Universidade Federal de Minas GeraisInstituto de Ciências Exatas

Departamento de Ciências da Computação

ANDRÉ PONTES MELO

MONOGRAFIA DE PROJETO ORIENTADO EM COMPUTAÇÃO II

CONTAGEM AUTOMATIZADA DE OVOS DE SCHISTOSOMA

MANSONI PARA O MÉTODO DE KATO-KATZ

Belo Horizonte � MG2010 / 2o semestre

Universidade Federal de Minas GeraisInstituto de Ciências Exatas

Departamento de Ciências da Computação

CONTAGEM AUTOMATIZADA DE OVOS DESchistosoma mansoni PARA O MÉTODO DE

KATO-KATZ

por

ANDRÉ PONTES MELO

Monogra�a de Projeto Orientado em Computação II

Apresentado como requisito da disciplina de Projeto Orientado em

Computação II do Curso de Bacharelado em Ciência da Computação da

UFMG

Prof. Dr. Clarindo Isaías P. S. PáduaOrientador David Menotti

Belo Horizonte � MG2010 / 2o semestre

Resumo

O presente trabalho descreve as técnicas e algoritmos de processamento digital de ima-gens utilizadas na elaboração de uma ferramenta que automatiza a contagem de ovos deSchistosoma mansoni para o método laboratorial Kato-Kats.

Palavras-chave: Schistosoma, Kato-kats.

Abstract

This paper aims to describe the techniques and digital image algorithms in de-veloping a tool able to count Schistosoma mansoni eggs for the Kato-Kats method.

Keywords: Schistosoma, Kato-kats.

Lista de Figuras

1.1 Duas imagens obtidas através do método de Kato-katz. Acima, é mostradoum ovo de Schistosoma mansoni. Abaixo, é mostrado um bloco de amido. 4

3.1 Diagrama de atividades top-down típico para reconhecimento em proces-samento digital de imagens. . . . . . . . . . . . . . . . . . . . . . . . . . . 8

3.2 Diagrama de atividades da ferramenta desenvolvida. . . . . . . . . . . . . . 8

3.3 Conjunto de imagens de microscopia através do método Kato-kats. . . . . . 9

3.4 Grupo 2 da segmenação por K-means para k = 3. . . . . . . . . . . . . . . 10

3.5 Limiariação da escala de cinza . . . . . . . . . . . . . . . . . . . . . . . . . 11

3.6 Limiariação do histograma azul . . . . . . . . . . . . . . . . . . . . . . . . 12

3.7 Limiarização escala-de-cinza interseção limiarização azul . . . . . . . . . . 13

3.8 Limiariação da escala de cinza . . . . . . . . . . . . . . . . . . . . . . . . . 14

4.1 Resultado da contagem dos ovos . . . . . . . . . . . . . . . . . . . . . . . . 15

1

LISTA DE SIGLAS

OMS Organização Mundial da Saúde

2

SUMÁRIO

1 INTRODUÇÃO 4

1.1 Visão geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.2 Objetivo, justi�cativa e motivação . . . . . . . . . . . . . . . . . . . . . . . 5

2 REFERENCIAL TEÓRICO 6

3 METODOLOGIA 7

3.1 Tipo de pesquisa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

3.2 Procedimentos metodológicos . . . . . . . . . . . . . . . . . . . . . . . . . 7

3.2.1 KMEANS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

3.2.2 Limiarização do histograma da escala-de-cinza . . . . . . . . . . . . 10

3.2.3 Limiarização do histograma azul . . . . . . . . . . . . . . . . . . . . 11

3.2.4 Limiarização escala-de-cinza interseção limiarização azul . . . . . . 12

3.2.5 Segmentação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

4 RESULTADOS 15

5 CONCLUSÕES E TRABALHOS FUTUROS 16

BIBLIOGRAFIA CITADA 17

3

Capítulo 1

INTRODUÇÃO

1.1 Visão geral

O surgimento da técnica de Kato-Katz revolucionou o diagnóstico de esquistos-somose. Dentre suas vantagens em comparação com o método previamente usado, estáo baixo custo aliado com alta precisão dos resultados. Por estes motivos, este métodose tornou o padrão utilizado em laboratórios e geralmente é ensinado nas universidadesda área de saúde. O método é simples e é fácil encontrar kits para a venda que permi-tem sua execução. Este método é o padrão recomendado pela Organização Mundial daSaúde (OMS) uma vez que, além de indicar a existência dos ovos, indica a carga parasi-tária. Por isto, é também chamado de método quantitativo. Para que a carga parasitáriaseja encontrada, o pro�ssional deve contar o número de ovos presente nas lâminas dacoleta. Este processo pode demandar tempo uma vez que é necessário diferenciar os ovosde Schistosoma mansoni de outros corpos cuja forma é semelhante, como, por exemplo,blocos de amido.

