seja, as vértebras cervicais C2, C3 e C4 (Fig. 1).

Figura 1. Telerradiografia com a identificação da ROI

2. Metodologia e Desenvolvimento

O trabalho foi dividido em duas fases: a primeira foi a implementação de técnicas de Processamento Digital de Imagens para teste e análise de algoritmos de segmentação [13-14], utilizados como entrada para a segunda fase, responsável pela extração automática de características das vértebras cervicais.

Para o desenvolvimento do sistema utilizou-se a plataforma MATLAB (Matrix Laboratory), versão 7.0. A escolha foi baseada na sua versatilidade, permitindo um desenvolvimento simples, rápido e eficiente.

Em paralelo foi realizada uma pesquisa na literatura sobre métodos de estimação de idade óssea por meio de telerradiografias em norma lateral, buscando o estado da arte para melhor compreender os estágios, morfologias, processos, métricas etc.

2.1. Aquisição de imagem A primeira etapa para execução deste trabalho é a

aquisição das imagens que serão processadas pelas técnicas de segmentação.

As imagens utilizadas nos testes são amostras longitudinais de telerradiografias em norma lateral e radiografias carpais, pertencentes aos arquivos da Disciplina de Ortodontia, Departamento de Clínica Infantil, Faculdade de Odontologia de Araraquara, Universidade Estadual Paulista “Júlio de Mesquita Filho” – UNESP, Araraquara, São Paulo, Brasil. Esta amostra é composta por 33 crianças (18 meninas e 15 meninos), com idade inicial de 7 a 9 anos. As tomadas radiográficas foram iniciadas em 2005, obtidas na mesma data, anualmente, durante 7 anos.

A digitalização foi realizada pelo Scanner Fotográfico HP Scanjet G4050, com resolução de 300 dpi, com 24 bits de profundidade, e armazenadas no formato TIFF.

Como imagem de entrada para todos os algoritmos, inicialmente não foram consideradas as telerradiografias por inteiras conforme observado na Fig. 1, e sim apenas a região de interesse (ROI), ou seja, as vértebras cervicais C2, C3 e C4 conforme observado na Fig. 2a.

Com alguns testes experimentais, observou-se diferenças sutis, porém essenciais para o bom funcionamento dos próximos algoritmos, optando pela conversão das imagens de entrada do espaço de cores RGB (red; green; blue) para HSV (hue; saturation; value), utilizando como entrada para os algoritmos apenas o último canal, V, com classe do tipo double e valores de intensidade entre 0 e 1.

2.2. Pré-processamento Ao analisar as imagens digitalizadas verificou-se a

necessidade de pré-processar as mesmas, pois tais

imagens possuem baixo contraste entre ossos, tecidos e músculos, dificultando assim a sua segmentação.

Para este cenário, operadores globais não são eficazes. Portanto, optou-se pela equalização de histograma por região, e por meio de alguns testes identificou-se que o tamanho 8x8 obteve melhores resultados. A Fig. 2 mostra a imagem resultante após a aplicação desta técnica.

a) b)

Figura 2. (a) Imagem HSV; (b) imagem após equalização de histograma por região 8x8

2.3. Segmentação Na fase de segmentação, realizou-se a binarização por

histograma local da imagem pré-processada. O resultado é exibido na Fig. 3.

Figura 3. Binarização por histograma Posteriormente, com o objetivo de remover estruturas

que não são utilizadas na análise das cervicais, foi desenvolvida uma rotina, descrita a seguir.

