View
108
Download
2
Category
Preview:
Citation preview
Segmentação de nódulos pulmonares através do algoritmo eCognition adaptado para dados
volumétricos
Leonardo de Oliveira Martins
lmartins@inf.puc-rio.br
Rio de Janeiro, junho/2008
Pontifícia Universidade Católica do Rio de Janeiro
Visão Computacional II
Prof. Raul Queiroz Feitosa
Roteiro Motivação Objetivos Material Ferramentas Metodologia Resultados Trabalhos futuros Referências
Motivação O câncer de pulmão é o que mais mata
em todo o mundo Existem algumas dificuldades para a
identificação de nódulos pulmonares Estruturas (tecidos) semelhantes Nódulo em sua fase inicial tem dimensões
muito pequenas Cansaço visual Qualidade da imagem
Objetivo Implementar, através da linguagem C++,
uma adaptação do algoritmo eCognition para dados volumétricos (TC)
Disponibilizar o código em C++ que realize a tarefa de segmentação das estruturas pulmonares com vistas à classificação das mesmas (detecção), levando em conta Tempo Erro de segmentação
Material Dados provenientes do setor de Cirurgia
Torácica da Faculdade de Ciências Médicas da UERJ
31 volumes adquiridos a partir de um tomógrafo Helicoidal GE pro Speed, sob as seguintes condições
Voltagem e corrente do tubo de 120kV e 100mA Tamanho da imagem de 512x512 pixels Quantização de 12 bits Formato DICOM
Cada volume possui ao menos 1 nódulo
Ferramentas Linguagem de programação C/C++
Dev-Cpp VTK (Visualization toolkit)
Leitura do arquivo em formato DICOM CImg.h
Manipulação de imagens em geral
Metodologia Para cada volume
Limitação do espaço de busca Aplicação do algoritmo de
segmentação por crescimento de região
Comparação da segmentação obtida com a segmentação realizada pelo especialista (em andamento)
Limitação do espaço de busca
Diminuir o espaço de busca do nódulo pulmonar
Pretende-se encontrar a região ocupada pelo pulmão
Envolve três processos 1 - Segmentação do tórax 2 - Segmentação do pulmão 3 – Reconstrução da área pulmonar e
eliminação de regiões indesejadas
Limitação do espaço de busca
Imagem limiarizada Preenchimento de buracos
1 - Extração do tórax: limiarização global (método de Otsu)
Limitação do espaço de busca1 – Eliminação da prancha onde o paciente repousa para fazer o exame
Imagem após erosão Imagem após dilatação
Limitação do espaço de busca
Tórax extraído
Limitação do espaço de busca
Imagem limiarizada prevalecendo baixas intensidades
2 – Nova limiarização global utlizando somente os pixels do tórax
Limitação do espaço de busca
3 – Preenchimento do pulmão para reconstrução de áreas eliminadas pela limiarização
Limitação do espaço de busca
3 – Eliminação de partes do tórax
Imagem após erosão Imagem após dilatação
Limitação do espaço de busca
3 – Reconstrução das áreas das bordas do pulmão
Imagem após operação de “fechamento”
Segmentação eCognition Segmentação baseada em crescimento de
região, voltada para objetos Cada objeto começa do tamanho de um pixel A cada passo, um objeto é escolhido e
comparado com seus vizinhos O vizinho que mais se assemelha a ele é escolhido para
a fusão Caso exista mais de um vizinho semelhante, é
escolhido o que possui menor fator de heterogeneidade O processo continua até que um número de
iterações seja atingido ou não haja mais fusões
Segmentação eCognition
Segmentação eCognition
Escolha do objeto a ser processado a cada iteração é feita através da ordem de uma matriz de dithering Evita que cada execução do
programa resulte em uma segmentação diferente, o que aconteceria em caso de escolha aleatória.