Figura 1.1: Duas imagens obtidas através do método de Kato-katz. Acima, é mostradoum ovo de Schistosoma mansoni. Abaixo, é mostrado um bloco de amido.

Como se pode ver na �gura 1.1, apenas a cor não é o su�ciente para esta dis-

4

tinção. Assim, o pro�ssional realiza a identi�cação através de características intrínsecascomo: forma ovalada, textura e coloração interna e presença de miracídio. Este trabalhoé ainda mais custoso uma vez que o pro�ssional deve percorrer toda a lâmina (vertical ehorizontalmente) a �m de realizar a contagem. A automatização desta tarefa é um desa-�o computacional que pode facilitar esta fase do método ou ser um auxílio à contagem.Substituir a presença de um olhar pro�ssional para distinção dos ovos depende do graude precisão alcançado com este trabalho. A principal motivação está relacionada com apadronização do método. Caso fosse executado por aparelhagens diferentes, imagens decolorações e texturas distintas poderiam não funcionar em um único algoritmo. No en-tanto, o algoritmo desenvolvido aqui deve achar uma solução genérica para os laboratóriosque utilizam a padronização do método Kato-Katz.

1.2 Objetivo, justi�cativa e motivação

Este trabalho propõe o desenvolvimento de um aplicativo em que seja possívelcombinar técnicas de processamento digital de imagens ao método Kato-Katz utilizadoem laboratórios para contagem de ovos de Schistosoma mansoni em fezes humanas.

O método Kato-Katz foi escolhido como alvo neste trabalho por ser predominan-temente utilizado em laboratórios no diagnóstico de helmintíases intestinais. A sua largautilização está relacionada com a precisão do resultado aliado ao baixo custo de operaci-onalização. No entanto, este ainda requer contagem manual de ovos para que se chegueao diagnóstico. O resultado do exame indica a carga parasitária do paciente.

O objetivo então é estudar algoritmos capazes de automatizar a contagem de ovosem fotogra�as resultado da microscopia ótica através deste método. A parte computaci-onal do trabalho se restringe no algoritmo de segmentação dos ovos nas �guras para quea contagem seja automatizada. Uma base de imagens com e sem ovos será utilizada paraavaliar a qualidade do método proposto.

Espera-se que o método de Kato-Katz ganhe uma ferramenta em que inquéritosepidemiológicos sejam mais rapidamente realizados.

5

Capítulo 2

REFERENCIAL TEÓRICO

Este trabalho tem como embasamento trabalhos das áreas de biologia e compu-tação, sendo que a primeira é responsável por informações sobre o método Kato-Katz e asegunda corresponde aos algoritmos e técnicas já existentes para a contagem automatizadados ovos de Schistosoma mansoni.

Técnicas so�sticadas de segmentação(1) tais como kmeans foram inicialmente tes-tadas (seção 3.2.1). No entanto, o resultado não foi satisfatório. A referência que norteouas ténicas utilizadas aqui advém de artigos cujo propósito é a segmentação de imagensda mesma natureza do presente estudo(2). A segmentação de imagens resultadas de mi-croscopia óptica tem resultados satisfatórios através de técnicas simples de processamentodigital de imagens. Apesar de o trabalho citado ter células de natureza diferente à este,uma variação das técnicas utilizadas apresentaram resultado signi�cativo. Desta forma,os mesmos algoritmos foram recombinados de forma à maximizar a taxa de acerto.

A motivação de automatizar esta técnica está no fato das imagens obtidas emvários laboratórios apresentarem o mesmo padrão de escala, iluminação e resolução. Semque estes atributos fossem constantes, a variação de uma base de dados obtidas em de umlaboratório para o outro desclassi�caria a utilização do presente trabalho em larga escala.

