UNIVERSIDADE DE MOGI DAS CRUZES
PATRÍCIA SARNO MENDES GARCIA
DETECÇÃO DA ASSIMETRIA MAMÁRIA, CLASSIFICAÇÃO
DA DENSIDADE E VALIDAÇÃO DOS RESULTADOS NA
WEB
MOGI DAS CRUZES, SP
2009
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
UNIVERSIDADE DE MOGI DAS CRUZES
PATRÍCIA SARNO MENDES GARCIA
DETECÇÃO DA ASSIMETRIA MAMÁRIA, CLASSIFICAÇÃO
DA DENSIDADE E VALIDAÇÃO DOS RESULTADOS NA
WEB
Dissertação de Mestrado apresentado
à Comissão de pós-graduação em
Engenharia Biomédica da
Universidade de Mogi das Cruzes,
para obtenção do título de mestre em
Engenharia Biomédica.
Profª Orientadora Drª Silvia C. M. Rodrigues
MOGI DAS CRUZES, SP
2009
DEDICATÓRIA
Dedico este trabalho ao meu marido, aos meus pais, minha irmã, familiares, amigos, colegas e professores que estão sempre ao meu lado nas horas em que preciso. Sem dúvida alguma só consegui realizar o mestrado graças ao apoio recebido. Dedico a Deus por sempre me encaminhar para o melhor caminho e me dar saúde e disposição para enfrentar a correria do dia-a-dia.
AGRADECIMENTOS
Agradeço e muito a minha orientadora Profª Dra Silvia C. M. Rodrigues por toda paciência e dedicação prestada, com certeza não teria conseguido sem ela.
Quero agradecer a ajuda dos médicos que deixaram de descansar para colaborar comigo nos seus momentos de folgas, a Dra. Rejane de Almeida Borges e o Dr. Claudio Gilberto Defávori. Um agradecimento a minha tia e médica Dra. Claudete Mendes Normandia Moreira, por me ajudar na busca de um médico e por ter me apresentado ao Dr. Claudio sempre muito paciente e atencioso comigo, colaborando ao máximo com o trabalho.
Um agradecimento especial ao meu marido, aos meus pais e a minha irmã que me estão exaustos de ver imagens mamográficas, pois me ajudaram em algumas etapas do projeto, além de aguentarem o estresse da correria do meu dia a dia. Minha família é muito especial, sempre poderei contar com eles, pois estão presentes em todos os momentos da minha vida.
Agradeço aos meus chefes e amigos Flávio e Jussara por me darem a oportunidade de realizar o mestrado. Ao Flávio por toda dedicação, carinho, apoio e ajuda para que eu conseguisse concluir mais essa etapa.
Ao Alisson Cavalvanti Agiani por ter colaborado com a abertura das imagens do DDSM.
Ao Profº Ms. José Eduardo Morello Lobo por todo incentivo e colaboração que sempre prestou a mim. Agradeço também ao Profº Dr. Henrique Quintino por todas as explicações e colaborações durante o mestrado.
Agradeço de coração ao apoio, e a ajuda do Profº Ms. Pedro Toledo, do Profº Ms. Leandro Luque e do Alisson, por toda colaboração durante o desenvolvimento do sistema de processamento de imagens e por todo empenho e disposição me auxiliando nas horas mais complicadas.
Agradeço também ao William Watanabe por ter me ajudado nas fases iniciais do projeto me explicando sobre técnicas de processamento de imagens.
Um agradecimento carinhoso à Daniele A. Nagayama de Oliveira, ao Denis Honorato pelo apoio, explicações, incentivos e colaborações durante o mestrado.
Quero agradecer a todos que não citei nominalmente, pois seriam muitos nomes, pois tive a sorte de contar com a ajuda de muitas pessoas que sempre acreditaram em mim e sempre me apoiaram direta ou indiretamente.
RESUMO
O trabalho tem como objetivo desenvolver um sistema para a detecção automática da assimetria e a classificação da densidade mamária de acordo o protocolo BIRADS™. O sistema para processamento das imagens foi desenvolvido na linguagem Delphi, o resultado do sistema é comparado automaticamente com outras classificações, grupo ouro ou mesmo especialista na área. As classes com as faixas de porcentagens das densidades no padrão do protocolo BIRADS™(I, II, III e IV) foram estabelecidas de acordo com a calibragem do software nos 10 pares de imagens do DDSM. Após a escolha dos melhores resultados o grupo ouro (66 pares de imagens do DDSM –“Digital Database for Screening Mammography”) foi processado pelo software. Os resultados apresentados pelo sistema nos 66 pares de imagens do DDSM foram salvos no software da Web desenvolvido na linguagem PHP. A porcentagem de acertos foi calculada automaticamente pelo sistema Web que comparou os laudos contidos nas imagens do DDSM com os resultados obtidos pelo sistema. As etapas de pré-processamento foram analisadas com a ajuda de especialistas para poder aferir melhor cada fase e com isso diminuir a possibilidade de falhas na classificação da densidade e na detecção da assimetria. O software obteve 78,03% de acerto com relação à classificação da densidade e 69,69 % com relação à detecção da assimetria. Palavras-Chave: BIRADS™, Assimetria Mamária, Densidade Mamária, Mamografia, Diagnóstico Auxiliado por Computador (CAD), Processamento de Imagem. .
ABSTRACT
The purpose of this work is to develop an automatic detection system of the asymmetry and the classification of the breast density, according to the BIRADS™ protocol. The image processing system was developed in the Delphi language. The result of the system was automatically compared to other classification systems, gold group and even with other specialists in this area. The categories with the percentage rates of the density at the BIRADS™ protocol standard (I, II, III e IV) were established according to the software calibration at the 10 DDSM image pairs. After choosing the best results, the golden group (66 DDSM image pairs –“Digital Database for Screening Mammography”) was processed by the software. The results presented by the system, at the 66 DDSM image pairs, were saved at the WEB software which was developed in the PHP language. The rightness indicator was automatically calculated by the Web system which compared the data at the DDSM image with the results gathered by the system. The pre-processing stages were analyzed with the help of specialists to better check every phase and, thus, to decrease the failure possibilities at the density classification and also at the asymmetry detection. The software obtained 78,03% of rightness regarding the density classification and 69,69% concerning the asymmetry detection.
Keywords: BIRADS™, Breast Asymmetry, Breast Density, Mammography, Computer Auxiliary Diagnosis (CAD), Image Processing.
LISTA DE TABELAS
TABELA 1: TABELA COM OS PARÂMETROS ESCOLHIDOS DE CALIBRAGEM DO SISTEMA.67
TABELA 2: TABELA COM OS PRIMEIROS PARÂMETROS DE CALIBRAGEM DO SISTEMA .. 76
TABELA 3: TABELA COM OS RESULTADOS DOS PRIMEIROS PARÂMETROS APLICADOS . 77
TABELA 4: TABELA COM OS SEGUNDOS PARÂMETROS DE CALIBRAGEM DO SISTEMA .. 78
TABELA 5: TABELA COM OS RESULTADOS DOS SEGUNDOS PARÂMETROS APLICADOS 78
TABELA 6: TABELA COM OS TERCEIROS PARÂMETROS DE CALIBRAGEM DO SISTEMA .. 79
TABELA 7: TABELA COM OS RESULTADOS DOS TERCEIROS PARÂMETROS APLICADOS 80
TABELA 8: RESULTADOS FINAIS APRESENTADOS PELO SISTEMA EM RELAÇÃO A
CLASSIFICAÇÃO DA DENSIDADE ..................................................................... 83
LISTAS DE ILUSTRAÇÕES
FIGURA 1: IMAGENS ADQUIRIDAS DE DIFERENTES FORMAS. A) IMAGEM DA MAMA
MOSTRANDO COMO SERIA O POSICIONAMENTO PARA IMAGENS CRÂNIO CAUDAL
(CC) E MÉDIO LATERAL OBLÍQUO (MLO). B) IMAGEM CRÂNIO-CAUDAL C) IMAGEM
MÉDIO LATERAL OBLÍQUO ............................................................................ 14
FIGURA 2: IMAGEM QUE APRESENTA OS GÂNGLIOS LINFÁTICOS E UM TUMOR. ........... 15
FIGURA 3: ESTRUTURA DA MAMA: A) VISÃO LATERAL, B) VISÃO FRONTAL DA MAMA. ... 16
FIGURA 4: IMAGEM MAMOGRÁFICA DE UMA MAMA COM DEMARCAÇÃO DAS ESTRUTURAS
UTILIZADAS NO TRABALHO. ............................................................................ 17
FIGURA 5: A) IMAGEM PADRÃO DE DENSIDADE I, B) ) IMAGEM PADRÃO DE DENSIDADE II,
C) ) IMAGEM PADRÃO DE DENSIDADE III, D) ) IMAGEM PADRÃO DE DENSIDADE IV 20
FIGURA 6: (A) IMAGENS ORIGINAIS, "MDB107.PGM" E "MDB108.PGM" (MINI-MIAS)
CLASSIFICADAS COMO ASSIMÉTRICAS. (B) IMAGENS RESULTANTES DO 1º ESTÁGIO
PARA ENCONTRAR A BORDA DA MAMA. (C) IMAGENS RESULTANTES DO 2º ESTÁGIO
DE PARA ENCONTRAR O MÚSCULO PEITORAL. (D) IMAGENS RESULTANTES DO
ÚLTIMO ESTÁGIO DE PARA SEPARAR O DISCO GLANDULAR. ............................... 26
FIGURA 7: TELA PARA DETECÇÃO DE PARÂMETROS ................................................ 28
FIGURA 8: IMAGEM APÓS PROCESSAMENTO PARA DETECÇÃO DAS BORDAS E
ELIMINAÇÃO DA ESTRUTURA EXTERNA ............................................................ 29
FIGURA 9: TELA PARA ESCOLHA DOS PARÂMETROS PARA ESTIPULAR A DENSIDADE ... 30
FIGURA 10: A) IMAGENS DO EXAME DE MAMOGRAFIA .............................................. 31
FIGURA 11: A) MAMA GORDA, B) MAMA COM TECIDO GLANDULAR E C) MAMA DENSA .. 32
FIGURA 12: HISTOGRAMA DOS TRÊS TIPOS DE MAMAS ............................................ 33
FIGURA 13: A) IMAGEM ORIGINAL, B) IMAGEM APÓS THRESHOLD DETECTANDO A MAIOR
REGIÃO E C) IMAGEM SEGMENTADA SEM O FUNDO E SEM O MÚSCULO PEITORAL. 33
FIGURA 14: IMAGEM DO SOFTWARE WINMAMMO ................................................... 35
FIGURA 15: JANELA COM DIAGNÓSTICOS VERDADEIROS ......................................... 36
FIGURA 16: HISTOGRAMA DE CORES DE UMA MAMMOGRAFIA. ................................. 36
FIGURA 17: ALGORITMO EM ÁRVORE E IMAGEM COM MAMILO PARA CIMA. ................. 37
FIGURA 18: (A) ASSIMETRIA GLOBAL, (B) ASSIMETRIA LOCA ..................................... 38
FIGURA 19: A) IMAGEM ORIGINAL, B) IMAGEM APÓS A REDUÇÃO DOS NÍVEIS DE CINZA E
C) IMAGEM APÓS FECHAMENTO POR RECONSTRUÇÃO. ..................................... 39
FIGURA 20: A) IMAGEM BINARIZADA E B) IMAGEM RECONSTRUÍDA E COM PRESERVAÇÃO
DO MÚSCULO PEITORAL. ............................................................................... 40
FIGURA 21: A) MAMOGRAFIA ORIGINAL SEM PROCESSAMENTO B) MAMOGRAFIA
PROCESSADA, CLASSIFICADA COMO COMPOSIÇÃO DE DENSIDADE I. C)
MAMOGRAFIA ORIGINAL SEM PROCESSAMENTO D) MAMOGRAFIA PROCESSADA,
CLASSIFICADA COMO COMPOSIÇÃO DE DENSIDADE II E) MAMOGRAFIA ORIGINAL
SEM PROCESSAMENTO F) MAMOGRAFIA PROCESSADA, CLASSIFICADA COMO
COMPOSIÇÃO DE DENSIDADE III A) MAMOGRAFIA ORIGINAL SEM PROCESSAMENTO
G) MAMOGRAFIA PROCESSADA, CLASSIFICADA COMO COMPOSIÇÃO DE DENSIDADE
IV ............................................................................................................... 43
FIGURA 22: TÍPICO HISTOGRAMA DE UMA MAMOGRAFIA. OBVIAMENTE, EXISTEM TRÊS
DIFERENTES ZONAS: BACKGROUND EM MENOR INTENSIDADE, TECIDO MAMÁRIO,
EM MÉDIA INTENSIDADE E ANOTAÇÕES E MÚSCULO PEITORAL NA MAIS ALTA
INTENSIDADE. .............................................................................................. 44
FIGURA 23: SEQUÊNCIA DE SEGMENTAÇÃO DA MAMA. A) IMAGEM ORIGINAL, B)
RESULTADO DO THRESHOLD DA IMAGEM, C) ALGORITMO CCL APLICADO PARA
IDENTIFICAR A REGIÃO DE INTERESSE E D) IMAGEM SEGMENTADA SEM O FUNDO E
SEM O MÚSCULO PEITORAL. .......................................................................... 45
FIGURA 24: IMAGEM COM SEPARAÇÃO DO TECIDO GLANDULAR................................ 45
FIGURA 25: FLUXOGRAMA DE UPLOAD DA IMAGEM DA WEB NO DELPHI. ................... 49
FIGURA 26: FLUXOGRAMA PARA CONTABILIZAR AS FAIXAS DE VALORES DAS IMAGENS.
.................................................................................................................. 52
FIGURA 27: FLUXOGRAMA DE CLASSIFICAÇÃO DA DENSIDADE PADRÃO BIRADS™ IV.
.................................................................................................................. 53
FIGURA 28: FLUXOGRAMA QUE DETERMINA A FAIXA DAS ESTRUTURAS (MÚSCULO
PEITORAL E DENSIDADE). .............................................................................. 55
FIGURA 29: FLUXOGRAMA PARA A PADRONIZAÇÃO DAS ESTRUTURAS DO TECIDO
ADIPOSO, TECIDO DENSO E MÚSCULO PEITORAL.............................................. 59
FIGURA 30: FLUXOGRAMA PARA MARCAR A PELE AR COMO GORDURA...................... 60
FIGURA 31: FLUXOGRAMA COM A MATRIZ DAS COORDENADAS DO MÚSCULO PEITORAL.
