Análise de Extrarores de Características Para a Classificação de Tecidos Pulmonares e Não Pulmonares de Imagens de Tomografia Computadorizada de

Transcrição

1 Análise de Extrarores de Características Para a Classificação de Tecidos Pulmonares e Não Pulmonares de Imagens de Tomografia Computadorizada de Alta Resolução Aline Dartora, Lucas Ferrari Oliveira, Department of Informatics Federal University of Parana (UFPR), Curitiba, Brazil ad11@inf.ufpr.br, lferrari@inf.ufpr.br Abstract The classification of lung tissue patterns in computerized tomography (CT) is very relevant in clinical environment. With a good prediction of lung tissue, it is possible to segment the region of interest and increase the diagnosis accuracy. This paper proposes a method to evaluate the features extractors used in the pattern classification of lung tissue.the features descriptors used were the Local Binary Pattern (LBP), Completed Local Binary Pattern (CLBP), Gray-Level Co-Occurrence Matrix (GLCM), Histogram Moments, Gray Level Histogram and Top-hat Transformation. The pattern classification was performed using support vector machines (SVM) and a cross validation leave-one-out approach. The image database used has images patterns with pulmonary tissues of 102 patients, labeled in two classes, lung and non-lung. The best lung tissue classification was obtained in the top-hat and histogram methods, with an accuracy of 98.26% and 98.16% respectively and 99,85% for the fusion of the classifiers. 1. Introdução Estudos evidenciam uma possível relação entre Doenças Pulmonares Intersticiais (DPIs) e a incidência de câncer de pulmão [1]. Neste contexto, técnicas não invasivas de imagens radiológicas, particularmente de Tomografia Computadorizada de Alta Resolução (TCAR), estão presentes na prática clínica atual auxiliando o diagnóstico dessas doenças pulmonares. No entanto, a avaliação radiológica sofre algumas restrições como, por exemplo, a aparência similar de padrões anormais de doenças pulmonares. Diante disso, sistemas de auxílio ao diagnóstico (CAD) podem complementar o diagnóstico de tais patologias, identificando especificidades que não são evidentes a olho nu [2]. Para avaliar melhor os sistemas CAD é necessário definir quais são as características mais discriminantes na classificação entre o tecido pulmonar e a parte que não é pulmão nas tomografias. O objetivo principal deste artigo é analisar diferentes métodos de extração de características por meio de uma investigação completa sobre a variação do modelo em relação as imagens utilizadas. Esta análise, visa contribuir no direcionamento na etapa de segmentação do pulmão uilizando classificadores de padrões de doenças pulmonares em imagens de TC. Buscando realizar um trabalho condizente com a literatura existente, na seção 2 este artigo apresenta uma breve análise do estado da arte correlacionado com o problema de diagnóstico dos diferentes padrões radiológicos. Na seção 3 os conceitos base são apresentados. Na sequência a metodologia escolhida e utilizada na construção deste artigo é detalhada na seção 4. Por fim, nas seções 5 e 6 são relatadas os resultados obtidos e conclusões. 2. Revisão Bibliográfica Uma ampla variedade de estudos têm sido propostos para classificação de padrões em imagens de tecido pulmonar associadas com DPIs. Abaixo são apresentados os métodos filtrados da literatura, buscando identificar principalmente qual o extrator e a técnica de classificação utilizada. Foram selecionados cinco artigos que utilizam a mesma base de imagens utilizadas no escopo deste trabalho ( [3], [4], [5] [6] e [7]) e outros cinco trabalhos ( [8], [9], [10], [11], [12]) que utilizaram outras bases de imagens, mas que são relacionadas com a extração de características e classificação de tecidos pulmonares, sendo relacionados à segmentação pulmonar ou a predição de padrões para o desenvolvimento de sistemas CAD. No trabalho realizado por [3], foram propostos descritores de textura near-affine-invariant, o qual é desejável para permitir uma aprendizagem de texturas não determinísticas. Da base de imagens de [3], foram analisados 1

