Recuperação Baseada em Conteúdo de Imagens Mamográficas: Atributos Visuais de Forma, Espectrais no domínio de Radon e Granulometria Autores: Sérgio K

Recuperação Baseada em Conteúdo de Imagens Recuperação Baseada em Conteúdo de Imagens Mamográficas: Atributos Visuais de Forma, Mamográficas: Atributos Visuais de Forma,

Espectrais no domínio de Radon e GranulometriaEspectrais no domínio de Radon e Granulometria

Autores:Autores:

Sérgio K. Kinoshita, R. R. Pereira Júnior, M.O. Honda, Sérgio K. Kinoshita, R. R. Pereira Júnior, M.O. Honda, J.A.H. Rodrigues e Paulo M. de Azevedo Marques.J.A.H. Rodrigues e Paulo M. de Azevedo Marques.

Universidade de São PauloUniversidade de São Paulo

Escola de Engenharia de São CarlosEscola de Engenharia de São Carlos

Departamento de Engenharia ElétricaDepartamento de Engenharia Elétrica@LADIM – SEL - EESC - USP@LADIM – SEL - EESC - USP CHOPI – CCIFM - HCFMRP - USPCHOPI – CCIFM - HCFMRP - USP

2

IntroduçãoIntrodução

1. Câncer de mama é a principal causa de mortalidade na população feminina de acordo com ACS1 e o INC/MS2;

2. Mamografia é considerada a forma mais eficaz para a detecção precoce de câncer de mama, permitindo a identificação da lesão quando ainda não é palpável.

3. Associação da densidade mamária com o risco de desenvolvimento de câncer da mama (Wolfe, 1976).

Vários trabalhos, até hoje, utilizam a medida de densidade como fator de risco de câncer de mama de acordo com o padrão de Wolfe.

Existe controvérsia na adoção desse padrão, mas há a unanimidade de que a densidade mamária é um fator importante na avaliação da mamografia.

4. Surgimento de padrões com o objetivo da caracterização da densidade mamária

Padrão BI-RADS

1American Cancer Society, Cancer Facts and Figures, NY, 2004.

2 Instituto Nacional de Cancer – Ministério da Saúde, 2003.

Wolfe, JN (1976), “Risk for breast cancer development determined by mammographic parenchymal pattern”, Cancer, V.37, p.2486-92.

3


Padrão BI-RADS( descrição, enquadramento da mama e recomendações de conduta e conclusões)

• Composição: é importante para especificar o grau de sensibilidade que se espera no diagnóstico.

• Composição 1, 2, 3 e 4.

• Categoria: é utilizado para classificar a mama de acordo com os achados radiológicos.

• Categoria 0, 1, 2, 3, 4A, 4B, 4C e 5.

1American College of Radiology – Breast Imaging Reporting and Data System, 4 th edition, 2003.

4


Padrão BI-RADSPadrão BI-RADS( descrição e enquadramento, conclusão e conduta)( descrição e enquadramento, conclusão e conduta)

• ComposiçãoComposição: é importante para especificar o grau de sensibilidade que se : é importante para especificar o grau de sensibilidade que se espera no diagnóstico.espera no diagnóstico.

• Composição 1, 2, 3 e 4.Composição 1, 2, 3 e 4.

•CategoriaCategoria: é utilizado para classificar a mama de acordo com os achados : é utilizado para classificar a mama de acordo com os achados mamográficos.mamográficos.

•Categoria 0, 1, 2, 3, 4A, 4B, 4C e 5.Categoria 0, 1, 2, 3, 4A, 4B, 4C e 5.

•Vários trabalhos realizam a caracterização de acordo com esse padrão.Vários trabalhos realizam a caracterização de acordo com esse padrão.

5. Análise da mamografia pelo radiologista

Todo o processo é feito de forma visual e envolve alto grau de subjetividade.