.................................................................................................................. 63
FIGURA 32: FLUXOGRAMA DA SEGMENTAÇÃO DO MÚSCULO PEITORAL. .................... 65
FIGURA 33: FLUXOGRAMA PARA DEIXAR EM EVIDÊNCIA SOMENTE A ÁREA DENSA E O
TECIDO ADIPOSO. ......................................................................................... 66
FIGURA 34: FLUXOGRAMA DE CLASSIFICAÇÃO DA DENSIDADE. ................................ 69
FIGURA 35: FLUXOGRAMA CONTENDO A DETECÇÃO DA ASSIMETRIA......................... 70
FIGURA 36: TELA INICIAL DO SISTEMA DESENVOLVIDO EM DELPHI PARA O
PROCESSAMENTO DAS IMAGENS. ................................................................... 72
FIGURA 37: HISTOGRAMA DA IMAGEM B_3506.BMP DO BANCO DDSM. .................. 73
FIGURA 38: A) B_3506.BMP DO BANCO DDSM APÓS SEGMENTAÇÃO DO MÚSCULO
PEITORAL, B) B_3506.BMP DO BANCO DDSM APÓS PROCESSAMENTOS PARA
PADRONIZAÇÃO DAS ESTRUTURAS (DENSIDADE, TECIDO ADIPOSO E MÚSCULO
PEITORAL). .................................................................................................. 74
FIGURA 39: IMAGEM DO SISTEMA EM DELPHI APÓS OS PROCESSAMENTOS E A
CLASSIFICAÇÃO DA MAMA. ............................................................................ 76
FIGURA 40: SISTEMA WEB PARA PROCESSAR OS RESULTADOS, ONDE SE ESCOLHE O
MÉDICO OU BASE DE DADOS DE REFERÊNCIA QUE IRÁ SER COMPARADO COM OS
RESULTADOS DO SISTEMA. ............................................................................ 81
FIGURA 41: TELA DO DETALHAMENTO DA VALIDAÇÃO DO SISTEMA WEB. .................. 81
FIGURA 42: TELA DO SISTEMA WEB DE TODOS OS RESULTADOS JÁ PROCESSADOS
PELO SISTEMA. ............................................................................................ 82
FIGURA 43: TELA DE RESULTADOS DETALHADOS DE ACERTOS E FALHAS DE CADA
IMAGEM E DA BASE DE DADOS. APARECE O TOTAL DE IMAGENS PROCESSADAS E O
TOTAL DE ACERTOS. ..................................................................................... 82
FIGURA 44: PORCENTAGEM DE ACERTOS E FALHAS DA CLASSIFICAÇÃO DA DENSIDADE
ENTRE OS LAUDOS DO DDSM E OS RESULTADOS DO SISTEMA DA MAMA
ESQUERDA EM 66 IMAGENS. .......................................................................... 83
FIGURA 45: PORCENTAGEM DE ACERTOS E FALHAS DA CLASSIFICAÇÃO DA DENSIDADE
ENTRE OS LAUDOS DO DDSM E OS RESULTADOS DO SISTEMA DA MAMA DIREITA
EM 66 IMAGENS. .......................................................................................... 84
FIGURA 46: RESULTADOS DO DDSM COLOCADOS NA PLANILHA DO EXCEL. ............. 84
FIGURA 47: RESULTADO DO SISTEMA NA PLANILHA DO EXCEL. ................................ 85
FIGURA 48: REPRESENTAÇÃO DA ESTRUTURA DE DECISÃO .................................... 97
FIGURA 49: ESTRUTURA DE REPETIÇÃO SIMPLES ................................................... 97
FIGURA 50: ESTRUTURA DE REPETIÇÃO ENCADEADA.............................................. 98
LISTA DE SÍMBOLOS
SIMBOLOGIA SIGNIFICADOS
Utilizada para mostrar atribuição de valores as
variáveis do sistema.
* Multiplicação
< Menor
> Maior
<= Menor ou igual
>= Maior ou igual
<> Diferente
True Valor atribuído a uma variável booleana (TRUE ou
FALSE)
Início ou fim do fluxograma
Processo ou operação
Decisão, condicional, quando a seta for para baixo
significa que a condição foi verdadeira, se for para a
direita significa que foi falsa
Estrutura de repetição, repetirá que seguem abaixo
até que a condição não atenda mais e sai da
repetição.
Conector
SUMÁRIO
1 CONCEITOS INICIAIS .................................................................................. 14
1.1 Mamografias ............................................................................................... 14
1.2 Anatomia da Mama .................................................................................... 14
1.3 Assimetria Mamária .................................................................................... 17
1.3.1 Densidade Assimétrica Focal .............................................................. 18
1.3.2 Tecido Mamário Assimétrico ................................................................ 18
2 INTRODUÇÃO .............................................................................................. 19
2.1 Justificativa ................................................................................................. 21
2.2 Objetivo ...................................................................................................... 22
2.3 Apresentação ............................................................................................. 22
3 ESTADO DA ARTE ....................................................................................... 23
3.1 A Evolução dos Sistemas CAD para Detecção de Densidade e Assimetria
......................................................................................................................... 23
3.1.1 Método Desenvolvido por Ferrari et. al. (2000) .................................... 23
3.1.2 Método Desenvolvido por Saha et. al. (2001) ...................................... 26
3.1.3 Método Desenvolvido por Ferrari et. al. (2001) .................................... 27
3.1.4 Método Elaborado por Rangayyan et. al. (2004) ................................. 27
3.1.5 Método Desenvolvido por Ferrari et. al. (2004) .................................... 27
3.1.6 Método Desenvolvido por Medeiros et. al. (2004) ............................... 28
3.1.7 Método Desenvolvido por Pires et. al. (2004) ...................................... 30
3.1.8 Método Desenvolvido por Oliver et. al.(2005) ...................................... 32
3.1.9 Software WinMammo utilizado por Henderson (2005) ........................ 34
3.1.10 Método Desenvolvido por Nunes (2006) ............................................ 37
3.1.11 Método Desenvolvido por Carvalho et. al. (2006) .............................. 38
3.1.12 Método Desenvolvido por Rodrigues et. al. (2007) ............................ 40
3.1.13 Método Desenvolvido por Malagelada (2007) ................................... 43
4 MATERIAIS E MÉTODOS............................................................................. 47
4.1 Sistema Web .............................................................................................. 48
4.2 Processamento da imagem na linguagem Delphi ...................................... 48
4.2.1 Download da Imagem no Software Delphi ........................................... 49
4.2.2 Escolha de Limiares para separação de estruturas ............................. 49
4.2.3 Verificação Inicial para Classificação Antecipada da Densidade IV .... 53
4.2.4 Estabelecimento dos limiares da Densidade e do Músculo Peitoral .... 54
4.2.5 Padronização de Estruturas: Tecido Adiposo, Tecido Denso e Músculo
Peitoral.......................................................................................................... 56
4.2.6 Identificação da Pele Ar ....................................................................... 60
4.2.7 Demarcação e Segmentação do Músculo Peitoral .............................. 61
4.2.8 Segmentação do Músculo Peitoral ...................................................... 64
4.2.9 Segmentação das Estruturas Diferentes de Densidade e Tecido
Adiposo ......................................................................................................... 66
4.2.10 Classificação da Densidade e Detecção da Assimetria ..................... 67
4.3 Validação dos Resultados .......................................................................... 71
5 RESULTADOS E DISCUSSÕES .................................................................. 72
5.1 Sistema Automático para Classificação da Densidade .............................. 72
5.1.1 Processamento .................................................................................... 72
5.2 Comparação dos Resultados ..................................................................... 80
6 CONCLUSÃO E DISCUSSÃO ...................................................................... 86
7 TRABALHOS FUTUROS .............................................................................. 89
REFERÊNCIAS ................................................................................................ 90
APÊNDICE A - Fluxogramas ............................................................................ 96
Fluxogramas ..................................................................................................... 97
Estrutura de decisão ..................................................................................... 97
Estrutura de repetição simples ..................................................................... 97
Estrutura de repetição encadeada (uma estrutura de repetição dentro da
outra) ............................................................................................................ 98
14
1 CONCEITOS INICIAIS
1.1 Mamografias
Imagens médicas em geral, possibilitam que o médico avalie uma área específica
do corpo. No caso das mamografias, as mamas, com ela é possível detectar o câncer de
mama.
O jornal New England Journal of Medicine (2000) cita que as imagens médicas
têm sido um forte aliado dos médicos para detecção de doenças.
Malagelada (2007) relata que a aquisição das imagens das mamas é feita com
baixa energia de raios-X e podem ser obtidas de posições diferentes como mostrada na
Figura 1 a, b e c.
a) b) c)
Figura 1: Imagens adquiridas de diferentes formas. a) Imagem da mama mostrando como seria o
posicionamento para imagens Crânio Caudal (CC) e Médio Lateral Oblíquo (MLO). b) Imagem Crânio-
Caudal c) Imagem Médio Lateral Oblíquo
Fonte: Malagelada (2007)
É possível observar na Figura 1 c) o músculo peitoral, sua presença complica a
análise computadorizada.
1.2 Anatomia da Mama
Segundo KOPANS (2000) a mama é uma glândula modificada da pele de origem
ectodérmica, no nascimento tem em média 10 mm, iniciando o seu crescimento na
15
puberdade e chegando à mulher adulta nas dimensões em média de 10-11 cm de altura
por 12-13 cm de largura.
Brandão (2008) afirma que as mamas encontram-se fora da caixa torácica e dos
músculos peitorais. Contêm alvéolos secretores de leite e ductos lactíferos que
transportam o leite até os mamilos. Possui redes de vasos e de nódulos linfáticos que
envolvem as mamas e fazem parte do sistema imunológico, Figura 2.
Figura 2: Imagem que apresenta os gânglios linfáticos e um tumor.
Fonte: Brandão (2008)
A mama, segundo Brandão (2008), é composta de:
• Ácino ou Alvéolo – menor parte da glândula e é responsável pela fabricação do
leite durante a lactação;
• Lóbulo Mamário – conjunto de ácinos;
• Lobo Mamário – conjunto de lóbulos mamários que se liga a papila através de
ductos;
• Ductos Mamários – 15 a 20 canais que conduz o leite até a papila;
• Tecido Glandular – conjunto de lobos e ductos;
16
• Papila – protuberância elástica onde desembocam os ductos mamários;
• Aréola – estrutura central da mama onde se projeta a papila;
• Tecido Adiposo – todo o restante da mama é composto de tecido gorduroso ou
adiposo, as características físicas variam de acordo com o físico e idade da
mulher.
Na Figura 3 é apresentada a imagem com a formação da mama
a) b)
Figura 3: estrutura da mama: a) visão lateral, b) visão frontal da mama.
Fonte: Brandão (2008)
Na Figura 4 é possível observar uma imagem mamográfica com áreas de
estruturas demarcadas, músculo peitoral, área densa, tecido adiposo e artefatos.
17
Figura 4: Imagem mamográfica de uma mama com demarcação das estruturas utilizadas no trabalho.
1.3 Assimetria Mamária
Segundo Kopans (2000) as mamas (direita e esquerda da mesma pessoa) são
normalmente simétricas. A assimetria é a comparação bilateral entre regiões das mamas
direita e esquerda da mesma projeção. A identificação de assimetria estrutural é um
fator importante para detecção precoce do câncer de mama porque uma desigualdade
significativa entre as mamas pode indicar o desenvolvimento de alguma anomalia. Uma
mama pode ser maior que a outra, porém as estruturas internas são geralmente
simétricas nas áreas de análise. Quando o especialista observa que existem diferenças,
ou seja, assimetrias há a necessidade de se verificar se esta assimetria provém de um
problema real, de uma diferença de posicionamento na mamografia ou na compressão
realizada. Se detectado assimetrias significativas é necessário um estudo mais
aprofundado a fim de detectar possíveis tumores.
Ursin et al. (2005) relatam que o aumento da densidade da mama é geralmente
associado ao desenvolvimento do câncer de mama.
O Colégio Americano de Radiologia (CAR) utiliza a análise da assimetria mamária
para tornar a detecção precoce do câncer de mama mais eficiente. Balleyguier et. al.
(2005) dizem que o processo de análise de assimetria entre os mamogramas possui
18
alguns elementos que tornam o procedimento bastante difícil devido a um mau
posicionamento na aquisição da imagem que pode resultar em falsos diagnósticos, a
subjetividade do radiologista também é outro fator que pode atrapalhar no processo.
1.3.1 Densidade Assimétrica Focal
Kopans (2000) diz que a assimetria focal é uma avaliação inicial, ao qual o
observador compara a mama esquerda com a mama direita. Uma diferença de
quantidade de tecido glandular em locais diferentes da imagem precisa ser analisada
com mais cautela. Geralmente é um foco dentro do tecido mamário assimétrico, por isso
deve ser distinguida. Ela aparenta formar uma massa dentro do tecido, que possui uma
estrutura tridimensional com margens definíveis que desvanece no tecido circunvizinho.
1.3.2 Tecido Mamário Assimétrico
Segundo Kopans (2000) a assimetria de tecido mamário é o resultado de um
volume maior de tecido fibroglandular entre a mama esquerda e direita. Ele não forma
uma massa concentrada e sim o seu volume difere da outra mama, não há distorção na
arquitetura da mama, não há nenhuma calcificação associada ao tecido assimétrico. O
tecido assimétrico benigno é uma variante que se desenvolve. O aumento do volume de
densidade que não são justificados por diferenças em técnicas de imagenologia,
posicionamento, perda de peso ou reposição hormonal devem ser observados.
19
2 INTRODUÇÃO
Segundo o Instituto Nacional de Câncer (INCA, 2009), no Brasil, as estimativas
para o ano de 2008, válidas também para o ano de 2009, apontam que ocorrerão 470
mil casos novos de câncer. Os tipos mais incidentes, à exceção do câncer de pele do
tipo não melanoma, serão os cânceres de próstata e de pulmão, no sexo masculino, e
os cânceres de mama e de colo do útero, no sexo feminino, acompanhando o mesmo
perfil da magnitude observada no mundo.
O câncer de mama é provavelmente o mais temido pelas mulheres, devido à sua
alta frequência e, sobretudo pelos seus efeitos psicológicos, que afetam a percepção da
sexualidade e a própria imagem pessoal da mulher. Ele é relativamente raro antes dos
35 anos de idade, mas acima desta faixa etária sua incidência cresce rápida e
progressivamente. Este tipo de câncer representa nos países ocidentais uma das
principais causas de morte em mulheres, INCA (2007).
A mamografia tem-se mostrado o melhor meio para detecção precoce do câncer
de mama, com ela podemos perceber anomalias de massas e calcificações, sinais sutis
como assimetrias bilaterais e distorções de arquitetura. Samandar (2002) afirma que
embora haja uma grande variação no padrão de distribuição do parênquima nas mamas,
estas usualmente apresentam-se simétricas em densidade e arquitetura. No entanto,
pequena assimetria pode ocorrer em até 3% das pacientes e corresponde, em sua
maioria, a variação da normalidade, podendo ainda estar relacionada à alteração pós-
cirúrgica, a terapia de reposição hormonal (TRH) ou ao uso de contraceptivo oral.
Segundo Rangayyan et al. (2007) a assimetria de imagens bilaterais da mama direita e
esquerda é um sinal utilizado pelos radiologistas para diagnosticar o câncer de mama.
Kopans (2000) ressalta que a assimetria é um indício de anormalidade. A assimetria
pode ser detectada pela comparação bilateral entre regiões das mamas direita e
esquerda da mesma projeção. A identificação de assimetria estrutural é um fator
importante para detecção precoce do câncer de mama, Kopans (2000).