2 os padrões de tecido normal, enfisema, vidro-fosco, fibrose e micronódulos. Neste trabalho foi relatado que quando combinado com histogramas complementares de nivel de cinza, o método proposto permite uma classificação global de acurácia de 76,9% com precisão equilibrada entre os padrões utilizados. No trabalho proposto por [4], foi realizado um estudo experimental usando o algoritmo de agrupamento K-Means para agrupar o conjunto de dados de imagem em vários clusters. Nessa proposta, a fase de extração de informações das imagens centrou-se na característica de cor. A extração de recursos dos conjunto de dados de imagem foi obtida pelos momentos de cor e pelo algoritmo de Codificação em Blocos por Truncamento (BTC). Analisando outro artigo recente [5], este faz a classificação das cinco categorias mais comuns de tecidos pulmonares de DPIs em imagens de TCAR: normal, enfisema, vidro moído, fibrose e micronódulos. O objetivo deste artigo foi a classificação de uma região de interesse anotada por especialista (AROI) usando um bag of visual words - BoVW. A classificação foi realizada através de um classificador SVM com kernel intersecção por histograma e com validação cruzada leave-one-out-patient. O desempenho foi avaliado usando as medidas de recall, F-score e precisão com um resultado, obtido de 80% na classificação. Em 2015 outro estudo [7] fez-se a classificação de texturas com os mesmos padrões do trabalho anterior. Foram usados blocos de imagem de pixels, totalizando blocos de ROIs de 113 pacientes pertencentes a tecidos pulmonares e não pulmonares de regiões de fronteira. Utilizado o descritor de textura CBLP com um classificador SVM e validação cruzada de 5-folds, as métricas de avaliação utilizadas foram sensibilidade, precisão, especificidade e acurácia. A taxa de classificação correta obtida para padrões não pulmonares teve uma precisão de 98,91% e padrões pulmonares normais e patológicas, com uma precisão média de 91,81%. Outro artigo também publicado em 2015 [6], fez uma investigação do desempenho de três algoritmos de segmentação de imagem automatizados: Campo Aleatório de Markov (MRF), modelos de misturas de gaussianas (GMM) e Desvio da média (MS). Na classificação foi usada a abordagem de validação cruzada de 2-folds para a seleção do melhor valor do parâmetro individual, bem como para a avaliar o desempenho dos algoritmos. A acurácia obtida em cada foi de 72.15% (GMM), 78.93% (MRF) e 80,36% (MS). Os algoritmos de deslocamento médio monstram o melhor desempenho em termos de precisão, coeficiente de similaridade e velocidade de execução. O primeiro estudo correlacionados com o problema de identificação de padrões pulmonares mas que utilizaram outras bases de imagens é o trabalho de [8]. Este propôs um método de segmentação pulmonar patológica que leva em conta os vizinhos e gera um sistema de reconhecimento de patologias. Nele foi extraído o parênquima pulmonar da imagem e em seguida estimado o volume do pulmão usando informações toráxicas. Os extratores de características usados foram o Comprimento de Primitiva a Nível de Cinza (GLRLM), a matriz de co-ocorrência de níveis de cinza (GLCM) e na classificação de padrões foi escolhida a técnica de floresta aleatória. A base de exames utilizada consiste em mais de 400 imagens de TC. Os resultados quantitativos obtidos melhoram a identificação dos padrões devido a sua alta sensibilidade e especificidade. Outro trabalho realizado por [9] também aborda o problema de segmentação dos pulmões em tomografias. Nesta pesquisa foi usada uma floresta contexto decisão seletiva (CSDF) como um novo classificador discriminativo. Primeiramente foi selecionado o contexto usado para cada órgão e depois adicionados seletivamente rótulos para os dados de treinamento de modo que o classificador aprenda uma aparência distinta e o modelo localização espacial para cada classe. Essa técnica foi aplicada usando uma base de dados rotulados de 110 pacientes, e outra base de dados de 55 indivíduos com diferentes patologias. O resultado atingido foi de 94% de acerto. Já no trabalho de [10], é feita a classificação de cinco categorias de tecidos pulmonares com base em recursos image patch approximation. Os extratores de características usados foram os padrões binários locais de Gabor invariantes a rotação (RGLBP), descritor de textura, e