Segmentação eCognition O custo de fusão f de dois objetos é dado por
sendo wespectral um peso para o critério espectral no intervalo de 0 a 1hespectral é a heterogeneidade espectral
hforma é a heterogeneidade da forma
Haverá fusão entre os objetos se o custo de fusão for menor que um critério definido como escala
formaespectralespectral hphwf 1
Segmentação eCognition
Heterogeneidade espectral
sendo: σ o desvio padrão da resposta espectral n o tamanho do objeto é a média dos desvios padrão de uma
“amostra de nódulos” (an)
an
ObjObj
an
ObjObj
an
FusãoFusãoespectral nnnh
2
21
1
Segmentação eCognition
Heterogeneidade da forma:
sendo wforma um peso para o critério de compacidade no intervalo de 0 a 1
esféricaiaconcordâncecompacidadforma hwhwh _1
Segmentação eCognition
Compacidade
sendo n o volume do objeto a a área superficial do objeto
min
min22
min
min11
min
min
CC
CCn
CC
CCn
CC
CCnh
an
ObjObj
an
ObjObj
an
FusãoFusãoecompacidad
3 n
aC
Segmentação eCognition
Segmentação eCognition Concordância Esférica
sendo n o volume do objeto D a desproporção esférica do objeto a a área superficial R o raio estimado da esfera com o mesmo volume do
objeto
min
min22
min
min11
min
min_ DD
DDn
DD
DDn
DD
DDnh
an
ObjObj
an
ObjObj
an
FusãoFusãoesféricaiaconcordânc
2.4 Obj
ObjObj R
aD
3
4
.3
Obj
Obj
nR
Segmentação eCognition
Medida de desempenho
Erro de segmentação E = (fp+fn)/Ar
Fp – área formada pelos pixels falso positivos Fn – área formada pelos pixels falso negativos Ar – Área real do nódulo, segmentada por um
especialista
E = 0 -> segmentação
perfeita
Resultados
Testes realizados utilizando p = 6, wespectral =0.25 e wforma =0.75
Tempo médio de processamento de cada exame ficou em torno de 1 hora e meia
Melhora significativa em comparação com implementações anteriores
Resultados
Segmentação de nódulo (fatia)
•E=0.4315
Resultados
Segmentação de nódulo (fatia)
•E=0.4827
Conclusão/Trabalhos Futuros
Utilizando a metodologia proposta, a segmentação é realizada dentro de um tempo razoável para o volume de dados envolvidos
Entretanto, diversos experimentos são necessários para avaliar melhor a metodologia proposta neste trabalho
Conclusão/Trabalhos Futuros
Calcular o erro de segmentação para todos os nódulos disponíveis
Determinação dos melhores parâmetros de segmentação
Comparação com outros algoritmos Passar para a próxima etapa de
detecção (classificação das estruturas segmentadas)
Referências BAATZ, M.; SCHÄPE, A.; Multiresolution
segmentation – an optimization approach for high quality multi-scale image segmentation. In Strobl, Blaschke & Greisebener (Edts): Angewandte Geographische Informationsverarbeitung XII. Beiträge zum AGIT-Symposium Salzburg 2000. Karlsruhe. Herbert Wichmann Verlag. 2000.
JOSEPH, K. A. Comparison of Segment and Pixel Based Non-Parametric Classification of Land Cover in the Amazon Region of Brazil Using Multitemporal Landsat TM/ETM+ Imagery. Tese de mestrado. Virginia Polytechnic Institute and State University, 2005.
Referências Computer Vision - A modern approach , D.
Forsyth e J. Ponce, 2003 Algoritmos para Diagnóstico Assistido de
Nódulos Pulmonares em Imagens de Tomografia Computadorizada, Silva, Aristófanes. Tese de Doutorado, PUC-Rio, 2004
Lung Structures Classification Using 3D Geometric Measurements and SVM , Souza, J.R et al. 12th Iberoamerican Congress on Pattern Recognition – CIARP, 2007
Recommended