Kopans (2000) relata que na interpretação (laudos) da mamografia o médico deve
também procurar assimetrias. Uma mama pode ser maior que a outra, porém as
estruturas internas são geralmente simétricas nas áreas de análise. Existem áreas
pequenas que não são imagens espelhos, porém a distribuição do tecido tem que ser
razoavelmente simétrico. Quando o especialista observa que existem diferenças, ou
20
seja, assimetrias ele tem que verificar se esta assimetria provém de um problema real,
de uma diferença de posicionamento na mamografia ou na compressão executada. Se
for detectada assimetria significativa é necessário um estudo mais aprofundado a fim de
detectar possíveis casos de tumores e em seguida se esses são malignos ou benignos.
Segundo Kopans (2000), existem dois tipos de assimetrias, a assimetria focal e
assimetria de tecido mamário. A assimetria de tecido mamário pode ser resultado de um
volume maior de tecido fibroglandular em um lado ou de uma densidade maior do tecido
relativo à área da imagem em espelho na outra mama. O tecido mamário assimétrico
deve ser distinto de uma densidade assimétrica focal, pois ela pode provar ser uma
massa verdadeira, enquanto o tecido assimétrico pode apenas ser uma variação da
mama. A densidade assimétrica focal é geralmente uma avaliação inicial, pois é mais
visível ao observador. Essa variação na mama pode até ser uma massa. Ela é percebida
ao se comparar uma imagem da mama esquerda com a imagem da mama direita, suas
contrapartes na imagem em espelho estão faltando na outra mama.
A densidade mamária influencia dois aspectos: o aumento do risco para câncer
de mama (ainda em discussão) e a diminuição da sensibilidade e especificidade da
mamografia. A parte clínica também deve ser observada para analisar as densidades,
um aspecto palpável na mama aumenta as suspeitas de malignidade e é um indicativo
de avaliação histológica do tecido assimétrico.
Segundo o American College of Radiology (1995) o padrão BIRADS™ para a
classificação das densidades mamárias encontra-se em 4 padrões, ver Figura 5:
• Padrão de densidade I, quando as mamas são praticamente gordurosas;
• Padrão de densidade II, com tecidos fibroglandulares bem esparsos;
• Padrão de densidade III, com mamas heterogeneamente densas;
• Padrão de densidade IV, mamas extremamente densas.
a) b) c) d)
Figura 5: a) Imagem padrão de densidade I, b) ) Imagem padrão de densidade II, c) ) Imagem padrão de densidade III, d) ) Imagem padrão de densidade IV
Fonte: Malagelada (2007)
21
A assimetria mamária é um fator que deve ser observado com mais atenção, por
poder indicar uma anormalidade e com isso auxiliar num diagnóstico precoce. Por essa
razão estão sendo incorporados métodos de detecção de assimetria mamária em
sistemas de Diagnóstico Auxiliado por Computador (CAD), Rodrigues (2007). Esses
sistemas são desenvolvidos a fim de auxiliar os especialistas no diagnóstico. Os
sistemas CAD têm auxiliado muito os especialistas no diagnóstico precoce. Com esses
sistemas é possível orientar o especialista sobre regiões suspeitas que possam passar
despercebidas pela equipe médica. A análise da densidade e da assimetria mamária
inseridos nos sistemas CAD poderá resultar em mais um auxílio à equipe médica. O
sistema poderá auxiliar na avaliação da diferença do volume da densidade ou um
aumento da área densa da mama com o passar do tempo que não são justificados por
diferenças em técnicas de imagenologia, posicionamento, perda de peso ou reposição
hormonal.
2.1 Justificativa
A assimetria do tecido mamário tem sido detectada com muita frequência nos
exames mamográficos. Ela deve ser observada com muita cautela, pois uma diferença
pode indicar anormalidades que devem ser rastreadas.
É importante classificar a densidade da mama de uma paciente e acompanhar ao
longo dos anos alguma mudança significativa na densidade e também observar se
existe assimetria mamária.
O desenvolvimento de um método computadorizado automático para classificar a
densidade e detectar a assimetria do tecido mamário entre as mamas de uma mesma
paciente, se torna importante à medida que seja confiável e traga uma maior agilidade e
confiabilidade no auxílio aos laudos dos médicos.
Outra vantagem é que um método computadorizado automático não dependerá
da subjetividade do especialista para colocar os parâmetros no sistema. Independente
do operador o sistema apresentará os mesmos resultados.
O método desenvolvido é interligado com um sistema Web, onde uma equipe
médica poderá analisar as imagens e dar seus respectivos laudos. Os resultados
apresentados pelo sistema poderão ser comparados automaticamente com os laudos
médicos.
22
O sistema Web também poderá ser utilizado como um sistema para treinamento
de especialistas que laudam imagens mamográficas, pois o médico poderá criar uma
base com imagens para serem laudadas pelo especialista residente que confrontará
seus laudos com o laudo do médico.
2.2 Objetivo
Desenvolver um método automático computadorizado que segmenta o músculo
peitoral, identifica automaticamente a assimetria de tecido mamário e classifica as
densidades das imagens mamográficas de acordo com o protocolo BIRADS™, além da
comparação automática dos resultados apresentados pelo sistema com os laudos dos
médicos, através da Internet.
2.3 Apresentação
A monografia divide-se em seis capítulos. Os capítulos consistem em:
• Capítulo 1 – Conceitos iniciais.
• Capítulo 2 - Introdução, justificativa, motivação, objetivo e apresentação.
• Capítulo 3 – Estado da arte. Onde serão apresentados sistemas CAD que
incluem métodos de processamentos para a segmentação do músculo peitoral,
para a detecção de assimetria mamária e a classificação da densidade.
• Capítulo 4 – Materiais e Métodos.
• Capítulo 5 – Resultados.
• Capítulo 6 – Conclusão e Discussão.
• Capítulo 7 - Trabalhos Futuros.
23
3 ESTADO DA ARTE
3.1 A Evolução dos Sistemas CAD para Detecção de Densidade e
Assimetria
Para que os sistemas CAD possam detectar a assimetria e classificar a densidade
é preciso que eles passem por algumas etapas, as quais prepararão as imagens
mamográficas. Tais etapas vão desde a detecção de borda, até a separação do disco
glandular.
Malagelada (2007) afirma que a densidade da mama é um parâmetro que afeta o
desempenho de todos os algoritmos de segmentação estudado por ele. Por este motivo
faz-se necessário outros processamentos de imagens antes de se conseguir detectar a
assimetria bilateral da mama.
Os trabalhos mais relevantes que envolvem segmentação do músculo peitoral,
classificação da densidade e detecção da assimetria são:
3.1.1 Método Desenvolvido por Ferrari et. al. (2000)
Ferrari et al. (2000) desenvolveram três novas técnicas de segmentação de
mamogramas. Essas novas técnicas foram divididas em três partes: a) detecção da
borda da mama, b) detecção do músculo peitoral e c) detecção do disco glandular.
Primeiramente realiza-se a detecção da borda da mama e tudo o que está externo a ela
é descartado, com isso tem-se a área de interesse para detecção do músculo peitoral.
No segundo estágio a borda do músculo peitoral é detectada utilizando a transformada
de Hough que é uma modificação do método proposto por Karssemeijer and te-Brake,
retirando assim o músculo peitoral. No terceiro e último estágio o disco glandular é
segmentado utilizando o método da “máxima probabilidade” e o modelo de mistura de
Gaussianas sendo utilizados os parâmetros adquiridos através do algoritmo de
“Expectation-Maximization”. Para validar o sistema foram utilizadas 66 imagens do Mini-
Mias (33 casos: 15 casos de assimetrias e 18 casos de distorção da arquitetura da
mama) e os resultados foram avaliados por um especialista.
Os autores ainda explicam mais detalhado o que fizeram para encontrar as três
partes citadas acima.
24
Eles ressaltam a importância da detecção da borda no processamento da
imagem, pois se a borda for detectada fica fácil excluir áreas externas a ela que não são
de interesse nesse processamento. O método para detecção da borda proposto por
eles, consiste em uma logarítmica G(x, y) = log [1+ I (x, y)], onde I(X,Y) é a imagem
original e G(X,Y) é a imagem já transformada. Essa operação realça a região próxima a
borda da mama. Em seguida a imagem foi binarizada através de um algoritmo chamado
“Lloyd-Max least-squares” que usa a informação da intensidade de níveis de cinza
(histograma) para otimizar o procedimento de quantização aplicado à imagem a qual
possibilitará a verificação de N possibilidades de quantização para determinar qual delas
possui menor distorção. Este processo terminou quando o valor da soma das distorções
for inferior a 0,05 ou o número de vezes que passa por este processo atingir o seu limite,
nesse caso os autores estipularam o valor 30.
O próximo passo após o processo de binarização da imagem foi a aplicação do
operador morfológico binário, com um elemento circular igual a 3 pixels utilizado para
eliminar pequenos ruídos resultantes do processo anterior.
Foi extraída através do método "chain-code" e suavizada pela técnica de
interpolação B3-splines, a borda pele-ar com 25 pontos de controle.
Para determinar a borda real da mama, linhas normais de aproximadamente 1cm
de comprimento foram traçadas para cada ponto da borda aproximada na imagem
original. O histograma de níveis de cinza dos pixels em cada linha normal foi calculado e
a intersecção entre a pele da mama e a região de ar foi definida como o nível de cinza
associado ao máximo valor no histograma. Com isso foi possível aplicar novamente a
técnica de B3-splines aos novos pontos da borda detectados para obter um contorno
suavizado.
Os autores ressaltam a importância da detecção do músculo peitoral nos
processamentos de imagens mamográficas automáticas, pois ele tem a mesma
densidade que os tecidos densos e se não retirados antes do processamento podem
ocasionar resultados polarizados. O músculo peitoral é uma linha reta, sendo assim com
este procedimento eles puderam definir 4 pontos, resultando na área de interesse. Para
definir os quatro pontos e demarcar a área de interesse foi utilizado o filtro Gaussiano.
Após a demarcação automática dos pontos é feita uma suavização a fim de diminuir o
tempo de processamento. A transformada de Hough foi aplicada na área de interesse e
todas as retas improváveis foram descartadas.
25
Na detecção do disco glandular, os autores utilizaram a técnica de “máxima
probabilidade”. O método funciona utilizando informações das intensidades de níveis de
cinza, estipulando um modelo estatístico que diferencia os tecidos adiposos dos tecidos
densos. Primeiramente, a imagem é equalizada para realçar as estruturas densas. O
modelo de segmentação utilizado foi o de Gaussianas e seus valores foram estimados
em um algoritmo de “Expectation-Maximization-EM”. EM é um algoritmo iterativo que só
finaliza quando a porcentagem de erro for inferior a 10% ou o mesmo se repetir mais de
50 vezes.
Após essas três etapas os autores obtiveram algumas imagens apresentadas na
Figura 6:
(a)
(b)
26
(c)
(d)
Figura 6: (a) Imagens originais, "mdb107.pgm" e "mdb108.pgm" (Mini-Mias) classificadas como
assimétricas. (b) Imagens resultantes do 1º estágio para encontrar a borda da mama. (c) Imagens
resultantes do 2º estágio de para encontrar o músculo peitoral. (d) imagens resultantes do último estágio
de para separar o disco glandular.
Fonte: Ferrari et al (2000)
Das 66 imagens utilizadas por eles o especialista detectou 61 imagens como
certas na fase de detecção de borda, na segunda fase de detecção do músculo peitoral
58 acertos e na última fase de detecção do disco glandular obtiveram 56 acertos.
3.1.2 Método Desenvolvido por Saha et. al. (2001)
Saha et al. (2001) com base na escala de métodos de segmentação de áreas
densas em uma região da mamografia e a área de gordura, chegaram a uma área total
27
da mama e a quantidade de área densa. Para isso, eles utilizaram imagens MLO (Médio
Lateral Oblíquo) e CC (Crânio Caudal) a fim de mostrar as similaridades. A precisão na
marcação da área foi medida com base no que o radiologista marcava manualmente e
comparava com a região demarcada pelo sistema. O método foi testado em 60 casos
incluindo imagens MLO e CC e foi observada robustez nas informações.
3.1.3 Método Desenvolvido por Ferrari et. al. (2001)
Ferrari et al. (2001) desenvolveram um método para encontrar a assimetria
mamária utilizando uma filtragem direcional com o Gabor Wavelets onde o disco
glandular é segmentado, de 80 imagens do banco de dados Mini-MIAS contendo 20
casos normais, 14 assimétricos, 6 com distorção arquitetônica ele obteve a precisão de
74,4 %.
3.1.4 Método Elaborado por Rangayyan et. al. (2004)
Rangayyan et al. (2004) estendendo o método utilizado por Ferrari (2001), utilizou
o filtro de Gabor só que incluindo as medidas morfológicas para quantificar as diferenças
entre o tecido fibroglandular da mama direita e esquerda, levando em conta o tamanho e
a forma, além de alinhar com o músculo peitoral, eles obtiveram uma precisão de 86,4 %
na assimetria mamária.
3.1.5 Método Desenvolvido por Ferrari et. al. (2004)
Ferrari et al. (2004) propuseram dois métodos para identificação do músculo
peitoral em mamografias:
a) O primeiro método propõe utilizar a variante de Karssemeijer que utiliza a
transformada de Hough e a filtragem aplicada as células acumuladas. Porém a
idéia de aplicar uma linha reta para representação do músculo peitoral nem
sempre é válida e pode impor limitações as regras posteriores da análise da
imagem;
b) O segundo método foi a utilização do Gabor Wavelets que supera a limitação
anterior.
28
Ferrari et al. (2004) desenvolveram um método para identificação da fronteira da
mama, onde utilizaram modelos de contornos. A imagem mamográfica foi submetida ao
algoritmo de contraste e depois pelo thresholds produzindo uma primeira fronteira da
mama. A fronteira definitiva foi encontrada a partir de um algoritmo de contorno ativo.
Para validação utilizaram 84 imagens de MLO do MINI-MIAS. A avaliação deste método
consistiu na porcentagem de falso-positivo e falso-negativos dos pixels em comparação
com os contornos marcados manualmente pelos radiologistas. A média de falso positivo
e falso negativo foi de 0,41% e 0,58%.
3.1.6 Método Desenvolvido por Medeiros et. al. (2004)
Medeiros et. al. (2004) para classificar automaticamente as densidades da mamas
que foram divididas em 4 grupos: lipo-substituída, parcialmente lipo-substituída,
parcialmente densa e densa. Para isso eles precisavam colocar dados técnicos para
evitar o problema de atenuação da radiação no tecido mamário. Sendo assim foi
necessário que o usuário do sistema colocasse alguns parâmetros para que o
processamento funcionasse corretamente. Como mostra a Figura 7:
Figura 7: Tela para detecção de parâmetros
Fonte: Medeiros et. al. (2004)
29
Ao final, o software detectou a classificação da densidade de acordo com a
porcentagem dos níveis de cinza, este software classificou a mama após o
processamento em 4 grupos: adiposa (< 25 % de densidade), parcialmente adiposa
(25% a 50%), parcialmente densa (50% a 75%) e densa (> 75%). As imagens
processadas foram de 12 bits de resolução de contraste, 0,075 mm de resolução
espacial, gravadas no formato TIFF. Para eliminar o fundo destas imagens e detectar a
borda o software fez a limiarização global, identificação das bordas da mama, eliminação
das estruturas externas à borda e gravação da imagem final, apresentada na Figura 8.