Baseado na imagem sem pré-processamento, divide-se a imagem na horizontal em cinco partes iguais. Para cada parte, de forma individual, uma máscara de 40x20 pixels percorre esta área a procura da região que possui a maior

intensidade. Com a posição da maior intensidade de cada uma das cinco partes da imagem e por meio de interpolação linear, são encontrados os pontos que conectam os intervalos entre cada ponto de maior intensidade, isolando apenas a ROI. A Fig. 4 mostra este processo de interpolação, e o resultado aplicado na imagem binarizada.

a) b)

Figura 4. (a) Imagem do processo de interpolação; (b) aplicação na imagem binarizada

O próximo passo é a remoção de ruídos, ou seja,

pontos indesejados na imagem. Para isto foi utilizado um filtro de suavização, que por meio da média da vizinhança definida por uma máscara de tamanho 15x15 pixels, diminui efeitos espúrios da imagem, ou seja, pontos não genuínos ou ilegítimos. O resultado é exibido na Fig. 5.

Figura 5. Suavização para remoção de ruídos Em seguida é aplicada a técnica Flood Fill, um

algoritmo recursivo que varre automaticamente a imagem a procura de “buracos” nos objetos e os preenchem. É considerado “buraco” o conjunto de pixels de background (em português: fundo) que não podem ser alcançados

através do preenchimento do background a partir da borda da imagem. O resultado pode ser observado na Fig. 6.

Figura 6. Flood para preencher os buracos

Por último, são removidos os objetos com área inferior a um padrão (determinado empiricamente). O algoritmo considera como objeto a área cujos pixels possuem conectividade de 8 com seus vizinhos. O resultado é exibido na Fig. 7.

Figura 7. Imagem final obtida com a remoção de objetos

2.4. Extração de Características Após a fase de segmentação é necessário a extração de

características, pois as mesmas serão utilizadas nos métodos de estimação e maturação óssea. Serão adotados treze pontos baseados no método proposto por Baccetti, Franchi e McNamara [10], visualizados na Fig. 8.

Figura 8. Desenho esquemático da localização dos pontos. Fonte: [10, p. 121]

2.5. Estimação de idade óssea Após a extração das características o trabalho objetiva

a estimação de idade óssea. Será testado o método proposto por Caldas [12]. Para validação do método, os resultados serão analisados e comparados com o método de Eklof & Ringertz [5] que utiliza radiografias carpais. O objetivo é aperfeiçoar o método propondo evoluções e melhorias baseadas em novas características (medidas e proporções) ainda não exploradas. 3. Resultados

Para entender melhor os resultados exige-se uma análise mais especializada, para isto, foram aplicados métodos de avaliação de classificadores para três imagens, nomeadas como A, B e C. Para simplificar as nomenclaturas, a ROI, ou seja, as cervicais C2, C3 e C4 são chamadas de osso, e o restante da região que não é ROI chamado de fundo.

As contingências serão adotadas como: - VP (Verdadeiro Positivo): o pixel de entrada é

osso, e o classificador o classifica como osso. - VN (Verdadeiro Negativo): o pixel de entrada é

fundo, e o classificador o classifica como fundo. - FP (Falso Positivo): o pixel de entrada é fundo, e o

classificador o classifica como osso. - FN (Falso Negativo): o pixel de entrada é osso, e o

classificador o classifica como fundo.

Como métricas serão utilizados os parâmetros: - Precisão: VP

VP +FP

- Exatidão: VP +VNVP +FN +FP +VN

- Erro: FP +FNVP +FN +FP +VN

Para utilizar esse método de avaliação é necessário definir uma imagem de referência, que represente a imagem ideal a qual se deseja alcançar como resultado. Neste caso foram criadas imagens sintéticas baseadas nas imagens originais (A, B e C), sendo elas binárias, com valor 1 (cor branca) para os ossos da ROI e 0 (cor preta) para o fundo.

Para comparar os resultados por meio do método de avaliação de classificadores escolhido, seguem imagens (Fig. 9-11) e tabelas (Tabela 1-3) comparativas.

a) b)

c) d)

Figura 9. Para imagem A: (a) original; (b) ideal; (c) segmentada; (d) analisada.

