Introdução Trabalhos Relacionados Metodologia Resultados Considerações Finais. Aluna: Aline Dartora Orientador: Prof. Dr. Lucas Ferrari de Oliveira

Transcrição

1 Análise de Extratores de Características para a Classificação de Tecidos Pulmonares e Não-Pulmonares em Imagens de Tomografia Computadorizada de Alta Resolução Aluna: Aline Dartora Orientador: Prof. Dr. Lucas Ferrari de Oliveira Departamento de Informática Universidade Federal do Paraná (UFPR) 15 de dezembro de 2015

2 Sumário Introdução; Doenças Pulmonares Intersticiais; Tomografia Computadorizada; Padrões Radiológicos; Sistemas de auxílio ao dignóstico; Trabalhos Relacionados; Metodologia: Bases de Imagens; Extração de Características; Classificação; Fusão de Classificadores; Resultados; Considerações Finais; Trabalhos Futuros.

3 Contextualização do Problema Doenças Pulmonares Interticiais e a incidência de câncer do pulmão; Grupo heterogêneo representado por mais de 150 doenças; Alterações gradual do parênquima pulmonar; Tomografia Computadorizada: Diagnóstico de DPIs, quantificação da gravidade da doença, terapia e/ou planejamento cirúrgico e detecção não invasiva; Restrições: aparência similar de padrões anormais de doenças pulmonares; Sistemas de auxílio ao diagnóstico (CAD) para complementariedade do diagnóstico.

4 Motivação Segmentação de ROIs em Imagens de TCAR do pulmão é o primeiro passo para o desenvolvimento de um sistema CAD; Segmentar uma imagem simplifica e a altera para algo que é mais significativo e fácil de analisar; Identificar padrões pulmonares e não pulmonares auxilia na resolução do problema de segmentação do pulmão em imagens de TC; Definir as características mais discriminantes na classificação de tecido pulmonar e a parte que não é pulmão.

5 Objetivos Objetivos Principal Analisar diferentes métodos de extração de características para classificação de padrões pulmonares. Objetivos Específicos Identificar nos dados utilizados as classes de tecido pulmonar e tecido não pulmonar. Avaliar os descritores utilizados por meio da validação cruzada com uma abordagem leave-one-patient-out; Utilizar um método de aprendizado supervisionado para reconhecimento de padrões; Combinar as saídas dos melhores seletores de características por meio de um método de fusão de classificadores;

6 Doenças Pulmonares Intersticiais (DPIs) Grupo heterogêneo de distúrbios; Semelhança clínica, radiológica, fisiológica ou manifestações patológicas. Figura 1: Processo de diagnóstico de DPIs.

7 Tomografia Computadorizada A TCAR está se tornando prática padrão no diagnóstico de DPIs; Permite a visualização detalhada do parênquima pulmonar; Armazenamento da imagem: Formato DICOM; Figura 2: Modelo de comunicação DICOM.

8 Tomografia Computadorizada Características da Imagem: espessura da fatia entre 1-2mm, com tamanho total de pixels; O valor numérico de cada pixel está relacionado com a atenuação de raios X, e é expresso em Unidades Hounsfield (HU);

9 Padrões Radiológicos DPIs podem ser classificadas de acordo com o padrão da doença. A aparência e quantificação dos tipos de padrões para diagnóstico de DPIs; Restições: Aparência similar das DPIs.

10 Sistemas CAD Aplicações Etapas Complementar métodos tradicionais de diagnóstco; Melhora na avaliação de doenças; Segunda opinião para os especialistas; Processamento de Imagens Pré-processamento; Segmentação; Extração de candidato; Extração de características; Reconhecimento de Padrões Classificação.

11 Seleção dos trabalhos Relação com a classificação de padrões pulmonares no contexto de: Critérios Segmentação do pulmão; Predição dos diferentes padrões pulmonares de DPIs; Estado da arte; 10 artigos dos últimos cinco anos ( ); Dos 10 artigos 5 usam a mesma base de imagem deste trabalho;

12 Resumo TRABALHO CARACTERÍSTICAS CLASSIFICADOR RESULTADOS CLASSIFICAÇÃO DE TECIDOS PULMONARES Depeursinge et al. (2012) Near-Affine-Invariant, Histograma de níveis de cinza SVM com Kernel Gaussiano 75,81% de sensibilidade Banu et al. (2014) Momentos de cor e BTC K-Means - Asherov et al. (2014) BoVW SVM com kernel Intersecção por histograma 80% de precisão Bagesteiro et al. (2015) CLBP invariante a rotação SVM 98,91% de precisão Dash et al. (2015) Valor de intensidade do pixel MRF, GMM, MS 80,36 de acurácia Mansoor et al. (2014) GLRLM, GLCM Floresta Aleatória 95% de acurácia Montillo et al. (2011) Threshold e características aleatórias Floresta de Decisão 95,33% de acurácia Song et al. (2013) RGLBP, MCHOG Estimações Probabilísticas 82,64% de sensibilidade Histograma, gradiente, Chang et al. (2013) matriz de comprimento, SVM com arquitetura GLCM, de árvore binária transformação top-hat e 92,63% de acurácia análise de agrupamentos Aprendizagem não supervisionada Lim et al. (2013) de características usando a rede neural multiescala gaussiana RBM SVM 89,88% de acurácia

13 Bases de Imagens Depeursinge et al. (2010) Multimedia com uma coleção de casos de doenças intersticiais (DPIs); 113 Conjunto de imagens de TCAR de pixels em formato DICOM; Máscaras do pulmão; ROIs (Regiões de interesse) com anotações de 17 padrões de tecidos; Bagesteiro et al. (2015) Base extraída das imagens de Depeursinge et al. (2010); Imagens com meia sobreposição no eixo x e y de pixels; Contém pelo menos 75% dos pixels pertencente ao padrão da ROI.