Figura 8: Imagem após processamento para detecção das bordas e eliminação da estrutura externa
Fonte: Medeiros et. al. (2004)
O mais importante no processamento foi a escolha do valor do limiar que varia de
0 a 3800 níveis de cinza. Após a escolha desse limiar existem três procedimentos que
devem ser seguidos: a) seleção da imagem, b) cálculo da densidade e c) gravação do
arquivo de densidades, Figura 9.
30
Figura 9: Tela para escolha dos parâmetros para estipular a densidade
Fonte: Medeiros et. a.l (2004)
Depois de escolhidas às imagens, foram calculados os valores do limiar para
classificar as densidades. A partir daí, o sistema percorreu toda a imagem, comparando
os valores dos pixels com os valores do limiar. Todos os pixels com valor zero foram
desconsiderados, e foi feita uma porcentagem dos pixels com relação à mama. Os
valores obtidos foram apresentados na tela e foram considerados como tecido
fibroglandular.
3.1.7 Método Desenvolvido por Pires et. al. (2004)
Pires et. al. (2004) desenvolveram um software na linguagem Delphi e utilizaram o
banco de dados Interbase (banco de dados desenvolvido pela Borland) que armazena
imagens mamográficas laudadas de acordo com BIRADS™. O sistema exibe as
imagens juntamente com os laudos. A Figura 10 a) mostra as 4 projeções mamográficas
em uma só tela. A Figura 10 b) apresenta a opção de escolha da imagem ampliada para
melhor visualização da estrutura, juntamente com o laudo baseado no padrão
BIRADS™.
31
a)
b)
Figura 10: a) Imagens do exame de mamografia
b) Imagens individuais laudadas (BIRADS™),
Fonte: Pires et. al. (2004)
As imagens foram obtidas no mesmo período utilizando os mesmos parâmetros,
garantindo a mesma qualidade na aquisição, foram digitalizadas no tamanho 1280 x
1240 pixels e com contraste de 8 bits, salvas no formato TIFF, isso significa que o
monitor terá que ser de no mínimo 17 polegadas. Após isso a imagem foi convertida
32
para o formato BMP e a região que não contivesse nenhuma informação, ou seja,
estivesse preta seria cortada da imagem a fim de diminuir o tamanho da mesma e deixar
armazenada somente a imagem da mama, juntamente com o laudo no padrão
BIRADS™.
O usuário deve escolher um exame dentro do banco, fazer a análise e dar o
diagnóstico de acordo com o padrão BIRADS™, depois disso o sistema compara o
resultado do médico com o laudo armazenado no sistema e ao final é apresentada uma
pontuação entre o seu desempenho e o laudo. Se o usuário não desejar fazer o
treinamento ele poderá estudar todas as imagens laudadas a fim de se familiarizar com
o sistema digital.
3.1.8 Método Desenvolvido por Oliver et. al.(2005)
Oliver et. al. (2005) desenvolveram um método de classificação automática da
densidade mamária. Eles dividiram em três as classificações: a) gorda, b) glandular e c)
densa. Para validação eles utilizaram a base de dados do MIAS.
Na Figura 11 Oliver et. al. (2005) demonstram as classificações através das
imagens.
a) gorda b) glandular c) densa
Figura 11: a) Mama gorda, b) mama com tecido glandular e c) mama densa
Fonte: Oliver et. al. (2005)
A Figura 12 mostra os histogramas das três imagens apresentadas anteriormente.
33
a) gorda b) glandular c) densa
Figura 12: Histograma dos três tipos de mamas
Fonte: Oliver et. al. (2005)
Para a classificação das mamas eles segmentaram o músculo peitoral e retiraram
qualquer resíduo que a imagem possuísse fora da área de interesse. Para isso eles
desenvolveram um algoritmo baseado no nível de cinza que começava utilizando os
thresholds obtidos nas informações do histograma das imagens a fim de separar o fundo
dos objetos da mamografia, unindo a mama e o músculo peitoral. Após a segmentação
do músculo peitoral e da mama, eles utilizaram uma crescente abordagem adaptativa
iniciando no centro do músculo peitoral e aumentando a área ao redor até que não
tivesse mais informações de interesse, a Figura 13 mostra as imagens após cada
processo.
a) b) c)
Figura 13: a) Imagem original, b) imagem após threshold detectando a maior região e c) imagem
segmentada sem o fundo e sem o músculo peitoral.
Fonte: Oliver et. al. (2005)
O próximo passo foi encontrar a área densa da mama para poder classificá-la,
para isso eles utilizaram o algoritmo “k-Means”. Quando se utiliza esse algoritmo o ponto
inicial tem papel fundamental nos resultados da segmentação final. Apesar disso, os
pontos iniciais são escolhidos aleatoriamente. Eles inicializaram utilizando os níveis de
34
cinza do histograma que variava de 15% a 85% com o objetivo de separar tecidos
gordos e densos.
O “K-Means” classifica as mamas apenas em gordas e densas, porém existem as
mamas as quais a classificação fica entre a gorda e densa, esses tipos de mamas
necessitam de um processamento especial. Para classificar essas mamas eles
utilizaram matrizes de co-ocorrência. Esse tipo de processamento trabalha com dois
pares de distâncias que foram utilizadas em ângulos, nesse caso os autores utilizaram 4
ângulos diferentes: 0º, 45º, 90º e 135º e uma distância igual a 1.
Eles avaliaram dois tipos diferentes de classificadores o algoritmo de “k-Nearest
Neighbours” (KNN) e a classificação de árvore de decisão. O primeiro utilizou a distância
entre dois pontos simples e o segundo utilizou diferente threshold em diferentes
dimensões. Os métodos foram aplicados em 270 imagens do MIAS, sendo 90 de cada
classificação.
Eles obtiveram na classificação excelentes resultados que variaram de 82% a
85% de acertos, porém quando colocaram a classificação glandular, os resultados
tiveram uma drástica queda. Para este caso utilizaram o algoritmo k-Nearest
Neighbours.
No segundo experimento eles utilizaram 30 casos por classe utilizando a
classificação por árvore, onde obtiveram melhores resultados na classificação de mamas
com tecido glandular.
Com isso eles concluíram que os métodos utilizados por eles não são eficientes
para classificar todas as imagens nas três categorias. Ambos algoritmos se mostraram
mais eficientes em tipos de tecidos diferentes.
3.1.9 Software WinMammo utilizado por Henderson (2005)
Henderson (2005) utilizou o software “WinMammo” para estudar algoritmos de
mamografias assimétricas. Este software possibilita a interação do operador com o
algoritmo já pré-definido e com isso possibilita fazer alterações e melhorar o método
proposto no software em questão e comparar a eficiência de um algoritmo aplicado em
uma imagem com outro algoritmo aplicado a mesma imagem. Esse software é semi-
automático, pois necessita de informações do operador para poder apresentar os
resultados. Porém a idéia do software é que os algoritmos já existentes nele possam ser
35
melhorados, sem que haja a necessidade de se fazer a implementação, pois ele
possibilita as alterações dos códigos.
Henderson (2005) diz que a maioria dos algoritmos desenvolvidos para analisar a
assimetria mamária foi feito na linguagem C++. Foram desenvolvidas várias aplicações
para exibir imagens mamográficas permitindo que o usuário interaja com o algoritmo de
processamento e veja imediatamente os resultados.
A Figura 14 mostra as funções de interação que o usuário pode ter ao utilizar o
WinMammo.
Figura 14: Imagem do Software WinMammo
Fonte: Henderson (2005)
O WinMammo lê os dados fornecidos pelo MIAS e MINI MIAS e com isso mostra
as informações em uma janela. Permitindo que o usuário possa identificar uma
determinada anormalidade na mamografia e salvar essa informação no manual de
referência.
Na Figura 15 é apresentada a janela com as imagens dos bancos de dados MIAS
e Mini-MIAS, com as respectivas informações.
36
Figura 15: Janela com diagnósticos verdadeiros
Fonte: Henderson (2005)
A intensidade de distribuição de cores é muito importante na análise de
mamografias. O WinMammo fornece um histograma com as variações das intensidades,
ele poderá ser customizado a fim de dar mais opções de controle para o usuário para
que possa auxiliá-lo no trabalho.
A Figura 16 mostra a janela de histograma do WinMammo.
Figura 16: Histograma de cores de uma mammografia.
Fonte: Henderson (2005)
Imagens de mamografias Médio Lateral Oblíquo são sempre inerentes na
aparência, isto pode ser um inconveniente para alguns ambientes, por isso o
WinMammo exibe as imagens sempre com o mamilo para cima.
Como algoritmos são aplicados a uma imagem, o WinMammo adiciona uma
entrada para a exibição do algoritmo em árvore do lado esquerdo da janela principal,
37
descrevendo o algoritmo, e quaisquer parâmetros que foram estabelecidos. Isto permite
uma fácil visualização na tela para comparação dos resultados, bem como a árvore
fornece um meio de identificação de um conjunto de algoritmos aplicados a uma imagem
para se alcançar um resultado. Isso facilita a modificação e o imediato resultado na
imagem. Trabalhos intermediários nos algoritmos podem ser guardados para se
comparar um com outro, conseguindo analisar qual tem mais eficiência.
Henderson (2005) utilizou este programa para encontrar e analisar um tecido
mamário assimétrico.
Na Figura 17 é apresentada a tela do WinMammo que mostra os algoritmos que
facilitarão uma alteração qualquer na imagem.
Figura 17: Algoritmo em árvore e imagem com mamilo para cima.
Fonte: Henderson (2005)
3.1.10 Método Desenvolvido por Nunes (2006)
De acordo com Nunes (2006), para a verificação da assimetria global inicialmente
a imagem mamográfica foi segmentada a fim de que ruídos e estruturas dispensáveis
fossem removidos. Em seguida foi realizado o deslocamento das imagens, esquerda e
direita, com a finalidade de deixá-las alinhadas para se conseguir realizar uma
comparação bilateral entre as imagens da mama direita e esquerda, indicando os locais
onde uma mama era maior que a outra. Exemplo do procedimento executado pode ser
visto na Figura 18:
38
Figura 18: (a) assimetria global, (b) assimetria loca
Fonte: Nunes (2006)
Para obter as assimetrias locais das mamas foi realizada uma comparação ponto
a ponto (pixel a pixel), considerando um template pré-definido pelo usuário do software.
Foi calculada a média de cinza da área a ser analisada para facilitar a localização do
template nas duas imagens. A diferença das médias foi medida em porcentagem a fim
de ser representada na imagem em cores diferentes, Figura 18 b. Sendo assim foi
possível que o médico observasse a diferença existente entre as mamas. Se houvesse
diferença significativa podia-se relacionar com o início de um tumor.
3.1.11 Método Desenvolvido por Carvalho et. al. (2006)
Carvalho et al. (2006) fizeram a segmentação do músculo peitoral utilizando
operadores morfológicos. Em seu artigo os autores ressaltam a importância da retirada
do músculo por causa da similaridade da textura com o tecido glandular e se este não
39
for retirado do processamento interfere no resultado final, por se tratar de um
processamento automático.
Os operadores morfológicos básicos utilizados foram o de erosão e dilatação.
Esses dois operadores aplicados isoladamente nem sempre trazem resultados
satisfatórios, por isso, foram utilizados dois novos operadores de abertura e fechamento.
Para continuar a identificação do músculo peitoral mais um operador foi utilizado pelos
autores que foi o de reconstrução inferior que cria uma imagem a partir de um número
de iterações recursivas de dilatação da imagem original.
Para validação os autores utilizaram 322 imagens do MIAS, ao qual passaram
para uma redução de 8 níveis de cinza, escalonado igualmente considerando o maior e
menor nível de cinza da imagem, deixaram iguais as diferentes áreas da mamografia,
depois fizeram o fechamento por reconstrução para unir as regiões que possuíam o
mesmo nível de cinza, seguido de uma abertura morfológica para retirar pequenas
estruturas na imagem.
Após os procedimentos iniciais os autores tiveram como resultados a Figura 19.
a) b) c)
Figura 19: a) imagem original, b) imagem após a redução dos níveis de cinza e c) imagem após
fechamento por reconstrução.
Fonte: Carvalho et al. (2006)
O próximo passo foi binarizar a imagem utilizando um limiar escolhido
heurusticamente e aplicou-se uma abertura seguida de um fechamento para suavizar o
contorno das estruturas. Com isso, mais áreas além do músculo peitoral foram
diferenciados. A próxima etapa foi criar uma imagem auxiliar onde aplicaram o operador
de reconstrução inferior, obtendo assim uma imagem que preserva somente o músculo
peitoral. Por fim, conseguiram aplicar o operador Laplaciano para determinar o músculo
peitoral. Na Figura 20 foram apresentados os resultados após os procedimentos descrito
pelos autores.
40
a) b)
Figura 20: a) imagem binarizada e b) imagem reconstruída e com preservação do músculo peitoral.
Fonte: Carvalho et. al. (2006)
Este processamento se mostrou eficiente somente quando o músculo peitoral
apresentou-se quase retilíneo. Existe um problema quando a mamografia apresenta
lesões próximas ao músculo peitoral.
Das 312 imagens selecionadas, o radiologista descartou 5 por não possuírem
músculo peitoral e 12 por não conseguir demarcar corretamente a área de interesse,
sobrando assim 305 imagens para serem processadas, das quais 74,6% foram
processadas corretamente.
Segundo os autores estes operadores morfológicos aplicados se mostraram
eficientes quando se comparados a outros processamentos utilizando a mesma base de
dados. Por isso, eles concluem que operadores morfológicos podem ser aplicados e
incorporados em sistemas automáticos, embora ainda possa ser melhorado.
3.1.12 Método Desenvolvido por Rodrigues et. al. (2007)
Rodrigues et. al. (2007) criaram um software para detecção de assimetria
mamária denominado DENSIRADS. Esse software classifica automaticamente as
imagens de acordo com o protocolo BIRADS™, sem que necessite da objetividade de
um especialista e da técnica radiográfica utilizada.
O DENSIRADS também é capaz de identificar onde existe assimetria entre as
projeções das mamas direitas e esquerdas.
41
Foi utilizado o MATLAB (The Math Works, Inc.), 320 imagens do MIAS
(Mamographic Image Analysis Society) já classificadas por radiologistas. Deste total
foram utilizados 30 pares de mamas, sendo que 15 pares eram assimétricas e 15 pares
apresentavam resultados normais.
Para classificar as imagens em composição de densidade mamária I, utilizaram a
quantidade de níveis de cinzas mais claros para isso utilizaram a seguinte fórmula:
THRMÉDIO (threshold médio) + DSVTHR (desvio padrão do threshold), onde o
THRMÉDIO é o valor médio do limiar de toda a imagem e o DSVTHR é o desvio padrão
dos valores do limiar.
Na classificação das imagens em composição de densidade mamária II, a mama
deve conter mais tecido fibroglandular, por esse motivo utilizaram a fórmula THRMÉDIO
+ DSVTHR/2.
Na classificação da composição de densidade mamária III, utilizaram o algoritmo
do Segundo Momento Angular (SMA) que fornece a média quantitativa de regularidade.