6

Capítulo 3

METODOLOGIA

3.1 Tipo de pesquisa

Pode-se enquadrar esta pesquisa como sendo tecnológica experimental explora-tória. A natureza é de pesquisa aplicada ou tecnológica uma vez que não objetiva-se odesenvolvimento de um processo ou algoritmo completamente novo. Espera-se obter umnovo software fruto da combinação de técnicas já existentes.

O procedimento desta pesquisa tem caráter experimental. Inicialmente será ob-tida uma base de dados �el ao propósito do estudo, ou seja, imagens tiradas por la-boratórios de exames que já são realizados através do método de Kato-Katz. Imagenscom e sem ovos serão úteis para inicialmente sugerir os algoritmos que serão utilizados, eposteriormente, validar a solução proposta.

O conjunto de técnicas que serão utilizadas será descoberto durante o trabalho,mas é previsto testes envolvendo técnicas simples de processamento digital de imagens,como abertura e fechamento, transformadas de Fourier e análise dos histogramas dasimagens. Além disto, serão estudados softwares que analisam imagens da mesma naturezada base de dados deste trabalho.

O resultado da pesquisa é, então, uma nova técnica que objetiva melhorar oexame em questão por diminuir a quantidade de erros. A validação da e�cácia da técnicaproposta é necessária para validação do trabalho. No entanto, a bibliogra�a relacionadaao método laboratorial escolhido não enfoca a capacidade de um pro�ssional da áreareconhecer e realizar a contagem das células. Ao invés disto, os trabalhos discutem aqualidade do resultado dado que todas as células foram contadas corretamente. Nãoforam encontrados artigos em que este processo é automatizado, e portanto, não foramencontrados parâmetros para comparação. Esta discussão é feita no capítulo 2.

3.2 Procedimentos metodológicos

A metodologia foi escolhida através da recombinação de técnicas já existentespara a base de dados fornecida. A sequência típica de reconhecimento de padrão (�gura3.2) compreende em pré-processar a imagem com o objetivo de facilitar e aumentar o

7

acerto das etapas seguintes, compreendidas pela segmentação e reconhecimento. Paraeste trabalho foi adotado de início o algorítmo de wathershed. Este funciona separandoa imagem em regiões cuja coloração é semelhante. Esta técnica não funciona para oobjetivo deste trabalho. Conclui-se então que o reconhecimento de ovos não se dá pelaaproximação de pontos com coloração próxima.

Figura 3.1: Diagrama de atividades top-down típico para reconhecimento em processa-mento digital de imagens.

A técnica utilizada com sucesso foi a mesma usada para segmentação de micros-copia de bactérias(2). Esta se utiliza de um conjunto de algoritmos simples, calibradospara a base de imagem em questão. As etapas compreendem limiarizaçao dos canais dehistograma combinadas com a técnica de abertura e fechamento. Neste trabalho diversascombinações destas técnicas foram testadas para se chegar na melhor con�guração paraa base de dados fornecida. Esta seção mostra, o resultado obtido em cada passo e osresultados que motivaram a escolha de uma técnica em detrimento de outra. A �gura3.2 mostra a sequência de algoritmos aplicados para compor a ferramenta de contagemautomatizada dos ovos de Schistosoma mansoni

Figura 3.2: Diagrama de atividades da ferramenta desenvolvida.

A técnica utilizada consiste inicialmente em identi�car os pixels que correspondemaos ovos. Como esta técnica resulta em pixels falso-positivo e pixels falso-negativos,é realizado o par abertura-fechamento para reduzir os erros. En�m, uma janela cujotamanho é aproximadamente a área dos ovos de Schistosoma mansoni percorrida naimagens. As regiões que possuem contagem de pixels selecionados maior que um limiarsão identi�cadas como área com ovo. Regiões próximas identi�cadas desta forma são

8

agrupadas e então a quantidade de regiões é contada como sendo o número de ovosencontrados.