6. Sistema Computadorizado de Auxílio ao Diagnóstico (CAD)

Representa a maioria dos trabalhos em análise de densidade em mamografia e tem objetivos bem definidos quanto ao resultado esperado (classificação no padrão Wolfe e BI-RADS).

7. Sistema de Recuperação de Imagens Baseado em Conteúdo (CBIR)

Não existe trabalho de análise de densidade em CBIR.

A busca de imagens é feita através de atributos visuais de similaridade.

5

ObjetivoObjetivo

Investigar atributos visuais para a recuperação de Investigar atributos visuais para a recuperação de imagens mamográficas baseado em conteúdo (CBIR) imagens mamográficas baseado em conteúdo (CBIR) que levem em consideração a densidade de tecidos que levem em consideração a densidade de tecidos mamários, quanto à sua distribuição e intensidade.mamários, quanto à sua distribuição e intensidade.

6

MetodologiaMetodologia

Preparação e Processamento da Imagem

Extração e Seleção de

Atributos

Classificação e Comparação por Similaridade

ImagemImagemDigitalizadaDigitalizada

TreinamentoTeste (consulta)

ImagemImagemRecuperadaRecuperada

Banco de Banco de ImagemImagem

Atributos Atributos VisuaisVisuais

Esquema Geral

7


Imagem Digitalizada

Imagens selecionadas pertencem ao projeto de Banco de Imagens do HCFMRP-USP, módulo Mamografia, processo HCRP número 10093/2003.

Foram selecionados 270 casos, correspondendo à 1080 imagens 270 CC direita, 270 CC esquerda, 270 MLO direita e 270 MLO esquerda.

As imagens foram acompanhadas de respectivo laudo médico. A descrição dos laudos acompanha o padrão BI-RADS e contém descrições de características de simetria, classificação volumétrica, distribuição e forma da densidade mamária, classificação da composição da mama (1,2,3 ou 4), classificação da categoria (0,1,2,3,4A,4B,4C ou 5), etc.

As imagens foram digitalizadas com resolução espacial de 300 dpi (84,67 m) e 12 bits de quantização (4096 níveis de cinza).

Foram digitalizados 148 filmes mamográficos com dimensão de 240x300 mm e 932 filmes com dimensão de 180 x 240 mm.

Após realizados recortes na imagem para eliminação da identificação da paciente, redimensionamento da imagem para 1024x1024, o tamanho dos pixels passaram a ter os tamanhos de 223,50 m e 279,40 m, de acordo com a dimensão do filme.

8


Extração e Seleção de Atributos

Extração de Atributos de Forma

Os atributos utilizados pertencem aos grupos de textura e forma.

Atributos de forma de área, solidez e razão de diâmetro.

Atributos de Medida de Granulometria.

Atributos Espectrais no Domínio de Radon

9




Área da Região da Mama

A mais simples maneira de calcular a área de um objeto em uma imagem, é contar o número de pixels do objeto.

O valor da área foi normalizado e transformado em milimetro.

L

gghN )(

2n

tpNA

N: número de pixels do objeto.

L: número de níveis de cinza do objeto.

h(g): a freqüência de nível de cinza g que pertence ao objeto.

A: área em milimetross

tp: o tamanho do pixel (0,2235mm ou 0,2794mm)

n2: o número total de pixels na imagem

10




Solidez, Compacidade ou Compactação

Determina a razão do perímetro (P) e a área do objeto (A).

A equação foi alterada de tal forma que para objetos semicirculares o valor aproxima de zero e aumenta de acordo com a complexidade ou rugosidade da forma.

A

PS

2

2

21

P

AS

11




Medida de Razão de Diâmetro

Este atributo fornece o grau de elongação da forma da mama. Quanto maior o valor do atributo, mais elongado será a sua forma; caso contrário, a mama terá a forma achatada.

Dx

Dy

CC

Dx

DyRD

Dx

Dy

MLO

12




Imagem Área (A)Solidez

(S)

Razão de Diâmetro

(RD)

Imagem (a) 0,0998 0,7958 1,5916

Imagem (b) 0,0211 0,8087 0,7904

a

b

Medidas de atributos de forma extraídos das imagens (área, solidez e razão de diâmetro).