O valor do limiar para o nível III foi definido por especialistas.
Para o último tipo de classificação de composição de densidade mamária IV
utilizaram o SMA, pois quando o valor numérico apresentado é baixo a imagem é
heterogenia e quando esse mesmo valor é alto a imagem é homogenia.
Depois de processar todas as imagens foram construídos histogramas para
comparar com os resultados dos médicos, para conseguir separar as imagens em
normais e assimétricas.
Na Figura 21 as imagens a), c), e), g) são originas e antes de processá-las,
observe que as imagens são limpas, sem sujeiras e sem o músculo peitoral. Já as
imagens b), d), f), h) são imagens pós processamento no DENSIRADS, destacando a
área densa.
42
a) b)
c) d)
e) f)
43
g) h)
Figura 21: a) Mamografia Original sem processamento b) Mamografia processada, classificada como
Composição de densidade I. c) Mamografia Original sem processamento d) Mamografia processada,
classificada como Composição de densidade II e) Mamografia original sem processamento f) Mamografia
processada, classificada como Composição de densidade III a) Mamografia original sem processamento
g) Mamografia processada, classificada como Composição de densidade IV
Fonte: Rodrigues et. al. (2007)
Essa metodologia resultou em 78% de sensibilidade para a classificação de
imagens com assimetria e 75% de sensibilidade para imagens consideradas normais.
Dos 15 pares de imagens com assimetria 9 eram casos de malignidade e o DENSIRADS
classificou 7 corretamente com uma sensibilidade de 77.8%.
3.1.13 Método Desenvolvido por Malagelada (2007)
Malagelada (2007) em sua tese de pós doutorado aperfeiçoou o sistema CAD
HRIMAC desenvolvido em 2003 por Martí et. al.. O HRIMAC foi projetado para avaliar o
diagnóstico do câncer de mama, porém nesse sistema não possuía nenhum algoritmo
de segmentação de mama para analisar o tipo de massa existente, por esse motivo
Malagelada (2007) aprimorou o sistema acrescentando algoritmos para separar o
músculo peitoral da imagem, a classificação da densidade de acordo com o padrão
BIRADS™, contorno da borda da mama.
O sistema HRIMAC necessita ser treinado antes de ser utilizado, para tornar
estruturas ainda desconhecidas, conhecidas pelo sistema. Para o treinamento foram
utilizadas duas bases de dados uma do MIAS e outra da Digital Database of Screening
Mammographies (DDSM).
44
O HRIMAC possuia quatro etapas, reconhecimento da base de dados,
classificação do tecido mamário, discriminação de ROI e forma e tamanho da lesão.
Para classificar o tecido mamário Malagelada (2007) primeiramente ele utilizou
um algoritmo de retirada do músculo peitoral.
O algoritmo que retira o músculo peitoral é dividido em partes:
1) A construção do histograma, onde ele torna as partes da mamografias conhecidas
conforme mostra a Figura 22.
A esquerda menor intensidade de valores, no meio existem tecidos relativos a
mama, e a direita representa pixels com níveis mais altos que é o músculo peitoral.
Figura 22: Típico histograma de uma mamografia. Obviamente, existem três diferentes
Zonas: background em menor intensidade, tecido mamário, em média intensidade e
anotações e músculo peitoral na mais alta intensidade.
Fonte: Malagelada (2007)
2) Um limiar é estipulado utilizando os menores valores entre os dois primeiros picos e
ele servirá para extrair o fundo da imagem. O algoritmo desenvolvido por Koning (1995)
foi utilizado nessa etapa.
3) Foi criado um novo histograma a fim de descobrir se não existem objetos ligados a
esta imagem;
4) A região crescente do algoritmo foi utilizado para extrair o músculo peitoral da região
da mama. As áreas crescentes dessa região são colocadas no interior do peitoral, o
valor de brilho máximo e o mínimo entre as duas zonas do histograma. Um controle
automático foi utilizado, a fim de ajustar a intensidade da região crescente, que permitiu
identificar um pixel pertencente à região ou não;
5) Por último utilizou operadores morfológicos a fim de eliminar as fronteiras da mama.
45
Na Figura 23 foi apresentada as etapas para retirada do músculo peitoral e dos
objetos sem relevância existentes na imagem.
a) b) c) d)
Figura 23: Sequência de segmentação da mama. a) imagem original, b) resultado do Threshold da
imagem, c) algoritmo CCL aplicado para identificar a região de interesse e d) imagem segmentada sem o
fundo e sem o músculo peitoral.
Fonte: Malagelada (2007)
Para a separação do tecido glandular Malagelada (2007) utilizou o agrupamento
de pixels com valores semelhantes para separar o tecido glandular, conforme mostra a
Figura 24.
Figura 24: Imagem com separação do tecido glandular
Fonte: Malagelada (2007)
O algoritmo utilizado para este agrupamento de pixels foi o Fuzzy C-Means, ao
qual separa a área adiposa da área densa. Utilizando o valor de um histograma
conseguiu-se perceber que valores entre 15% e 85% representavam, respectivamente, a
área gorda e a área densa. O algoritmo Fuzzy C-Means utilizava operadores
morfológicos para dividir as imagens em dois grupos. Para a classificação foi utilizado
um classificador de Bayesiano. Este classificador foi desenvolvido utilizando a
combinação de dois algoritmos o de análise de vizinhança, ou seja, análise dos pixels ao
46
redor e o de árvore recursiva. O algoritmo de análise de vizinhança (KNN) consiste em
analisar o vetor, utilizando o k mais próximo, encontrado nos conjuntos de treinos.
Uma árvore de decisão recursiva subdividiu regiões de diferentes subespaços,
utilizando diferentes limiares em cada dimensão para maximizar a discriminação de
classes. Só terminou quando conseguiu criar classes padrões.
Malagelada (2007) utilizou o classificador Bayesiano com algumas modificações,
minimizando resultados falso-positivo. O que fez foi analisar a probabilidade de uma
determinada mamografia, com um grupo já pré-estabelecido, que foi o caso do padrão
BIRADS™. A probabilidade utilizada foi de acordo com o banco de dados já existentes e
com isso facilitou a classificação com os padrões já treinados no sistema. No final foi
necessário fazer uma normalização para ter certeza que a soma das probabilidades foi
igual a um. Para a validação do software foi utilizada a base de dados do MIAS que
apresentou 86% de acerto na classificação do padrão BIRADS™, já quando se utilizou a
base do DDSM apresentou 77% de acerto na classificação do padrão BIRADS™.
47
4 MATERIAIS E MÉTODOS
O sistema proposto nesse trabalho foi desenvolvido em duas linguagens, Delphi
7.0 e PHP. A utilização de duas linguagens diferentes se deve a dificuldade de
processamentos de imagens via Internet, pois atualmente a velocidade de conexão nas
clínicas e consultórios não nos permite trabalhar com as técnicas de processamento de
imagens na Web. Sendo assim, a linguagem Delphi foi utilizada para a criação do
sistema de processamento das imagens e a linguagem PHP foi utilizada para o
desenvolvimento de um sistema Web (sistema que fica hospedado em um servidor
remoto). O sistema em Delphi é interligado com o sistema PHP (Internet), as imagens
para o processamento vem do sistema da Internet e o resultado do processamento
desenvolvido vai para a Internet. A origem e o destino dos dados sempre será o sistema
Web.
Para a definição do grupo ouro (grupo utilizado para validação do sistema), foram
utilizadas 66 pares imagens do banco DDSM (Digital Database for Screening
Mammography). O total de imagens se deve a base do DDSM que só possui 33 pares
de imagens assimétricas por essa razão foi escolhida aleatoriamente a mesma
quantidade de imagens simétricas. Desses 66 pares de imagens que totalizam 132
imagens 20 imagens eram classificadas como densidade I, 62 densidade II, 40
densidade III e 10 densidade IV. Essas imagens foram cadastradas no sistema Web de
acordo com os laudos contidos na base de dados (DDSM). A classificação da densidade
respeita o protocolo BIRADS™. As imagens resultantes do processamento do Delphi
foram gravadas no sistema da Web. Ao final é possível fazer a comparação entre dois
resultados, sendo que o primeiro resultado será o referencial e o segundo será o
resultado comparado. Os resultados de acertos e falhas são apresentados em forma
numérica e gráfica.
Esse sistema na Internet além de armazenar informações de imagens
mamográficas, comparação automática, servirá como um sistema de aprendizado para
discentes e futuros pesquisadores. Nele contém informações valiosas para pesquisas
realizadas na área facilitando e agilizando novas pesquisas.
A grande vantagem e o grande diferencial desse sistema em relação aos
sistemas existentes é que todo o processo é realizado automaticamente, ou seja, não
necessita da interferência do operador para exibir os resultados. As inúmeras variações
48
de fatores que podem interferir nos resultados tornam a criação de uma técnica de
automatização mais complexa e a tarefa de desenvolver o sistema de software mais
difícil. Quando o método não é automático, é possível configurar alguns parâmetros e
acertar o sistema para que ele responda de forma diferente de acordo com a imagem
analisada e de acordo com o operador.
4.1 Sistema Web
Para a utilização do sistema web foi necessário criar um usuário e uma base com
imagens para serem laudadas pelo sistema. O programa foi desenvolvido em Delphi, e
há um pré-processamento, para preparação das imagens, antes do processamento final.
Os próximos passos deverão ser
• escolha do usuário (a quem pertence a base a ser classificada),
• o log de imagens (um número seqüencial que esta relacionado com o usuário e
com o banco de imagens para que possa agrupar o conjunto de imagens a
serem laudadas),
• abertura das imagens (download da imagem da Internet para o sistema),
• processamento das imagens.
Quando o botão processar for acionado, o sistema irá classificar a densidade da
imagem de acordo com o protocolo BIRADS™ e irá detectar se a imagem possui
assimetria.
4.2 Processamento da imagem na linguagem Delphi
O método desenvolvido de processamento das imagens consiste na utilização do
histograma de cada imagem mamográfica. O histograma da imagem é dividido em
grupos, a escolha do grupo foi estabelecida por meio da classificação supervisionada
com a ajuda do especialista na área médica.
Dez pares de imagens foram escolhidos aleatoriamente para a calibragem do
software, sendo seis pares de imagens normais e quatro pares de imagens assimétricas.
Essas imagens não fizeram parte do grupo ouro.
Para facilitar o entendimento do processamento do sistema ele é apresentado em
fluxogramas.
49
4.2.1 Download da Imagem no Software Delphi
A Figura 25 mostra a sequência de ações realizadas pelo sistema para fazer o
upload das imagens da Web no sistema Delphi.
Ao escolhermos os pares de imagens elas serão trazidas para o sistema Delphi. A
imagem direita será invertida para ficar idêntica a imagem esquerda. Isso se deve a
utilização dos mesmos passos dos algoritmos independente se a mama é esquerda ou
direita.
Figura 25: Fluxograma de upload da imagem da Web no Delphi.
4.2.2 Escolha de Limiares para separação de estruturas
Foi utilizado o software ImageJ, Rasband (2008), para analisar 10 pares de
imagens, e conhecer as coordenadas x,y (pontos da matriz de imagens), os valores dos
níveis de cinzas e as tonalidades das estruturas (músculo peitoral, tecido glandular,
tecido adiposo), essas mesmas imagens foram analisadas com a ajuda de especialistas
50
da área. Com esse processo foi possível estabelecer faixas de valores dos níveis de
cinza para que o sistema conseguisse identificar as estruturas.
Foram observadas diferenças significativas nas formas de aquisição e qualidade
das imagens. Por essa razão o software precisou identificar essas diferenças e modificá-
las automaticamente no momento de processamento através dos valores de limiares dos
níveis de cinza.
De acordo com a análise do especialista observou-se que a tonalidade do
músculo peitoral em determinadas imagens ficava entre 170 e 255 níveis de cinza. Já
em outras imagens a faixa ficava entre 80 e 170 níveis de cinza, por isso adotou-se os
seguintes critérios:
a) pixels na faixa entre 170 e 255, seriam identificados como músculo peitoral.
Caso contrário a faixa correspondente seria a de 80 e 170 níveis de cinza.
b) Os pixels com níveis de cinza maiores do que 10 não seriam considerados
como parte da imagem nos processamentos posteriores.
Na
Figura 26 é possível observar o fluxograma utilizado para contabilizar o número de
pixels por faixas de valores dos níveis de cinza, além do número total de pixels
contabilizados.
51
A B C D E
52
Figura 26: Fluxograma para contabilizar as faixas de valores das imagens.
A B C D E
53
4.2.3 Verificação Inicial para Classificação Antecipada da Densidade IV
Se a quantidade de pixels contabilizada para a faixa_170_255 for muito elevada
pode-se concluir, sem procedimentos adicionais, que a imagem é padrão de densidade
IV. O critério adotado para a classificação da densidade IV foi:
Caso a imagem possuísse mais de 70% de quantidades de níveis de cinza na
faixa_170_255 em relação a quantidade total de pixel, significaria que a mama poderia
ser classificada como densidade IV.
Na Figura 27 é possível observar o fluxograma que classifica como densidade IV
nas fases iniciais, sem que precise completar o processamento. Essa classificação
antecipada evita que a imagem passe pelos demais processamentos e evita falhas na
segmentação do músculo peitoral, uma vez que em mamas de densidade IV o músculo
peitoral e a área densa podem se cruzar e dificultar a segmentação.
Figura 27: Fluxograma de classificação da densidade padrão BIRADS™ IV.
54
4.2.4 Estabelecimento dos limiares da Densidade e do Músculo Peitoral
Para as imagens que não se enquadram no critério do item anterior foi preciso
definir para a imagem qual a faixa correspondente ao músculo peitoral e qual a faixa
correspondente à densidade. O estabelecimento das faixas correspondentes a cada
uma dessas estruturas é essencial para os processamentos seguintes. Se a
correspondência entre as faixas de níveis de cinza e as estruturas estiver errada o
sistema não apresentará resultados corretos.
Observando com o software ImageJ os níveis de cinza dos pixels dos 10 pares de
imagens que foram utilizadas na calibragem do sistema e com o auxílio do especialista
foi possível estabelecer o seguinte critério:
• Se a imagem possuísse pixels na faixa de 170 e 255, esta faixa seria a
correspondente ao músculo peitoral e a faixa de 80 à 170 corresponderia à da
densidade.
Observou-se também que em algumas imagens o músculo peitoral e a densidade
possuíam a mesma faixa de níveis de cinza. O sistema neste caso teria de reconhecer
essa condição e estabelecer a faixa de níveis de cinza que ele iria trabalhar. Analisando
os casos observados adotou-se o seguinte critério:
• Se não houvessem pixels na faixa_170_255, tanto o músculo quanto a densidade
teriam como correspondente a faixa_80_170.
Na Figura 28 é possível observar o fluxograma que estabelece a faixa de valores
de níveis de cinza para as estruturas (densidade e músculo peitoral).
55
Figura 28: Fluxograma que determina a faixa das estruturas (músculo peitoral e densidade).