Falso positivo (verde) e falso negativo (vermelho)

Tabela 1. Valores de contingências e métricas encontrados para Fig. 9d

Osso 54729Fundo 120068

Falso Positivo 13622Falso Negativo 1760

Precisão 80,07Exatidão 91,91

Erro 8,09

Contingências (qtde de pixel)

Métricas (%)

Conforme observado na Tabela 1 obteve-se 80,07% de precisão, 91,91% de exatidão e 8,09% de erro. Para os parâmetros de exatidão e erro os valores mostram-se significativos, pois indicam que a imagem de saída está próxima da imagem ideal.

Ao analisar o parâmetro de precisão, pode-se compreender seu valor (80,07%), pois na imagem de saída (Fig. 9c) estão presentes estruturas indesejadas (falsos positivos), diferentes das encontradas na imagem ideal, que aparecem como conexões entre as cervicais. Essas estruturas não pertencem às ROIs e sim a segmentos de ossos da parte posterior.

a) b)

Figura 10. Para imagem B: (a) original; (b) analisada. Falso positivo (verde) e falso negativo (vermelho)

Tabela 2. Valores de contingências e métricas encontrados para Fig. 10b

Osso 87401Fundo 165785

Falso Positivo 16123Falso Negativo 5523

Precisão 84,43Exatidão 92,12

Erro 7,88

Métricas (%)

Contingências (qtde de pixel)

Ao analisar a Tabela 2, verifica-se que os valores dos parâmetros de exatidão e erro quando comparados com os mesmos parâmetros encontrados na Tabela 1, são próximos, mesmo tratando-se de duas imagens com morfologia e ângulo diferentes.

O parâmetro de precisão aumentou de 80,07% para 84,43%. Isto indica que menos segmentos de ossos da parte posterior das cervicais foram identificados como região de interesse.

a) b)

Figura 11. Para imagem C: (a) original; (b) analisada. Falso positivo (verde) e falso negativo (vermelho)

Tabela 3. Valores de contingências e métricas encontrados para Fig. 11b

Osso 56625Fundo 98075

Falso Positivo 11869Falso Negativo 3335

Precisão 82,67Exatidão 91,05

Erro 8,95

Contingências (qtde de pixel)

Métricas (%)

Analisando a Tabela 3, verifica-se que novamente os valores dos parâmetros de exatidão e erro são próximos quando comparados com a Tabela 1 e Tabela 2, considerando ainda que se tratam de imagens com morfologia e ângulo diferentes. A precisão ficou na média se comparado novamente com as Tabelas 1 e 2.

Ao observar os resultados das métricas encontrados nas tabelas acima (Tabela 1-3), identificou-se que seus valores foram muito próximos. Por tal motivo, podemos considerar como resultado final a média dos parâmetros das métricas, aproximando assim tais valores conforme indicado na Tabela 4.

Tabela 4. Valores da média das métricas encontradas

nas Tabelas 1-3

Precisão 82,39Exatidão 91,70Erro 8,30

Média das Métricas (%)

4. Conclusão Neste trabalho foi apresentada uma metodologia

baseada em técnicas de Processamento Digital de Imagens, que fornece como saída imagens segmentadas das cervicais C2, C3 e C4, obtidas por telerradiografias em norma lateral.

Essas imagens de saída servirão de entrada para algoritmos de extração automática de características, com o objetivo final de estimar a idade óssea de um indivíduo por meio de análise das cervicais.

Conforme observado nos resultados (Tabela 1-3), identificou-se que os valores das métricas foram muito próximos, indicando que a metodologia mostra-se eficaz no quesito generalização, ou seja, para diferentes imagens os resultados possuem valores de métricas semelhantes.

Ao analisar a Tabela 4, chega-se a conclusão que para os parâmetros de exatidão (91,70%) e erro (8,30%), os valores encontrados mostram-se encorajadores.

O valor médio obtido para a precisão (82,39%) foi influenciado pela contribuição dos falsos positivos, que na imagem são segmentos de ossos da parte posterior das cervicais. A captura de tecido ósseo em radiografia, que gera imagem 2D, suprime a informação de profundidade, trazendo para o mesmo plano informações não desejadas para a análise.