13



Medida de Granulometria

Fornece a distribuição dos tamanhos dos objetos presentes em uma amostra.

São aplicados filtros morfológicos de abertura com elemento estruturante de tamanho crescente na imagem original.

A diferença entre a imagem original e a imagem filtrada é computada a cada passagem crescente do elemento estruturante no filtro morfológico.

No final do processo, essas diferenças são normalizadas e usadas na construção de um histograma de distribuição dos tamanhos dos objetos presentes na imagem.

Na mamografia, a densidade comumente aparece com aspecto granular que pode interferir na exatidão da caracterização de achados na região da mama.

Extraímos a distribuição da imagem da região fibro-glandular segmentada e aplicamos o filtro morfológico com elemento estruturante com formato circular e raio variando entre 5 e 60 pixels.

Utilizamos o histograma de distribuição como atributo de medida de granulometria.

14



Medida de Granulometria

Processo de extração de atributo de medida de Granulometria. (a) imagem original; (b) imagem com a região de tecido fibro-glandular segmentada; (c) imagem numa etapa de filtragem de abertura morfológica;

(d) o histograma da quantidade de pixels em função do raio de abertura do elemento estruturante.

15


Ilustração de uma imagem em nível de cinza e o domínio de Radon aplicada a transformada de Radon.


Domínio de Radon

16



Domínio de Radon

No domínio de Radon, valores de picos representam altas intensidades numa determinada direção da imagem.

A posição e direção destes picos são facilmente identificadas na imagem.

Separamos o domínio de Radon R(t,) em duas funções unidimensionais da intensidade em função da posição R(t) e direção R().

Para analisar o comportamento das funções, extraímos os valores de Média, Momentos centrado na média (Desvio-padrão, Skewness e Kurtosis) e Entropia.

17



Domínio de Radon

Gráfico das funções de decomposição do domínio de Radon. (a) imagem com a região fibro-glandular segmentada; (b) Domínio de Radon R(t,); (c-d) as funções decompostas Rt() e R(t).

18



Exemplo do Domínio de Radon

Função MédiaDesvio-padrão

Skewness Kurtosis Entropia

Rt() 85,9352 53,2773 0,1314 1,7293 0,0082

R(t) 17,3467 218,5510 -0,0306 2,6100 0,0018

Medidas de momentos estatísticos extraídos dos gráficos Rt( e R(t) .

19



Seleção de Atributos

Este processo definiu a combinação de atributos que irão compor o conjunto de vetores de entrada para o treinamento e teste da rede SOM de Kohonen.

Foram realizadas combinações de atributos que variaram entre 10 e 33, foi utilizado o método de Análise de Componentes Principais (PCA) para redução da dimensionalidade.

Os conjuntos de atributos foram normalizados para o intervalo [-1,1] antes da redução da dimensionalidade, utilizando a equação (1).

Após a redução da dimensionalidade, os valores foram normalizados para o intervalo [0,1] para a entrada da rede SOM, utilizando a equação (2).

x

x(1) (2)minmax

min

xx

xxx

20


Sistema CBIR com Rede SOM

Definição dos Grupos de Amostras de Treinamento e Teste

A amostra de atributos extraídas das imagens foi dividida em treinamento e teste, utilizando o método “leaving-one-out”.

As imagens foram agrupadas em amostras de 270 imagens, sendo 269 imagens para treinamento e 1 imagem para teste, até completar o conjunto da amostra.

Com isso, a avaliação do grau de generalização do classificador ficou, desta forma, garantida.

21



A Rede de Mapa Auto-Organizável de Kohonen (SOM)

Adotamos a topologia de grade de 16x16 neurônios, totalizando 256 neurônios na camada de saída. Para o treinamento, adotamos o valor máximo de 8.000 epochs e a taxa de aprendizagem não fixada.