56
4.2.5 Padronização de Estruturas: Tecido Adiposo, Tecido Denso e Músculo Peitoral
Para padronizar as estruturas do tecido adiposo, do tecido denso e músculo
peitoral foram utilizados os seguintes critérios:
a) Calculo da porcentagem de pixels equivalentes a faixa 170 a 255, esse cálculo
recebeu o nome de PorPix4 e para a faixa de porcentagem 80 à 170, PorPixel3.
b) De acordo com os resultados contidos no PorPix4 e PorPixel3 o sistema
delimitaria o limiar do nível de cinza estabelecendo assim a padronização das
estruturas tecido adiposo, denso e músculo peitoral. Quando PorPixel4 for menor
ou igual a 40 % e PorPixel3 for maior ou igual a 40% significaria que a mama
possuía músculo peitoral e tecido denso em faixas diferentes, por essa razão
todos os pixels com níveis de cinza maiores ou iguais a 150 receberiam o valor de
nível de cinza igual a 172. Caso contrário significaria que a mama era mais
homogênea e possuía menos variação de tonalidades de níveis de cinza, com
isso todos os pixels com valores de níveis de cinza superiores ou igual a 80
seriam trocados pelo nível de cinza igual a 172.
Essa padronização é importante para calcular a porcentagem de área densa e
classificar a densidade segundo o protocolo BIRADS™.
Para o tecido adiposo foi escolhido o nível de cinza igual a 86, para o músculo
peitoral e tecido denso o valor de nível de cinza igual a 172. Esses valores foram
escolhidos apenas por uma questão de distinção de duas áreas. O algoritmo da Figura
29 foi responsável pela atribuição desses valores para essas áreas.
57
A B C D
58
A B C D
E
59
Figura 29: Fluxograma para a padronização das estruturas do tecido adiposo, tecido denso e músculo peitoral
E
60
4.2.6 Identificação da Pele Ar
Ao redor da mama existe um tecido adiposo bem mais claro que foi
identificado no fluxograma (Figura 30). O especialista solicitou que o software
também reconhecesse essa área como tecido adiposo, por isso esses pixels
receberam o valor do nível de cinza igual a 86 que equivale ao tecido adiposo,
Figura 30.
Figura 30: Fluxograma para marcar a pele ar como gordura.
61
4.2.7 Demarcação e Segmentação do Músculo Peitoral
Uma vez padronizados os níveis de cinza do músculo peitoral, da
densidade e do tecido denso foi necessário encontrar o contorno do músculo
peitoral para realizar a segmentação. Observando-se que o contorno do
músculo peitoral tem características geométricas comuns a quase todas as
imagens, ou seja, correspondente a uma linha que inicia em algum ponto
superior e desce inclinada para a direita, ou desce na vertical em determinados
trechos, para valores de cinza igual a 172 utilizou-se o procedimento:
• Considerando-se que a imagem é uma matriz de pixels, percorrem-se as
linhas de cima para baixo. Para cada linha os pixels são percorridos da
esquerda para a direita até detectar o primeiro pixel com um valor x
superior a metade da imagem que se enquadra no nível de cinza
correspondente ao músculo peitoral, ou seja, aquele que determina um
ponto do contorno. Este procedimento irá se repetir em todas as linhas
formando um conjunto de pontos que determina o contorno do músculo
peitoral.
Para memorizar quais pixels que formam o contorno foi criada uma
matriz com as mesmas dimensões da figura que nos seus elementos
(cruzamentos de linhas e colunas) correspondentes às posições dos pixels em
questão recebem um valor diferenciado.
Na Figura 31 pode-se observar mais detalhadamente os procedimentos
para determinação do contorno do músculo peitoral.
62
A B C D E F
63
Figura 31: Fluxograma com a matriz das coordenadas do músculo peitoral.
A B C D E F
64
4.2.8 Segmentação do Músculo Peitoral
Segmentar o músculo peitoral significa retirá-lo da imagem, ou seja,
fazer igual a zero o nível de cinza de todos os pixels que compõem o músculo
peitoral. Dessa forma, com base na matriz que mantém as posições dos pixels
do contorno o sistema identifica todos os pixels da imagem que se situam no
contorno e à sua direita e atribui a eles o valor zero para o nível de cinza. A
Figura 32 mostra os detalhes dessa operação.
65
Figura 32: Fluxograma da segmentação do músculo peitoral.
66
4.2.9 Segmentação das Estruturas Diferentes de Densidade e Tecido Adiposo
Para garantir que a imagem fique somente com as estruturas da área
densa e da área do tecido adiposo, evitando problemas na classificação da
densidade, foi desenvolvido um algoritmo que segmenta qualquer outra área
com valores de níveis de cinza diferente de 86 e 172.
Com isso todos os outros valores dos pixels diferentes do tecido
adiposo, áreas densas serão segmentados no próximo fluxograma, Figura 33.
Figura 33: Fluxograma para deixar em evidência somente a área densa e o tecido adiposo.
67
4.2.10 Classificação da Densidade e Detecção da Assimetria
Nesse ponto a imagem já foi preparada para poder ser classificada
seguindo o protocolo BIRADS™.
Para a classificação da densidade e a detecção da assimetria foi
desenvolvido um algoritmo para totalizar a quantidade de pixel de cada
estrutura. Depois de totalizado foi encontrada a porcentagem de área densa de
cada imagem em relação à área total da mama (área densa + tecido adiposo).
De acordo com a porcentagem encontrada foi possível verificar em qual
classificação que a mama se encontra, Tabela 1.
Tabela 1: Tabela com os parâmetros escolhidos de calibragem do sistema.
Classificação da
composição da
densidade (BIRADS™)
Valor Inicial (em
porcentagem)
Valor Final (em
porcentagem)
I Maior igual a zero Menor que 10
II Maior igual a 10 Menor igual a 35
III Maior que 35 Menor igual a 50
IV Maiores que 50
O algoritmo apresentado na Figura 34 mostra como foi feita a
classificação da imagem.
68
A B C
69
Figura 34: Fluxograma de classificação da densidade.
A B C
70
Com o algoritmo da Figura 35 foi possível detectar a assimetria
mamária. De acordo com a diferença de porcentagem das densidades da
mama direita e esquerda foi possível detectar a assimetria. Se a diferença for
superior a 8% significa que as mamas são assimétricas, caso contrário elas
serão simétricas, Figura 35.
Figura 35: Fluxograma contendo a detecção da assimetria.
71
4.3 Validação dos Resultados
Após a realização dos processamentos no Delphi, o sistema web foi
capaz de fazer a conferência automaticamente, mostrando a porcentagem de
acertos em relação à base escolhida.
De acordo com o grupo ouro (imagens do DDSM já laudadas), foi
possível que o sistema calculasse a porcentagem de acertos do sistema de
processamento desenvolvido. Para realizar essa conferência automática o
usuário teria que entrar no sistema Web, acionar o menu processar resultados,
escolher a base do DDSM e escolher a base com os resultados do sistema de
processamento desenvolvido e clicar no botão comparar.
Ao termino do processamento de todas as imagens do banco escolhido
e do usuário escolhido, bastava acionar o botão conferir resultados e escolher
o referencial de comparação e quais dados seriam comparados, que o sistema
apresentará automaticamente os resultados obtidos.
O sistema apresentará a quantidade de mamas classificadas como
padrão de densidade I, II, III e IV, a quantidade que o software acertou em
relação a cada classificação da densidade e a porcentagem total de acertos. É
possível também analisar os resultados de cada lado da mama
individualmente, por exemplo: qual a porcentagem de acertos do lado esquerdo
e direito de determinado processamento, pesquisador ou residente.
O botão resumo mostra a quantidade de acertos e falhas de todos os
processamentos ou de uma comparação específica.
Dentro do universo de comparações já existentes é possível fazer uma
pesquisa para refinar as buscas. É possível ainda imprimir os resultados no
formato PDF, ou imprimir direto na impressora.
72
5 RESULTADOS E DISCUSSÕES
5.1 Sistema Automático para Classificação da Densidade
A Figura 36 mostra a tela inicial do sistema desenvolvido na linguagem
Delphi, onde será feita a escolha do usuário que está cadastrado na Web,
escolher o log que contêm as imagens, a imagem e clicar em carregar a
imagem, que o sistema trará a imagem que está na Web para ser processada.
A medida que o sistema for processando as imagens estas sairão da lista para
evitar problemas de esquecimento de processamento.
Figura 36: Tela inicial do sistema desenvolvido em Delphi para o processamento das imagens.
O próximo passo foi processar e classificar a imagem de acordo com a
densidade, compará-las para detectar a assimetria e gravá-las para salvar os
resultados na web.
5.1.1 Processamento
A Figura 37 mostra a imagem B_3506.bmp do banco DDSM com o
histograma da mesma. A variação dos níveis de cinza das imagens foi
agrupada de acordo com as faixas estabelecidas.
73
Figura 37: Histograma da imagem B_3506.bmp do banco DDSM.
A partir do histograma desta imagem o sistema agrupará a quantidade
de pixels de acordo com cada faixa estabelecida com a ajuda do especialista.
Os resultados apresentados a seguir totalizam a quantidade de níveis de cinza
da Figura 37, conforme o item 4.2.2 da metodologia:
• faixa de 10 a 30: 4560 pixels,
• faixa de 30 a 50: 5676 pixels,
• faixa de 50 a 80: 37531 pixels,
• faixa de 80 a 170: 26473 pixels,
• faixa de 170 a 255: 63 pixels,
• Total de Pixels: 74303 pixels.
No item 4.2.3 é calculada a porcentagem de pixels da densidade em
relação a mama, nesse caso a porcentagem foi de 35,62%, isso significa que a
mama não está no padrão BIRADS™ IV, pois o valor da porcentagem teria que
ser maior que 70%, uma vez que o músculo peitoral ainda não foi segmentado.
No caso da Figura 37 de acordo com a regra estabelecida no item 4.2.4
da metodologia a faixa de valor de 80 a 170 seria o músculo peitoral e a área
da densidade ficaria também na faixa de valor de 80 a 170.
Quando existisse variação significativa entre as faixas 80 a 170 e 170 a
255, cada uma das faixas equivaleria a estruturas diferentes. No caso da
74
Figura 37 tanto a estrutura da densidade quanto a estrutura do músculo peitoral
possuíam a mesma faixa de valores, com isso de acordo com as coordenadas
seria possível detectar o que era densidade e o que era músculo peitoral.
O próximo passo (4.2.5) foi padronizar as estruturas de músculo peitoral,
tecido adiposo e tecido denso. A Figura 38 b) foi processada pelo sistema e as
estruturas foram padronizadas, onde o músculo peitoral e a área densa ficaram
com os valores de nível de cinza igual a 172 e o tecido adiposo com valor de
nível de cinza igual a 86.
Na Figura 38 a) é possível observar o músculo peitoral segmentado ao
qual seguiu a forma anatômica, o que difere de alguns métodos apresentados.
a) b)
Figura 38: a) B_3506.bmp do banco DDSM após segmentação do músculo peitoral, b) B_3506.bmp do banco DDSM após processamentos para padronização das estruturas
(densidade, tecido adiposo e músculo peitoral).
A Figura 38 a) mostra que a segmentação do músculo peitoral seguiu a
forma anatômica do músculo e não traçou simplesmente uma linha reta como a
maioria dos sistemas automáticos fazem.
Os processamentos aplicados nas imagens da mama esquerda e da
mama direita são similares o único diferencial é que no início do
processamento da mama direita, existe um algoritmo para inverter a imagem
para ela ficar do mesmo lado da imagem da mama esquerda. Isso é feito para
que se possa aproveitar o mesmo algoritmo da mama esquerda na imagem da
mama direita.
75
Na Figura 39 é possível observar o que acontece com as imagens em
cada fase do processamento. O par de imagens utilizados na explicação é o
B_3506 da base de dados do DDSM. Após a contagem do número de pixels
equivalente a área densa e a área total da mama, a imagem foi classificada
como padrão de densidade II (BIRADS™), conforme o item 4.2.10.
76
Figura 39: Imagem do sistema em Delphi após os processamentos e a classificação da mama.
A Tabela 2, Tabela 4 e Tabela 6 foram utilizadas para justificar a escolha
dos parâmetros para a classificação. Submeteu-se os mesmos pares de
imagens com diferentes valores para encontrar qual o grupo que obteve maior
porcentagem de acertos, tanto para a classificação da densidade quanto para a
detecção da assimetria.
Na Tabela 2 é possível observar os parâmetros utilizados para a
calibragem do software. Já na Tabela 3 é possível observar os resultados
obtidos com a aplicação dos parâmetros.
Tabela 2: Tabela com os primeiros parâmetros de calibragem do sistema
Densidade
BIRADS™ Valor Inicial (Porcentagem) Valor Final (Porcentagem)
I Maior igual a zero Menor que 10
II Maior igual a 10 Menor igual a 35
III Maior que 35 Menor igual a 50
IV Maiores que 50
Para a detecção da assimetria foi realizada a subtração das densidades
direita e esquerda se a diferença ultrapassasse 8% a mama era considerada
como assimétrica.
77
Tabela 3: Tabela com os resultados dos primeiros parâmetros aplicados
Nome da imagem na
base de dados do
DDSM
LAUDOS DO DDSM
RESULTADOS DO SOFTWARE
Den
sid
ade
Esq
uer
da
Den
sid
ade
Dir
eita
Ass
imet
ria
% d
a ár
ea d
ensa
E
squ
erd
a
% d
a ár
ea d
ensa
D
irei
ta
Cla
ssif
icaç
ão
Esq
uer
da
Cla
ssif
icaç
ão
Dir
eita
Ass
imet
ria
C_0481 III III SIM 16,83 17,97 II II NÃO
C_0471 II II SIM 15,49 26,70 II II SIM
C_0469 I I SIM 0,40 8,60 I I SIM
B_3237 III III SIM 37,30 39,40 III III NÃO
B_3061 III III SIM 37,40 61,19 III IV SIM
D_4509 III III NÃO 33,20 31,33 III III NÃO
A_2023 III III NÃO 4,83 8,76 I I NÃO
A_0237 IV IV NÃO 61,38 66,26 IV IV NÃO
B_3061 III III NÃO 40,40 47,90 III III NÃO
B_3429 II II NÃO 13,34 33,84 II II SIM
Com os dados da Tabela 3 foi possível obter 75% na classificação da
densidade e 70% na detecção da assimetria, de acordo com os parâmetros da
Tabela 2.
Foi utilizada uma segunda tabela com parâmetros diferentes para
analisar os resultados e compará-los com os parâmetros anteriores. A Tabela 4
mostra os novos parâmetros de calibragens.
78
Tabela 4: Tabela com os segundos parâmetros de calibragem do sistema
Densidade
BIRADS™ Valor Inicial (Porcentagem) Valor Final (Porcentagem)
I Maior igual a zero Menor que 12
II Maior igual a 12 Menor igual a 30
III Maior que 30 Menor igual a 40
IV Maiores que 40
Para a detecção da assimetria foi realizada a subtração das densidades
direita e esquerda se a diferença ultrapassasse 5% a mama era considerada
como assimétrica.