Conclui-se que a metodologia é eficaz para segmentação dos ossos das cervicais, entretanto, nas análises de estimação de idade óssea algumas estruturas não devem ser consideradas.

Por este motivo outras técnicas serão estudadas, aplicadas, testadas e comparadas, visando a remoção dessas estruturas indesejadas.

No estágio atual, essa metodologia permite que a etapa de extração das características seja executada com segurança, pois a ROI pode ser identificada automaticamente.

Isto irá permitir automatizar o processo de estimação da idade óssea pela análise das cervicais, aumentando a precisão e a velocidade, quando comparado ao processo de convencional que é realizado de forma manual ou semiautomático. 5. Agradecimentos

Os autores gostariam de agradecer à CAPES pelo auxílio financeiro. 6. Referências [1] C.J. Olivete, “Novos métodos para estimativa da idade óssea baseados no processamento de imagens radiográficas da mão”. 2009. Tese (Doutorado) – Escola de Engenharia de São Carlos, Universidade de São Paulo, São Carlos. 2009.

[2] E.M. Raymundo, “Metodologia de estimação de idade óssea baseada em características métricas utilizando mineradores de dados e classificador neural”. 2009. Dissertação (Mestrado) – Escola de Engenharia de São Carlos, Universidade de São Paulo, São Carlos. 2009. [3] W.W. Greulich, and S.I. Pyle, “Radiographic atlas of skeletal development of the hand and wrist”, Stanford: Stanford University Press, 1959. [4] J.M. Tanner, and R.H. Whitehouse, “Standard for skeletal maturation”, Paris: International Children’s Center, 1959. [5] O. Eklof, and H. Ringertz, “A method for assessment of skeletal maturity”, Annals Radiology, vol. 10, n. 3, p. 330-336, 1967. [6] A.C. Queiroz, “Metodologia de extração automática de caraterísticas da mão para a estimação da idade óssea utilizando redes neurais artificiais no processo de decisão”, 2006. Dissertação (Mestrado) – Escola de Engenharia de São Carlos, Universidade de São Paulo, São Carlos. 2006. [7] A.L. Delormel, “Metodologia automática de estimação de idade óssea utilizando análise de forma em radiografias carpais”. 2010. Dissertação (Mestrado) – Escola de Engenharia de São Carlos, Universidade de São Paulo, São Carlos. 2010. [8] D.G. Lamparski, “Skeletal age assessment utilizing cervical vertebrae”. Thesis (Master) – University of Pittsburgh, Pittsburgh. 1972. [9] B. Hassel, and A.G. Farman, “Skeletal maturation evaluation using cervical vertebrae”, American Journal of Orthodontics and Dentofacial Orthopedics, v. 107, n. 1, p. 58-66, jan., 1995. [10] T. Baccetti, L. Franchi, and J.A. McNamara Jr., “The cervical vertebral maturation (CVM) method for the assessment of optimal treatment timing in dentofacial orthopedics”, Seminars in Orthodontics, v.11, p. 119-129, 2005. [11] A.S. Plasschaert, “Estudo comparativo da aplicabilidade do software CEF-X com o método inspecional da maturação óssea das vértebras cervicais”. 2005. Dissertação (Mestrado) – Fundação Comunitária Tricordiana de Educação, Universidade Vale do Rio Verde de Três Corações, Três Corações. 2005. [12] M.P. Caldas, “Avaliação da maturação esquelética na população brasileira por meio da análise das vértebras cervicais”. 2007. Dissertação (Mestrado) – Faculdade de Odontologia de Piracicaba, Universidade Estadual de Campinas, Piracicaba. 2007. [13] R.C. Gonzalez, R.E. Woods, and S.L. Eddins, Digital Image Processing Using MATLAB, 2nd ed., Gatesmark Publishing, USA, 2009. [14] R.C. Gonzalez, and R.E. Woods, Processamento Digital de Imagens, 3a. edição, Pearson Prentice Hall, São Paulo, 2010.