SISTEMA ESPECIALISTA DE VISÃO COMPUTACIONAL PARA DIAGNÓSTICO DE FRATURAS CRANIANAS EM IMAGENS DE TOMOGRAFIA COMPUTADORIZADA.

Transcrição

1 SISTEMA ESPECIALISTA DE VISÃO COMPUTACIONAL PARA DIAGNÓSTICO DE FRATURAS CRANIANAS EM IMAGENS DE TOMOGRAFIA COMPUTADORIZADA. Eric da Silva 1,Saulo Araujo de Carvalho 2,Wagner dos Santos C. de Jesus 3, Alderico Rodrigues de Paula Junior 4. Universidade do Vale do Paraíba/Instituto de Pesquisas e Desenvolvimento IP&D, Av. Shishima Hifumi, 2911 Urbanova São José dos Campos SP CEP: , Resumo: A proposta do presente estudo é o desenvolvimento de um protótipo de Sistema Especialista usando técnicas de Processamento de Imagens Digitais para Diagnosticar possíveis fraturas Cranianas em imagens de tomografia. Esse sistema tem por objetivo auxiliar o médico neurologista e o fisioterapeuta no processo de tomada de decisão durante o atendimento de pacientes em UTI, portando lesões cranianas, propondo fornecer um diagnóstico mais preciso em relação a análise quantitativa das imagens. De acordo com os sintomas apresentados, o profissional poderá obter do software um rápido diagnóstico possibilitando um tratamento adequado para cada caso. Palavras-chave: Diagnóstico Imagens, ATC e Analise de Imagens. Área do Conhecimento: Ciências Exatas e da Terra Introdução O principio da formação das imagens de TC (Tomografia Computadorizada). A Tomografia Computadorizada é baseada nos mesmos princípios básicos que regem a Radiografia Convencional, ou seja, os tecidos que possuem composição diferente absorvem de forma diferenciada a radiação X (Raios-X). Ao serem atravessados por raios X, tecidos mais densos (como o fígado), ou que possuem elementos mais pesados (como os ossos que possuem cálcio) absorvem mais radiação que tecidos com densidade menor (como por exemplo o pulmão, que está cheio de ar). Desta forma, uma Tomografia Computadorizada na verdade indica a quantidade de radiação X absorvida por cada parte do corpo (radiodensidade), traduzindo tais variações numa escala de cinza, produzindo uma imagem. Cada pixel da imagem corresponde à média de absorção dos tecidos nesta zona, expresso em unidades de Hounsenfield, em homenagem ao cientista criador da primeira máquina de tomografia computadorizada. Nas imagens atuais podemos observar uma tomografia de uma cabeça humana. É interessante ressaltar que como o cerebelo, os seios etmóides e o globos oculares ficam perfeitamente visíveis. [5] Essa técnica é usada e consagrada para geração das imagens diagnosticáveis usada em leitura visual dos profissionais da área médica ou fisioterapeutica. Apresentase como estudo do referente trabalho para validação das técnicas computacionais de Inteligência Artificial e Processamento de Imagens para determinação de diagnostico de Imagens TC. 1

2 Figura 1 A análise das imagens usando técnicas de limiarização Thresholding essa metodologia é usada nos casos particulares de detecção de regiões em imagens, classificação binária com critério global baseado em histograma. [7] Somente o tratamento da imagem não se faz suficiente para determinação do diagnostico sendo viável a implementação de algoritmos que auxiliem no reconhecimento e análise das características das imagens. Nesta técnica analítica é necessário o uso de reconhecimento de padrões para qualificar o processo usando modelagem Dinâmica de Memória de Casos. [2] Foi confeccionado um banco de dados para registro dos dados de TC colocando referencias das imagens classificadas em Normais e lesionadas com as possíveis variações de lesões nos mais diversos casos. Os resultados obtidos por intermédio das analises feitas pelos algoritmos neste estudo permitirão verificar que com as analises das imagens pode-se obter maior variação das informações e realimentação do próprio banco de conhecimento para realização de diagnósticos futuros. Materiais e Métodos da área de fisioterapia. O primeiro procedimento é separar as imagens por pacientes em seguida transportar as imagens para o software de tratamento onde serão analisadas. Esse procedimento substituirá os métodos convencionais usados atualmente pelos profissionais da área da saúde não tendo mais que ficar analisando visualmente cada imagem para detectar um diagnóstico isso será substituído por um programa de computador que irá auxiliá-lo na realização dessas tarefas. Esse processo é denominado de visão computacional e trabalha com técnicas de processamento de imagens na qual o presente estudo utiliza a técnica computacional denominada limiarização Thresholding que consiste em separar as regiões de uma imagem quando esta apresenta duas classes (o fundo e o objeto). A limiarização é baseada na utilização de um histograma que representa os níveis de cinza bem repartidos da imagem, dado que o histograma apresenta distintamente as duas classes da imagem ou seja o que deverá ficar (branco ou preto) o processo binário o qual divide a imagem em duas cores ou qualquer outro tipo de convenção desejada de combinação de duas cores. [6] (a) (b) Figura 2: (a) apresentada uma imagem de tomografia original face de corte da planta de um crânio, (b) face da mesma planta craniana após o software ter realizado o processo de Limiarização. A análise deverá ser realizada mediante a técnica usada acima onde a detecção de uma suposta fratura deverá ser diagnosticada pela imagem representada na figura (b). [8] A seleção das imagens para realização deste trabalho foi cedida, por profissionais 2