Tabela 5: Tabela com os resultados dos segundos parâmetros aplicados
Nome da imagem na
base de dados do
DDSM
LAUDOS DO DDSM
RESULTADOS DO SOFTWARE
Den
sid
ade
Esq
uer
da
Den
sid
ade
Dir
eita
Ass
imet
ria
% d
a ár
ea d
ensa
E
squ
erd
a
% d
a ár
ea d
ensa
D
irei
ta
Cla
ssif
icaç
ão
Esq
uer
da
Cla
ssif
icaç
ão
Dir
eita
Ass
imet
ria
C_0481 III III SIM 16,83 17,97 II II NÃO
C_0471 II II SIM 15,49 26,70 II II SIM
C_0469 I I SIM 0,40 8,60 I I SIM
B_3237 III III SIM 37,30 39,40 III III NÃO
B_3061 III III NÃO 37,40 61,19 III IV SIM
D_4509 III III NÃO 33,20 31,33 III III NÃO
A_2023 III III NÃO 4,83 8,76 I I NÃO
A_0237 IV IV NÃO 61,38 66,26 IV IV SIM
B_3061 III III NÃO 40,40 47,90 IV IV SIM
B_3429 II II NÃO 13,34 33,84 II III SIM
79
Com os dados da Tabela 5 foi possível obter 60% na classificação da
densidade e 40% na detecção da assimetria, de acordo com os parâmetros da
Tabela 4.
Foi utilizada uma terceira tabela com parâmetros diferentes para analisar
os resultados e compará-los com os parâmetros anteriores. A Tabela 6 mostra
os novos parâmetros de calibragens.
Tabela 6: Tabela com os terceiros parâmetros de calibragem do sistema
Densidade
BIRADS™ Valor Inicial (Porcentagem) Valor Final (Porcentagem)
I Maior igual a zero Menor que 10
II Maior igual a 10 Menor igual a 20
III Maior que 20 Menor igual a 50
IV Maiores que 50
Para a detecção da assimetria foi realizada a subtração das densidades
direita e esquerda se a diferença ultrapassasse 10% a mama era considerada
como assimétrica.
80
Tabela 7: Tabela com os resultados dos terceiros parâmetros aplicados
Nome da imagem na
base de dados do
DDSM
LAUDOS DO DDSM
RESULTADOS DO SOFTWARE
Den
sid
ade
Esq
uer
da
Den
sid
ade
Dir
eita
Ass
imet
ria
% d
a ár
ea d
ensa
E
squ
erd
a
% d
a ár
ea d
ensa
D
irei
ta
Cla
ssif
icaç
ão
Esq
uer
da
Cla
ssif
icaç
ão
Dir
eita
Ass
imet
ria
C_0481 III III SIM 16,83 17,97 III III NÃO
C_0471 II II SIM 15,49 26,70 II III NÃO
C_0469 I I SIM 0,40 8,60 I I NÃO
B_3237 III III SIM 37,30 39,40 III III NÃO
B_3061 III III NÃO 37,40 61,19 III IV SIM
D_4509 III III NÃO 33,20 31,33 III III NÃO
A_2023 III III NÃO 4,83 8,76 I I NÃO
A_0237 IV IV NÃO 61,38 66,26 IV IV NÃO
B_3061 III III NÃO 40,40 47,90 III III NÃO
B_3429 II II NÃO 13,34 33,84 II III SIM
Com os dados da Tabela 7 foi possível obter 75% na classificação da
densidade e 40% na detecção da assimetria, de acordo com os parâmetros da
Tabela 6.
De acordo com os resultados obtidos na aplicação dos parâmetros, a
tabela escolhida para o desenvolvimento do software foi a Tabela 2.
5.2 Comparação dos Resultados
Com os resultados do Delphi já gravados na web, foi possível escolher o
login de referência, o log onde estão todas as imagens laudadas, o login e o log
de comparação conforme a Figura 40 para que o sistema calcule os resultados.
Essa comparação automática foi outro diferencial do software desenvolvido em
relação a bibliografia, pois ela auxilia e agiliza a comparação dos resultados
fazendo com que diminua o tempo de validação.
81
Figura 40: Sistema Web para processar os resultados, onde se escolhe o médico ou base de dados de referência que irá ser comparado com os resultados do sistema.
Para analisar os resultados e verificar as porcentagens de acertos geral
e individual para cada lado, esquerdo e direito, basta “clicar” em resultados e
escolher o tipo de resultado que deseja visualizar. Com essa comparação foi
possível observar qual imagem (direita ou esquerda) apresentou maior grau de
acertos. Esses levantamentos automáticos não foram encontrados em
nenhuma referência estudada.
A imagem B_3506.bmp do banco DDSM é uma mama esquerda, mostra
o laudo do DDSM e correlaciona-o com o resultado do sistema.
Figura 41: Tela do detalhamento da validação do sistema Web.
Com o resultado do sistema apresentado na Figura 39 pode-se observar
que o método proposto classificou a mama sendo padrão de densidade II
(BIRADS™). A Figura 41 apresenta em destaque o resultado 1846 que é o
resultado da base do DDSM (coluna 3) em comparação ao do sistema (coluna
4), sendo possível observar que o sistema classificou corretamente a mama.
Com o sistema Web foi possível observar os resultados através de
vários aspectos, porcentagem de acerto total, porcentagem de acertos de cada
classificação do BIRADS™, com esses valores em mãos foi possível identificar
a dificuldade do sistema ou de um aluno, residente ou mesmo profissionais da
82
área com pouca experiência em classificar determinadas densidades de acorod
com o protocolo BIRADS™. Na Figura 42 é possível observar a validação dos
resultados e comparar onde o sistema teve melhor performance de acertos do
padrão BIRADS™.
Figura 42: Tela do sistema Web de todos os resultados já processados pelo sistema.
Na Figura 43 é possível acompanhar detalhadamente as análises dos
resultados separados por mama esquerda e direita.
Figura 43: Tela de resultados detalhados de acertos e falhas de cada imagem e da base de dados. Aparece o total de imagens processadas e o total de acertos.
Todas as imagens do DDSM foram cadastradas no sistema com os seus
respectivos laudos, o usuário responsável pelo cadastro das imagens foi
chamado de DDSM. Este usuário foi importante, pois ele foi o responsável pela
comparação dos resultados. O usuário sistema armazena os resultados
apresentados pelo software em Delphi. Com isso realizou-se a comparação
entre DDSM e sistema. O total de imagens processadas foram 132, desse total
66 são imagens da mama direita e 66 imagens da mama esquerda, os
resultados de acertos obtidos foram:
83
Na Tabela 8 são apresentados os resultados obtidos pelo software em
relação a cada classificação.
Tabela 8: Resultados finais apresentados pelo sistema em relação a
classificação da densidade
Padrão Densidade BIRADS™ Porcentagem de Acertos (%)
I 75,00
II 83,87
III 70,00
IV 80,00
Total de Acertos Geral 78,03
Na Figura 44 e na Figura 45 mostra a porcentagem de acertos e falhas
da mama esquerda e da mama direita.
Figura 44: Porcentagem de acertos e falhas da classificação da densidade entre os laudos do DDSM e os resultados do sistema da mama esquerda em 66 imagens.
84
Figura 45: Porcentagem de acertos e falhas da classificação da densidade entre os laudos do
DDSM e os resultados do sistema da mama direita em 66 imagens.
Na detecção da densidade o sistema apresentou 69,69% de acertos em
relação à base de dados do DDSM.
Na Figura 46 é apresentado no Excel os resultados da assimetria do
DDSM, com essa planilha do Excel foi possível fazer a comparação de acertos
entre a base do DDSM e os resultados do sistema conforme a Figura 47.
Figura 46: Resultados do DDSM colocados na planilha do Excel.
85
Figura 47: Resultado do sistema na planilha do Excel.
Na coluna comparação da Figura 47, o número 1 equivale às detecções
corretas o 0 equivale às detecções erradas. Ao final foram somados todos os
números 1 e multiplicado por 100 e ao final foi dividido pela quantidade de
pares de imagens.
Porcentagem Assimetria = (TotalAcertos * 100) / QtdeImagens
Porcentagem Assimetria = (46 * 100) / 66
Porcentagem Assimetria = 69,69%
86
6 CONCLUSÃO E DISCUSSÃO
De acordo com os resultados do trabalho apresentado percebe-se que
existe a necessidade cada vez maior de estudos voltados para a área de
assimetria e classificação da densidade. No decorrer do trabalho observou-se
em contatos com médicos especialistas e experientes na área de laudos
mamográficos que a quantidade de laudos diários é muito grande e que há
divergências entre os especialistas.
Para uma melhor adequação entre médicos e sistemas
computadorizados, o que se tem na literatura, são sistemas semi-automáticos.
Ao qual o médico necessita retirar o músculo peitoral manualmente em
imagens médio lateral oblíquo, treinar o sistema para depois utilizá-lo, essa
técnica de inteligência artificial é conhecida como redes neurais. Quando o
sistema é treinado por um especialista ele pode apresentar resultados
diferentes dependendo do tipo de treinamento que ele teve ao ser instalado.
Depois de treinado o sistema torna-se automático, pois de acordo com os
parâmetros pré-estabelecidos ele continuará operando.
Com isso podemos nos perguntar, será que essa é a melhor solução? A
adaptação de sistemas que realizam a mesma tarefa para diferentes médicos?
O desenvolvimento de sistema nada mais é que a tradução para uma
linguagem de programação de conceitos e regras de negócios de determinadas
áreas. Um sistema de software sem regras e padrões estabelecidos não
funciona, ele precisa ser programado para exercer a função de maneira
correta.
Na área de tecnologia, principalmente no desenvolvimento de sistemas,
para automatizarmos qualquer processo em qualquer área, é necessário ter
uma regra definida e clara, pois a subjetividade não é algo simples de
transformar em sistema. Um ponto importante de se ressaltar é que o sistema
desenvolvido é um sistema de auxílio a diagnóstico, cabe ao médico dar o
laudo final. O sistema é mais um opção para o médico fazer uma análise mais
detalhada.
O desenvolvimento de um sistema CAD não depende simplesmente do
conhecimento de programação de computador, é necessário que a imagem
87
seja adquirida de forma eficiente e que tenha boa qualidade. Esse é um
trabalho multidisciplinar e que um resultado final satisfatório depende de todas
as etapas realizadas de maneira adequada.
Para detectar a assimetria o sistema necessita que os demais pré-
processamentos estejam corretos, pois se alguma das etapas falharem
comprometem a detecção da assimetria. Por esse motivo a detecção
automática da assimetria mamária é difícil de ser atingida em sistemas de
diagnósticos, além de ser muito subjetivo.
Outro fator importante nesse projeto é a interligação do sistema que
funciona na máquina do cliente com o sistema Web, além de todo o processo
ser automático, desde o processamento, a validação e a impressão de gráficos
resumos. O sistema Web pode ser útil para treinamentos, banco de imagens
laudadas por especialistas o que agilizará o processo de trabalho de futuras
pesquisas.
A validação não precisa necessariamente ser realizada em comparação
ao resultado do método de processamento desenvolvido. Esse sistema web
poderá ser utilizado por médicos para treinar residentes, por outros
pesquisadores que queiram comparar seus resultados com uma base de
médicos. Ele é muito versátil e dinâmico e os resultados são rápidos
demorando cerca de 10s para fazer todo o processo que possibilitará a
comparação estatística através da geração de gráficos. A configuração do
computador utilizado na comparação foi um notebook com processador core 2
duo, velocidade 1.83 e conexão DSL 1 mega de velocidade. O gráfico poderá
ser escolhido pelo próprio operador do sistema. Para o desenvolvimento do
sistema de processamento foi utilizado a linguagem Delphi 7.0. O sistema web
utilizou a linguagem PHP, com banco mysql e o provedor onde ficou
hospedado foi a Locaweb, com um servidor de sistema operacional Linux.
O grupo ouro deste trabalho foi definido pelas imagens do DDSM que já
estão laudadas. Esta base é utilizada em muitos trabalhos de pesquisa da
área. Para a classificação automática da densidade o sistema apresentou
78,03 % de acerto, já na detecção da assimetria o sistema apresentou 69,69 %
de acerto.
De acordo com a pesquisa bibliográfica Ferrari et. al. (2000) não fez a
classificação da densidade e nem detectou a assimetria, detectaram a borda da
88
mama, o músculo peitoral e detectaram o disco glandular. Já em 2001 Ferrari
et. al. detectaram a assimetria mamária utilizando 14 imagens assimétricas do
Mini-Mias e obtiveram 74,4% de acertos. O método desenvolvido por Saha et.
al. (2001) utilizaram imagens de MLO e CC. Medeiros et. al. (2004) para a
classificação da densidade utilizaram imagens de 12 bits, porém a escolha do
limiar é feita pelo usuário do sistema, o que torna o método semi-automático.
Oliver et. al.(2005) utilizaram para a classificação da densidade apenas três
padrões (gorda, glandular e densa) com as imagens do MIAS. Com essa
classificação obtiveram resultados que variaram entre 82% e 85%, quando
colocaram a classificação glandular os resultados não foram apresentados,
mas sabe-se que teve uma drástica queda. Carvalho et. al. (2006) relatou que
na segmentação do músculo peitoral quando não se apresentava retilíneo o
método não era eficiente, utilizaram as imagens do MINI-MIAS e obtiveram
74,6% de acertos na segmentação do músculo peitoral. Rodrigues et. al. (2007)
utilizaram imagens com a segmentação do músculo peitoral realizada
manualmente e com isso obtiveram 75% (imagens normais) e 78% (imagens
assimétricas) na classificação da densidade e 77.8% na detecção da
assimetria. Malagelada (2007) utilizou dois bancos de dados um do MIAS com
86% na classificação da densidade e outro do DDSM com 77% na classificação
da densidade. O método desenvolvido nesse trabalho é automático e realiza a
segmentação do músculo peitoral de acordo com a forma anatômica, classifica
a densidade de acordo com o padrão BI-RADSTM, detecta a assimetria
mamária, valida os resultados automaticamente e utiliza as imagens do DDSM.
O método apresentou 78.03% na classificação da densidade e 69.69% na
detecção da assimetria, o que se mostra um resultado eficiente de acordo com
a literatura.
89
7 TRABALHOS FUTUROS
Como sugestões para futuros trabalhos:
• Utilização de outras bases de dados para a validação, além de tentar
melhorar a técnica de detecção da assimetria e a densidade,
aumentando a porcentagem de acertos.
• A implementação do sistema Web para a validação automática da
detecção da assimetria.
• Testar e validar o sistema Web para treinamento com residentes e
aperfeiçoá-lo de acordo com as necessidades reais dos médicos.