22



A Rede de Mapa Auto-Organizável de Kohonen (SOM)

23


Avaliação do Sistema CBIR

Avaliação do desempenho do sistema de recuperação

Na saida da rede SOM, cada imagem teste foi classificada dentro de um grupo de imagens de acordo com a similaridade dos atributos utilizados.

Para avaliar o desempenho do sistema de recuperação, utilizou-se a taxa de precisão pela classificação da composição dos tecidos pelo critério BI-RADS registrada no laudo médico da paciente. A classificação levou em consideração a variabilidade existente entre os observadores na descrição da composição dos tecidos no laudo médico. Foram calculadas as taxas médias de precisão entre a imagem de consulta e as imagens recuperadas.O coeficiente de correlação médio e o desvio-padrão foram calculados com o objetivo de demonstrar a correlação entre as imagens recuperadas e as imagens de consulta.

24


Avaliação pela taxa de precisão da classificação da composição dos tecidos

Para o cálculo da correlação, utilizamos um sistema de alinhamento entre as imagens (consulta e recuperadas).

21

22),(),(

),(),(

),(

N

x

N

y

N

x

N

y

gyxgfyxf

gyxgfyxf

gfcc


25



Imagens recuperadas com o atributo no domínio de Radon. Em (a) a imagem teste com composição 4, classificadas no padrão BI-RADS; em (b-d) imagem recuperada com composições diferentes.


26



Composição da imagem teste

Faixa de classes consideradas pela composição de tecidos na

classificação

1 1 e 2

2 1, 2 e 3

3 2, 3 e 4

4 3 e 4

Tabela do critério usado na classificação das imagens recuperadas considerando a variabilidade ocorrida durante a avaliação da imagem de

acordo com a composição no padrão BI-RADS.


27


Resultados da avaliação pela taxa de precisão da classificação da composição dos tecidos

Taxa de Precisão Grupo de AtributosCoeficiente de

Correlação

( )

82,86% Domínio de Radon 0,8378 0,1014

81,81% Medida de Granulometria 0,8383 0,0925

84,74% Forma e Domínio de Radon 0,8478 0,0902

82,02% Forma e Medida de Granulometria 0,8381 0,0947

84,50% Forma, Domínio de Radon e Medida de Granulometria 0,8472 0,0949

Os melhores resultados obtidos pela classificação da composição dos tecidos, de acordo com o padrão BI-RADS, para cada combinação de atributos.


28


Resultados da avaliação pela taxa de precisão da classificação da composição dos tecidos

Os resultados indicam a relevância dos atributos investigados para a recuperação baseada em conteúdo de imagens mamográfricas.


Recuperação Baseada em Conteúdo de Imagens Recuperação Baseada em Conteúdo de Imagens Mamográficas: Atributos Visuais de Forma, Mamográficas: Atributos Visuais de Forma,

Espectrais no domínio de Radon e GranulometriaEspectrais no domínio de Radon e Granulometria

Autores:Autores:

Sérgio K. Kinoshita, R. R. Pereira Júnior, M.O. Honda, Sérgio K. Kinoshita, R. R. Pereira Júnior, M.O. Honda, J.A.H. Rodrigues e Paulo M. de Azevedo Marques.J.A.H. Rodrigues e Paulo M. de Azevedo Marques.

Universidade de São PauloUniversidade de São Paulo

Escola de Engenharia de São CarlosEscola de Engenharia de São Carlos

Departamento de Engenharia ElétricaDepartamento de Engenharia Elétrica@LADIM – SEL - EESC - USP@LADIM – SEL - EESC - USP CHOPI – CCIFM - HCFMRP - USPCHOPI – CCIFM - HCFMRP - USP

Fim da ApresentaçãoFim da Apresentação

Documents

Recuperação Baseada em Conteúdo de Imagens Mamográficas: Atributos Visuais de Forma, Espectrais no domínio de Radon e Granulometria Autores: Sérgio K