Após análise de histogramas das imagens pode-se concluir que apenas uma limi-arização não é su�ciente para identi�cação dos píxels que contem os ovos. A limiarizaçãodo histograma RGB (seção 3.2.2) consegue identi�car os ovos, mas erra por selecionarpixels sem ovos. O mesmo ocorre para a limiarização do canal azul (secão 3.2.3). Comoas regiões segmentadas por estas técnicas resultam são distintas, uma nova abordagemse mostrou e�caz, selecionado apenas a interseção entre as duas técnicas (seção 3.2.4).Após esta fase, a abertura (seção 3.2.5) se mostrou e�caz ao eliminar pontos isolados quecorrespondiam a falso-positivos. Já o fechamento ajuda ao passo da segmentação porselecionar os pixels da proximidade das regiões em que existem pixels selecionados pelosmétodos anteriores. Os resultados estão na seção 5.

Figura 3.3: Conjunto de imagens de microscopia através do método Kato-kats.

3.2.1 KMEANS

O método de kmeans é frequentemente(1) utilizado em processamento digitalde imagens para segmentação. Este gera k grupos de segmentação agrupando pixels decoloração semelhante. Ao aplicar o algoritmo na base de dados fornecida, observou-se

9

melhor segmentação dos ovos para k = 3. No entanto, este método intrinsecamentesempre delimita áreas segmentadas, mesmo quando a imagem não possui ovos. Destaforma, este é um método que pode ser integrado à ferramenta como técnica adicionalpara eliminar falso-positivos.

Figura 3.4: Grupo 2 da segmenação por K-means para k = 3.

3.2.2 Limiarização do histograma da escala-de-cinza

O algoritmo mais simples da área de processamento digital de imagens é larga-mente utilizado no pré-processamento nas imagens. O objetivo é previamente removerinformação das �guras, objetivando redução da complexidade dos algoritmos consequente.No escopo aqui empregado, esta técnica compõe a segmentação por tentar selecionar os pi-xels correspondentes aos ovos de Schistossoma mansoni. A �gura 3.5 mostra em vermelhoos pontos selecionados por esta técnica. Para que esta imagem fosse obtida, foi escolhidoum valor limiar de forma que todos os ovos fossem pertencessem aos pontos selecionados.Pode-se observar que a maioria dos pontos das imagens foram selecionados, e assim estatécnica isolada não confere a distinção dos ovos. No entanto, estes pontos selecionadosfazem parte do algoritmo desenvolvido. Mais especi�camente, é obtido a interseção (seção3.2.4) destes pontos com a limiarização do histograma azul (seção 3.2.3).

10

Figura 3.5: Limiariação da escala de cinza

3.2.3 Limiarização do histograma azul

As limiarizações independentes das imagens da base foram realizadas e observadasde forma que, especi�camente, este canal conseguiu melhor1 distinção dos pontos de ovos.No entanto, comparando as duas liarizações lado a lado (�g. 3.5 e �g. 3.6), pode-se observar que a primeira engloba todos os pontos dos ovos e a segunda apresenta umresultado visual que facilita a identi�cação destes. No entanto, esta última realça algumasformas circulares que não são ovos (falso-positivos). Esta observação induziu à interseção(seção 3.2.4) destas duas imagens, de forma que os falso positivos da limiarização do canalazul seja eliminado pela limiarização da média dos canais.

1Este trabalho se baseia em um conjunto de técnicas testadas empiricamente. Podem existir melhores

técnicas de segmentação para a base de imagens deste trabalho.

11

Figura 3.6: Limiariação do histograma azul

3.2.4 Limiarização escala-de-cinza interseção limiarização azul

Os pontos selecionados na �gura 3.7 localiza os ovos de Schistosoma mansoni nasimagens. No entanto, para que o algoritmo indique precisamente a quantidade e a posiçãodos ovos, mais técnicas são necessárias. Uma nova limiarização é aplicada no resultadoapresentado aqui de forma que as regiões cuja soma de pontos selecionados ultrapasse umdeterminado valor indique a presença de ovo no local. No entanto, esta taxa pode sermelhorada com as seguintes técnicas de abertura e fechamento. O objetivo é eliminar ospontos selecionados que não correspondem aos ovos e seleção de mais pontos de interesse.A abertura é responsável pelo primeiro processo, e elimina pontos isolados selecionados.Já o segundo preenche a seleção de pontos cuja distância é menor que um limiar.