90
REFERÊNCIAS
BALLEYGUIER, C.; KINKEL, K.; FERMANI, J.; MALAN, S.; , G.; TAOUREL, P.; HELENON, O. Computer-aided Detection (CAD) in Mammography: Does it Help the Junior or the Senior Radiologist? European Jornal of Radiology, 54, p. 90-96, 2005. BIRDWELL, R.L.; IKEDA, D.M.; O’SHAUGHNESSY, K.F.; SICKLES, E.A. Mammographic characteristics of 115 missed cancers later detected with screening mammography and the potential utility of computer-aided detection. Radiology. 219 (1), p 192–202, 2001. BLANKS, R.G.; WALLIS, M.G. MOSS, S.M. A comparison of cancer detection rates achieved by breast cancer screening programmes by number of readers, for one and two view mammography: Results from the UK National Health Service Breast Screening Programme, J. Med. Screening. 5 (4), p. 195–201, 1998. BOYD, N.F.; BYNG, J.W.; JONG, R.A.; FISHELL, E.K.; LITTLE, L.E.; MILLER, A.B.; LOCKWOOD, G.A.; TRITCHLER, D.L.; YAFFE, M.J. Quantitative classification of mammographic densities and breast cancer risk: results from the Canadian National Breast Screening Study, J. Nat. Cancer Inst. 87 (9), p. 670–675, 1995. BRANDÃO, M. Conhecendo a Mama e o Exame de Mamografia. Disponível em: http://www.playmagem.com.br/conhecendo_a_mama.pdf Acesso em: 13/01/08, 11:51. Brasil. Ministério da Saúde. Secretaria de Atenção à Saúde. Instituto Nacional de Câncer. Coordenação de Prevenção e Vigilância de Câncer. Estimativas 2008: incidência de câncer no Brasil. Rio de Janeiro: INCA, 2007. BURHENNE, J.W.; WOOD, S.A.; D’ORSI, C.J.; FEIG S.A.; KOPANS, D.B.; O’SHAUGHNESSY, K.F.; SICKLES, E.A.; TABAR, L.; VYBORNY, C.J.; CASTELLINO, R.A. Potential contribution of computer-aided detection to the sensitivity of screening mammography. Radiology 215 (2), p. 554–562, 2000. BYNG, J. W. ; YAFFE, M. J.; JONG, R. A.; SHUMAK, R. S.; LOCKWOOD, G.A.; TRITCHLER, R. S.; BOYD, N. F. Analysis of mammographic density and breast cancer risk from digitized mammograms. Radiographics, v. 18, p. 1587-1598, 1998.
91
CARVALHO, I.M.; LUZ, L.M.S.; ALVARENGA, A.V.; AZEVEDO, C.M.; PEREIRA, W.C.A.; INFANTOSI, A.F.C. Segmentação do Músculo Peitoral em Mamografia Utilizando Operadores Morfológicos. CBEB, São Pedro. 2006. CHAN, H. P.; NIKLANDSON, L.T.; IKEDA D. M.; LAM, K. L.; ALDER, D. D. Digitization requeriments in mammography; effects on computer-aided detection of microcalcifications. Medical Physics, V. 21, n. 7, p. 1203-1211, 1994. DHAWAN, A. P.; ROYER, E. L. Mammographic feature enhancement by computerized image processing. Computer Methods and Programs in Biomedicine, v.27, p.23-25, 1998. Editorial. Looking back on the millennium in medicine. New England Journal of Medicine, 342(1), p.42–49, 2000. EVANS, W.P.; BURHENNE, J.W.; LAURICE L.; O’SHAUGHNESSY, K.F.; CASTELLINO, R.A. Invasive lobular carcinoma of the breast: Mammographic characteristics and computer-aided detection. Radiology 225 (1), p. 182–189, 2002. FENTON, J. J.; TAPLIN, S. H.; CARNEY, P. A.; ABRAHAM, L.; SICKLES, E. A.; D’ ORSI, C.; BERNS, E. A.; CUTTER, G.; HENDRICK, E.; BARLOW, W. E.; ELMORE, J. G. Influence of computer-aided detection on performance of screening mammography. The new England journal of medicine. Volume 356:1399-1409, nr. 14, Abril 2007. Disponível em: http://content.nejm.org/cgi/content/short/356/14/1399?query=prevarrow Acesso em: 13 Outubro, 2007. FERRARI, R. J.; RANGAYYAN, R.M.; BORGES, R. A.; FRÈRE, A. F. Segmentation of the fibro-glandular disc in mammograms using Gaussian mixture modeling. Med. Biol. Eng. Comput. 42, p. 378–387, 2004. FERRARI, R.J.; RANGAYYAN, R.M.; J.E.L. DESAUTELS, R.A. BORGES, FRÈRE, A. F. Identification of the breast boundary in mammograms using active contour models. Med. Biol. Eng. Comput. 42, p. 201–208, 2004. FERRARI, R.J.; RANGAYYAN, R.M.; J.E.L. DESAUTELS, R.A. BORGES, FRÈRE, A. F. Analysis of asymmetry in mammograms via directional filtering with Gabor wavelets. IEEE Trans. Med. Imaging 20 (9), p. 953–964, 2001.
92
FERRARI, R. J.; RANGAYYAN, J.E.L. DESAUTELS, R. A.; FRÈRE, A. F. Segmentação de mamogramas: identificação da borda da mama, músculo peitoral e disco glandular. 5º Internacional Workshop on Digital Mammography. Toronto, 2000. FREIXENET, J.; MUNOZ, X.; MARTÍ, J.; LLADÓ, X. Colour Texture Segmentation by Region-Boundary Cooperation. In: Proc. European Conference on Computer Vision, volume II, p. 250–261, 2004. GONZALEZ, R. C.; WOODS, R. E. Digital Image Processind, 3ª ed., Massachusetts: Addison Wesley, 1992. HENDERSON, C. D. M. Algorithms for Mammogram Analysis a Focus on Breast Tissue Asymmetry. CEMS Research School Graduate Post Event, 2005. INCA, Disponível em: http://www.inca.gov.br. Acesso em 03/02/08, 15:15. INCA, Disponível em: http://www.inca.gov.br. Acesso em 11/05/09, 12:15. ISHIDA, M; DOI, K.; LOO, L. N.; METZ, C. E.; LEHR, J. L. Digital image processing: effect on detectability of simulated low-contrast radiographic patterns. Radiology, v. 150, p. 569-575, 1984. KHOO, L. A. L.; TAYLOR, P.; WILSON, R. M. G. Computer-aided Detection in the United Kingdom National Breast Screening Programme: Prospective Study. Radiology, 237(2), p. 444–449, 2005. KOPANS, D.B. Imagem da Mama. 2ª ed. Rio de Janeiro: MEDSI, 2000. KOPANS, D.B. Standardized mammography reporting. Radiol Clin North Am p. 30:257-261, 1992. LAU, T. K.; BISCHOF, W. F. Automated detection of breast tumors using the asymmetry approach. Comput. Biomed. Res. 24, p. 273–295, 1991. MALAGELADA, A. O. I Automatic Mass Segmentation in Mammographic Images. PhD in Computer Engineering. Girona, 2007.
93
MALICH, A.; FISCHER, D. R.; BÖTTCHER, J. CAD for Mammography: the Technique, Results, Current Role and Further Developments. Epidemiologic Reviews, p. 16:1449–1460, 2006. MEDEIROS, R. B.; SCHIABEL, H.; NUNES, F. L. S; ALVES, F. F. R.; ELIAS, S.; FINGERMAN, F.; MILANI, V. Classificação Automática da Densidade Mamográfica por Técnica de Processamento de Imagem. 2004. MILLER, P.; ASTLEY, S. Detection of breast asymmetry using anatomical features, in: R.S. Acharya, C.B. Goldgof (Eds.), Biomedical Image Processing and Biomedical Visualization, vol. 1905 of Proceedings of SPIE, SPIE, San Jose, CA, p. 433–442, 1993. MILLER, P.; ASTLEY, S. Automated detection of breast asymmetry using anatomical features, in: K.W. Bowyer, S. Astley (Eds.), State of the Art in Digital Mammographic Image Analysis, vol. 9 of Series in Machine Perception and Artificial Intelligence, World Scientific, River Edge, NJ, p. 247–261, 1994. NISHIKAWA, R. M., KALLERGI, M. Computer-aided Detection, in its present Form, is not an Effective Aid for Screening Mammography. Medical Physics, p. 33:811–814, 2006. NUNES, F. L. S. Introdução ao Processamento de Imagens Médicas para Auxílio ao Diagnóstico – Uma Visão Prática. Campo Grande – MS , p. 17-20, 2006. NUNES, F. L. S.; SCHIABEL, H. Comparação do desempenho de técnicas de realce de contraste para imagens de mamas densas. XVIII CBEB, São José dos Campos (SP), v. 5, p. 209-214, 2002. OLIVER, A.; FREIXENET, J.; BOSCH, A.; RABA, D.; ZWIGGELAAR, R. Automatic Classification of Breast Tissue. Internacional Conference on Pattern Recognition. (2005). Disponível em: http://vicorob.udg.espag/publications.php Acesso em: 28/11/07, 19:25. PAZUELLO, K. Estudo da Variação da Densidade Mamográfica ao Longo de um Ciclo Menstrual. Dissertação de Mestrado em Bioengenharia. 2003. PIRES, R. S.; MEDEIROS, R. B.; SCHIABEL, H. Banco de Imagens Mamográficas para Treinamento na Interpretação de Imagens Digitais. Revista de Radiologia Brasileira, 2004.
94
PISANO, E. D., YAFFE, M. Digital mammography. Breast Dis. p. 127-136, 1998. QUADROS, L. G. A. Classificação BIRADS™ para Laudos de Mamografia. Revista Brasileira de Mastologia, V. 13, nº 4, 2003. RANGAYYAN, R. M.; AYRES, F. J.; DESAUTELS, L. A review of computer-aided diagnosis of breast cancer: Toward the detection of subtle signs. Journal of the Franklin Institute 344, 2007. RANGAYYAN, R. M.; FERRARI, R.J.; FRÈRE, A.F. Detection of asymmetry between left and right mammograms,in: E. Pisano (Ed.), Proceedings of the Seventh International Workshop on Digital Mammography, Durham, NC, p. 651–658, 2004. RASBAND, W.S., ImageJ, U. S. National Institutes of Health, Bethesda, Maryland, USA, Disponível em: http://rsb.info.nih.gov/ij/, 1997-2008. RODRIGUES, S. C. M.; VELOSO, M. F. A.; RODIGUES, E. L. L. Detecção da Assimetria Mamária. IFMBE Proceedings, Springer, v.18,p.334-337, 2007. SAHA, P.K.; UDUPA, J. K.; CONANT, E. F.; CHAKRABORTY, D. P.; SULLIVAN, D. Breast tissue density quantification via digitized mammograms. IEEE Trans. Med. Imaging 20 (8), p. 792–803, 2001. SAMADAR, P.; PAREDES, E. S.; GRIMES, M. M.; WILSON, J. D. Focal Asymmetric Densities Seen at Mammography: us and patologic correlation. Radiographycs. 2002. SANTOS, V. T. Segmentação de Imagens Mamográficas para Detecção de Nódulos em Mamas Densas. Dissertação de Mestrado em Engenharia Elétrica, EESC-USP. 2002. SCUTT, D.; LANCASTER, G. A.; MANNING, J. T. Breast asymmetry and predisposition to breast cancer. Breast Cancer Research, 2006. SHEN, L.; RANGAYYAN, R.M.; DESAUTELS, J.E.L. Detection and classification of mammographic calcifications. Internacional Journal of Pattern Recognition and Artificial Intelligence, p. 1403-1416, 1993.
95
SILVA, F. C. Simulador Computacional de Mamografia Contemplando os Padrões Wolfe e BIRADS™. Dissertação de Mestrado em Engenharia Biomédica, UMC, Mogi das Cruzes, 2005. STERN, F. Digital mammography and related technologies: a perspective from the National Cancer Institute. Radiology, p. 183:629-630, 1992. SUN, Y.; SURI, J.; DESAUTELS, J.; RANGAYYAN, R. A New Approach for Breast Skin-line Estimation in Mammograms. Pattern Anal. Appl. 9, p. 34–47, 2006. UNDRILL, P. E., O’KANE, A. D., GILBERT, F. J. A Comparison of Digital Mammography Using Quality Control Phantoms. Clin Radiol. p. 55:782-790, 2000. URSIN, G.; HOVANESSIAN. L.; PARISKY, Y.; PIKE, M.C., GREATLY, A. W. A. Increased Occurrence of Breast Cancers in Areas of Mammographically dense tissue, Breast Cancer Res, 2005. U. S. Food and Drug Administration. Center for Devices and Radiological Health. MOSA Program. Disponível em: <http://www.fda.gov/cdrh/mammography/digital.html>. Acesso em: 20 Outubro/2007. VIEIRA, A. V.; TOIGO, F. T. Classificação BIRADS™: Categorização de 4968 Mamografias. Radiol. Brás. v. 35, n.4. São Paulo, Jul/Ago, 2002. WARD, L. S. Entendendo o Processo Molecular da Tumorigênese. Arq. Brás. Endocrinol. Metab. V. 46 n.4 São Paulo Agosto, 2002. 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, 89(2), p. 211–215, 1967.
96
APÊNDICE A - Fluxogramas
97
Fluxogramas
Estrutura de decisão A Figura 48 representa a estrutura de decisão. Toda vez que aparecer
uma estrutura como esta, significa que o sistema estará fazendo uma
comparação, e de acordo com o resultado, ele realizará as tarefas da parte
verdadeira (S) ou da parte falsa (N).
Figura 48: Representação da Estrutura de Decisão
Estrutura de repetição simples Na Figura 49 é apresentada a estrutura de repetição simples, enquanto
a condição for obedecida ele entra numa estrutura de repetição e só sairá no
momento em que a condição não for mais atendida dando continuidade ao
fluxo.
Figura 49: Estrutura de repetição simples
98
Estrutura de repetição encadeada (uma estrutura de repetição dentro da outra) Na Figura 50 é apresentada a estrutura de repetição encadeada ao qual
a primeira repetição será realizada e só passará para o segundo registro da
primeira repetição quando terminar a segunda repetição por completo.
Figura 50: Estrutura de repetição encadeada
Livros Grátis( http://www.livrosgratis.com.br )
Milhares de Livros para Download: Baixar livros de AdministraçãoBaixar livros de AgronomiaBaixar livros de ArquiteturaBaixar livros de ArtesBaixar livros de AstronomiaBaixar livros de Biologia GeralBaixar livros de Ciência da ComputaçãoBaixar livros de Ciência da InformaçãoBaixar livros de Ciência PolíticaBaixar livros de Ciências da SaúdeBaixar livros de ComunicaçãoBaixar livros do Conselho Nacional de Educação - CNEBaixar livros de Defesa civilBaixar livros de DireitoBaixar livros de Direitos humanosBaixar livros de EconomiaBaixar livros de Economia DomésticaBaixar livros de EducaçãoBaixar livros de Educação - TrânsitoBaixar livros de Educação FísicaBaixar livros de Engenharia AeroespacialBaixar livros de FarmáciaBaixar livros de FilosofiaBaixar livros de FísicaBaixar livros de GeociênciasBaixar livros de GeografiaBaixar livros de HistóriaBaixar livros de Línguas
Baixar livros de LiteraturaBaixar livros de Literatura de CordelBaixar livros de Literatura InfantilBaixar livros de MatemáticaBaixar livros de MedicinaBaixar livros de Medicina VeterináriaBaixar livros de Meio AmbienteBaixar livros de MeteorologiaBaixar Monografias e TCCBaixar livros MultidisciplinarBaixar livros de MúsicaBaixar livros de PsicologiaBaixar livros de QuímicaBaixar livros de Saúde ColetivaBaixar livros de Serviço SocialBaixar livros de SociologiaBaixar livros de TeologiaBaixar livros de TrabalhoBaixar livros de Turismo
Recommended