14 Visão geral do método proposto Figura 3: Método proposto.

15 Extração de Características Local Binary Pattern - LBP Descritor de Textura; Correspondência do nível de cinza de um pixel e de seus vizinhos. Figura 4: Cálculo do LBP

16 Extração de Características Completed Local Binary Pattern - CLBP Representa uma região local pelo seu pixel central e também por uma transformada local da diferença sinal-magnitude (Local Diference Sign-Magnitude Transform - LDSMT). Esta diferença é decomposta em sinal e magnitude s p = sign(d p ) e m p = d p Figura 5: Estrutura do CLBP.

17 Extração de Características Matriz de Co-ocorrência de Níveis de Cinza Descritor de textura; Experimentos estatísticos realizados sobre a ocorrência de um certo nível de cinza em relação a outros níveis de cinza; Considera a distribuição de intensidades e as posições dos pixels com valores de intensidade iguais ou similares.

18 Extração de Características Histograma de Níveis de Cinza Descritor de textura; Representa o número de pixels correspondentes para cada um dos níveis de cinza presente na imagem; Possibilita definir ROIs usando a escala de Hounsfield.

19 Extração de Características Momentos de Histograma Descritor de textura; Calculados por meio do histograma de intensidade de uma região; Apresentam um conjunto de análises estatísticas dos dados derivados do histograma. O vetor de características: média, desvio padrão, assimetria e curtose.

20 Extração de Características Transformação Top-hat Extrai pequenos elementos e detalhes de dados das imagens; White top-hat; Diferença da imagem com um operador morfológico de abertura; Objetos menores e mais brilhantes; Black top-hat Diferença da imagem com um operador morfológico de fechamento; Objetos menores e mais escuros; O elemento estruturante controla o retorno da transformação top-hat.

21 Extração de Características Experimento Análise das seguintes configurações dos extratores de características: LBP u2 (8,2) ; LBP riu2 (8,2) ; CLBP riu2 (8,2) ; GLCM - contraste, energia, homogeneidade, correlação e segundo momento angular; Histograma - escala HU; Momentos de histograma - escala HU; Top-hat - Elemento estruturante em forma de disco e raio 5;

22 Extração de Características Vetores de Características Figura 6: Relação do descritor e do número de características

23 Classificação Suport Vector Machine - SVM Gera funções de mapeamento de entrada e saída de um conjunto de dados de treinamento rotulados; Separa as classes por meio de hiperplanos que maximizam a margem entre essas classes; Figura 7: Hiperplano Ótimo - Treinamento do SVM

24 Classificação Mapeamento não linear Projeção dos dados em outra dimensão; Função de Kernel: Radial Basis Function ou Gausssian Kernel Figura 8: RBF kernel. onde γ define o comportamento da exponencial.

25 Classificação Separação de Classes Conjuntos de imagens de 102 pacientes; Validação Cruzada com abordagem leave-one-patient-out Avaliação completa sobre a variação do modelo em relação aos dados utilizados; Metodologia de acordo com a prática clínica;

26 Combinação dos classificadores Útil para classificadores individuais bastante independentes; Gera resultados incorporando todas as informações potencializando os pontos fortes de ambos as saídas dos classificadores; As regras de combinação simples utilizadas: Soma, produto, voto majoritário, máximo, mínimo e a média.

27 Métricas de Avaliação Figura 9: Verdadeiro positivo (TP), Falso positivo (FP), Falso negativo (FN), Verdadeiro negativo (TN)

28 Taxa de Reconhecimento do SVM Figura 10: Resultados gerais para a classificação por blocos (em%).

29 Histograma e Top-hat (a) Histograma (b) Top-hat Figura 11: Matriz de confusão dos melhores classificadores. Figura 12: Métricas de avaliação em(%).

30 Conjuntos de Imagens Figura 13: Classificação dos conjuntos de imagem por paciente.

31 Fusão de Classificadores Figura 14: Resultados da fusão dos melhores classificadores (em%).

32 Análise do método Melhores descritores: transformação top-hat e histograma. O uso do SVM na classificação das características extraídas obteve: Top-hat: acurácia de 98,26%; Histograma: acurácia de 98,16%; Melhorias na precisão de classificação entre tecido pulmonar e não pulmonar por meio da fusão de classificadores; A fusão utilizando os cálculos de voto, produto, soma, mínimo, máximo e média obteve uma média de acerto de 99,85%.

33 Trabalhos Futuros Fazer a segmentação do pulmão em imagens de TCAR como primeira etapa de desenvolvimento de um sistema CAD. Avaliar os métodos de extração de características histograma e top-hat por meio de um processo de segmentação de regiões menores que pixels buscando identificar com um maior grau de precisão. Utilizar métricas de avaliação que contabilizem o custo computacional.

34 Obrigada!