12

Figura 3.7: Limiarização escala-de-cinza interseção limiarização azul

3.2.5 Segmentação

A abertura e fechamento correspondem às últimas técnicas aplicadas às imagensde consulta antes da segmentação dos ovos. Ao comparar a �gura 3.8 com a anterior(�g. 3.7), observa-se uma limpeza dos pontos selecionados, isto é, pontos muitos dospontos isolados que não correspondem à ovos foram retirados da seleção. A contagemdos ovos é a última técnica utilizada, e o objetivo é indicar a quantidade e posição dosovos de Schistosoma mansoni na �gura. Para que isto seja possível, uma janela, cujasdimensões são próximas à área de um ovo, percorre a imagem contabilizando os pontosselecionados. Caso o resultado seja maior que um determinado limiar, a área selecionadaindica ocorrência de ovo.

13

Figura 3.8: Limiariação da escala de cinza

14

Capítulo 4

RESULTADOS

A partir deste trabalho foi possível gerar uma ferramenta de segmentação queautomatize o processo de contagem de ovos de Schistosoma mansoni, reduzindo aindamais os custos de exames laboratoriais para detecção de esquitossomose.

Figura 4.1: Resultado da contagem dos ovos

A �gura 4.1 indica as janelas cuja quantidade de pontos selecionados foi maiorque um determinado limiar. Das 12 imagens da base de dados, podem-se observar apenasdois erros, o que confere à técnica criada uma taxa de 83%.

15

Capítulo 5

CONCLUSÕES E TRABALHOSFUTUROS

O algoritmo desenvolvido se mostrou e�caz para a contagem de ovos em umconjunto pequeno de imagens. A base de dados utilizada é restrita a no máximo um ovopor �gura. Apesar de conseguir distinguir fotos com e sem ovos, não é possível saber seo método desenvolvido funciona para imagens de pacientes com alto índice de infecção.Nestes casos, é esperado que a ferramenta responda um índice de infecção inferior aocorreto uma vez que ovos próximos podem ser erroneamente agrupados e identi�cadoscomo apenas um. Um próximo passo para o presente trabalho seria levar outros fatoresem consideração para se realizar esta distinção. Aspectos como tamanho, a forma ovaladae a �na membrana dos ovos são informações que poderiam nortear esta pesquisa.

Propõe-se como trabalho futuro um conjunto adicional de algoritmos que consigarealizar a contagem de ovos nos grupos já identi�cados neste trabalho. Além disto, novastécnicas de processamento digital de imagens devem ser testadas a �m de resolver oscasos em que o presente método resultou em falso-positivo. Para que seja utilizado emlaboratórios este trabalho deve ser submetido à um teste envolvendo uma maior base deimagens.

A comparação da e�cácia da técnica com a contagem manual dos ovos, realizadaem laboratórios, não pode ser feita uma vez que a literatura apenas compara o métodolaboratorial de kato-katz com outros métodos, sendo subentendido que o diagnóstico éfeito de forma correta, ou seja, que o pro�ssional humano seja capaz de distinguir esegmentar os ovos corretamente.

Apesar de não ser completamente con�ável, a ferramenta em seu atual estágioaqui desenvolvida pode ser utilizada para uma categorização inicial de imagens, anteci-pando um trabalho de contagem manual, o que reduziria o tempo de execução de grandeslotes de exames laboratoriais.

16

BIBLIOGRAFIA CITADA

1 LUCCHESE, L.; MITRA, S. K. Color image segmentation: A state-of-art survey.Proc. Indian Nat. Sci. Acad. (INSA-A), v. 67-A, 2001.

2 DEMANTOVA, P. et al. Segmentacao automática de bactérias para o método deft. IILatin American Congress on Biomedical Engineering, Havana, Cuba, 2001.

3 CHEMOTHERAPY of Bilharzias. Geneva: [s.n.], 1964.

4 CHAVES, A. et al. Estudo comparativo dos métodos coprológicos de Lutz, Kato-Katze Faust modi�cado. Geneva: scielosp, 1979.

5 JUNG, C. F. Metodologia para pesquisa & desenvolvimento: aplicada a novastecnologias, produtos e processos. Rio de Janeiro/RJ: Axcel Books do Brasil Editora,2004.

17