3 Onde: Figura 3 Conforme a demonstração da figura 3: (I) é a imagem e I v subconjunto da imagem h v cardinalidade de I v. Após a montagem do histograma é possível determinar o limiar de onde as intensidades devem ser consideradas para a classificação da imagem, para realização desta tarefa foi construído um algoritmo computacional para realizar esse procedimento que deve armazenar as informações em um banco de dados para realização do diagnostico proposto. Com base no armazenamento das intensidades e coordenadas da imagem ficam armazenadas em um banco de dados relacional no formato (db) Borland Paradox que recebe compra as novas imagens a serem diagnosticadas com dados de imagens antigas, fazendo com que haja mudanças periódicas no banco de dados melhorando a qualidade e confiabilidade do diagnóstico. A classificação das imagens é realizada por um método de Inteligência Artificial (IA) denominado como vizinho mais próximo ou (Nearest Beighbour). Esse método consiste em calcular a similaridade pela média das distâncias entre o caso em questão e os casos previamente armazenados na base de dados. Primeiramente, devem-se identificar os atributos essenciais para a resolução do problema. Estes são representados em sistema de coordenadas, para que se possa medir a distância entre um novo problema e os já existentes na base de casos [2]. Será classificado como caso mais similar ao novo aquele que obtiver a menor distância entre todos, e, no caso da distância ser igual a zero, o caso novo é igual a algum já armazenado. A similaridade é, então expressa pela fórmula: Similaridade (N,F) = a n i 1 + f (N i, F i ) + W i N = Novo caso. F = Casos existentes na base de casos. n = Número de atributos. i = É um atributo individual. f = É a função de similaridade para o atributo i nos casos N e F. W = Peso do atributo i(que, pode ter seu valor fixado). Sendo f a função responsável pelo calculo da distância, de modo a expressar o grau de similaridade entre o caso atual com os armazenamentos na base de conhecimento [9]. Escolheu-se para realizar o armazenamento das imagens e a realização da representação dos casos a estrutura de frames para modelar o conhecimento extraído do especialista nas áreas de Fisioterapia, Radiologia e Neurologia. Isso porque essa estrutura caracteriza de forma eficiente casos anteriormente vividos [2]. A pesquisa foi realizada confeccionando os algoritmos em linguagem de programação Borland C++ Builder, que é um ambiente visual de desenvolvimento de aplicações orientado a objeto que permite desenvolver, de forma rápida e eficaz, aplicações para sistemas operacionais Microsoft Windows e Linux. Disponibiliza um ambiente de ferramentas RAD (Desenvolvimento Rápido de Aplicações) e um extenso suporte à programação orientada a objeto formado por duas bibliotecas de componentes reutilizáveis: VCL Visual Components Library ( Biblioteca de componentes visuais). CLX Components Library for Cross-Plataform (Biblioteca de Componentes para Plataformas X) ou seja componentes que podem ser usados em outras plataformas [1]. Resultados Na realização efetiva do diagnóstico é importante que consultada a base de conhecimento projetada pelos especialistas da área da saúde seja fixada os vários tamanhos de crânios encontrados por pacientes dentro de um intervalo de 3

4 tempo de utilização do software não devendo ser desprezado de forma alguma esses dados, caso contrário isso ira comprometes sensivelmente a efetivação do diagnóstico. [2] As imagens serão comparadas com outras imagens verificando se existe alguma semelhança óssea e de tamanho que caracterize normalidade ou anormalidade podendo realizar uma verificação em uma lista de índices criados estatisticamente para validar como normalidade ou não normalidade craniana [2]. Conforme a Figura 4 demonstrada é realizada uma varredura efetuando o confrontamento da nova imagem com as imagens já existentes no banco de dados possibilitando a localização do tamanho do crânio na base de conhecimento. Caso ele encontre alguma semelhança de tamanho é feita a analise, caso não encontre ele irá armazenar as informações do novo tamanho de crânio especificado. 1- Hidrocefalia obstrutiva do hematoma no aqueduto. 2- Hidrocefalia de comunicação da falha de absorção. 3 Vaso espasmo na primeira semana produzindo infarto cerebral no território associado. [5] O software tem como objetivo apresentar o resultado exemplificado no exemplo da figura 5. Figura 6: Verificação de padrões de medidas cranianas. Figura 4: Ilustra a procura de tamanho de crânios equivalentes. Encontrado o tamanho procurado o programa de computador irá identificar as imagens saudáveis com a nova imagem na tentativa de encontrar algum tipo de fratura. A figura 6 ilustra a classificação dos padrões das imagens cranianas de acordo com a proposta da pesquisa. A tabela 1 demonstra como foi usada analise dos tamanhos para identificação de resultados [4]. Imagem Diâmetro Comp. Classe 1 X0 cm Y0 cm A 2 X1 cm Y1 cm B 3 X2 cm Y2 cm B 4 X3 cm Y3 cm A 5 X4 cm Y4 cm A 6 X5 cm Y5 cm B Tabela 1 Figura 5: Imagens apresentando hematoma craniano. A imagem representada na figura 5 ilustra uma TC que retrata as seguintes complicações traumáticas. Podemos interpretar, então, as linhas como sendo divisões no gráfico, a partir das quais classificamos os padrões de entrada. Quando os valores dos padrões caírem a direita serão classificados como de classe A se caírem a esquerda serão classificados como de classe B. Então podemos 4

5 verificar que os crânios 2,3 e 6 pertencem a classe de tamanho B. enquanto que os da 1,4 e 5 pertencem a classe A. Neste caso pode-se analisar qual será o visinho mais próximo da situação desejada [4]. O resultado do presente trabalho teve como objetivos a implementação de um programa de computador que realiza o diagnóstico de imagens criadas em uma tomografia. Discussão Segundo Kubiça Stefano (2000) a limiarização é um processo trivial mais porem eficaz na separação de regiões em imagens quando apresentam duas classes o fundo e o objeto [7]. Mesmo esse método sendo eficaz pode se encontrar uma pequena faixa de ruídos que pode ser ignorado por serem de origem extremamente pequena. Caso de persistência dos mesmos pode-se usar operadores de morfologia matemática com as operações de Minkowski que poderam limpar as imagens que não estiverem contendo as informações corretas, isso sugere-se em ultima instância porque acarretaria em maior complexidade do algoritmo de analise das imagens [7]. A especificação do banco de dados pode ser trocada futuramente por um SGBD (Gerenciado de bando de dados), mas para os estudos realizados o Paradox atende as necessidades de um projeto inicial. Por não existir limitação de registros e ser um sistema baseado em arquivos [1]. Onde os dados contêm registros que possuem uma ordem fixa. Em outras palavras, o registro de número 106 será sempre o mesmo registro, até que seja movido fisicamente dentro do arquivo, através de uma operação de ordenação, por exemplo. O que é mais importante, ele será sempre o sucessor do registro 105 e o antecessor do 107, até que esta ordem seja explicitamente alterada. Isto permite uma fácil navegação entre os registros, através do cursor, já que é possível localizar um registro em uma tabela através da sua posição, sem necessidade de referenciar seu conteúdo. Isso fica extremamente fácil para realizar a procura para classificar e expedir um diagnóstico usando os recursos de gerenciamento de banco de dados relacional. [1] O método de busca pelo vizinho mais próximo (Nearest Beighbour) [2] foi adotado por não precisar de muitos cálculos para realização da convergência em sua aplicação, portanto os estudos deverão continuar para realização e avaliação de técnicas mais eficientes de busca em mecanismos de SGBD. [6]. Conclusão Com base na presente pesquisa pode-se afirmar que as técnicas de limiarização apresentam recursos que auxiliam na captura de informações relevantes nas imagens, podendo facilitar o reconhecimento de padrões para classificação e determinação das informações contidas nas imagens. Para uma adaptação satisfatória do processamento e classificação das imagens serão necessárias novas implementações de tecnologias em banco de dados relacionais para melhoria da eficiência e tempo de processamento possibilitando um rápido diagnóstico durante a execução do programa. No entanto o software atualmente desenvolvido possibilita de forma satisfatória a separação das informações que devem ser encontradas para um relevante diagnóstico das imagens tomográficas. 5

6 Referencias 1. ALMEIDA WALDIR MARTINS, CONHECENDO O C++ BUILDER 6, Visual Books, 323p FERNANDES ANITA MARIA DA ROCHA, INTELIGÊNCIA ARTIFICIAL APLICADA À SAÚDE Visual Books 196p IMAGENS, Departamento de Sistemas Eletrônicos Escola Politécnica da USP WATSON, I. Applyng Case-Based Reasoning: TECHNIQUES FOR ENTERPRISE SYSTEMS. Morgans Kaufmann Pub. Inc., San Francisco, CA, LEE, R. W. PESQUISA JURISPRUDENTE INTELIGENTE. Florianópolis, Tese (Doutorado em Engenharia) Programa de Pós Graduação em Engenharia de Produção PPGEP/UFSC, Universidade Federal de Santa Catarina. 4. MEDEIROS LUCIANO FRONTINO, REDES NEURAIS EM DELPHI, Visual Books 210p. 2 ed RICHARD HOPKINS, CAROL PEDEN E SANJAY GANDHI. RADIOLOGY FOR ANAESTHESIA E INTENSIVE CARE, San Francisco CA 353p, SCHANK, R.; OSGOOD, R. A CONTENT THEORY OF MEMORY INDEXING. Technical Report, 2, Institute for the Learning Sciences, Northwestern University, KUBIÇA, Stefano. GERENCIAMENTO ELETRÔNICO DE DOCUMENTOS. BATE BYTE, Curitiba, n. 90, p. 29, set KOGLER JOÃO INTRODUÇÃO A VISÃO COMPUTACIONAL E AO PROCESSAMENTO DE 6