o multi-coordinate histogram of oriented gradients (MCHOG) descritor de gradiente e multi coordenadas. J A classificação dos diferentes padrões foi baseada em estimações probabilísticas. O método proposto é avaliado numa base de dados acessível ao público, mostrando um desempenho de 82,64% de sensibilidade. No artigo de [11] foram classificados os padrões normal, enfisema, vidro-fosco, faveolamento, opacidade reticular e consolidação por meio de máquinas de vetores de suporte com arquitetura de árvore binária. Para a extração de características o autor utilizou histograma, gradiente, matriz de comprimento, GLCM, transformação top-hat e análise de agrupamentos. A base de imagens foi composta por 600 ROIs e o resultado geral obtido na classificação foi de 92,63%. Por último, a publicação de [12] propôs um método de classificação usando o context-sensitive SVM de aprendizado automático de características. O autor propõe uma técnica de aprendizagem não-supervisionada para construir seu próprio extrator de características por meio de uma rede neural multiescala denominada Gaussiana RBM. O vetor obtido é classificado em 5 categorias empregando o SVM atingindo uma acurácia de 89,68%. 2

3 3. Conceitos Nesta seção são apresentados os conceitos utilizados para a implementação do trabalho, incluindo os conceitos referêntes à doenças pulmonares e diagnosticos por imagem, extratores de caracteristicas e classificação de padrões pulmonares Doenças Intersticiais Pulmonares As doenças difusas do parênquima pulmonar, também conhecidas juntas como doenças pulmonares intersticiais (DPIs), são um grupo heterogêneo de distúrbios classificados coletivamente devido a sua semelhança clínica, radiográfica, fisiológica, ou pelas suas manifestações patológicas [13]. Esse grupo heterogêneo é representado por mais de 150 doenças de etiologia conhecida ou desconhecida com diferentes patogêneses e prognósticos [14], [1]. As doenças pulmonares intersticiais podem ser caracterizadas pela alteração do parênquima pulmonar, levando à disfunção respiratória [15]. O principal método de avaliação das DPIs é a radiografia do tórax, o qual fornece um resultado visual. Em particular, a imagem de tomografia computadorizada de alta resolução (TCAR) está rapidamente se tornando a prática padrão para este tipo de diagnóstico devido a sua alta qualidade de imagem [10] Tomografia Computadorizada A tomografia computadorizada (TC) tem sido utilizada para exames do corpo humano desde 1975 [16]. O exame de TC produz uma coleção de imagens com fatias em tons de cinza de uma região do corpo. Inicialmente a tomografia possuia uma resolução baixa em razão da sua formação ser uma matriz de pixels para cada fatia axial. Hoje, a Tomografia Computadorizada de Alta Resolução (TCAR) produz para cada imagem uma espessura da fatia entre 1-2mm, com tamanho total de pixels sendo o pixel variado de 0.4-1mm [15]. O valor numérico de cada pixel está relacionado com a atenuação de raios X, e é expresso em Unidades Hounsfield [15]. Em relação ao armazenamento das imagens de TC, estas são criadas e gravadas em formato DICOM (Digital Imaging and Communications in Medicine), o qual possui uma série de atributo com dados adicionais com a identificação do paciente e de atributos especiais que contenham dados referentes as imagens Padrões Radiológicos As DPIs podem ser classificadas de acordo com o padrão da doença [17]. Na literatura, estes padrões também são conhecidos como achados radiológicos, os quais são classificados em quatro tipos de padrões da patologia: áreas lineares, áreas nodulares, regiões de diminuição de atenuação e regiões de atenuação em vidro [17]. A aparência e quantificação dos tipos de padrões de tecido pulmonar na TCAR são muito informativos para estabelecer o diagnóstico diferencial de uma DPI [10], [17].Os padrões de tecidos pulmonares mais comunsens de TCAR são: saudável, enfisema, vidro fosco, fibrose, micronódulos e consolidação [15] Extração de Características Tratando de sistemas de diagnósticos auxiliados por computador (CAD) a extração de características é uma fase fundamental para o êxito na etapa classificação de imagens. [18]. A seguir, são apresentados os descritores utilizados neste trabalho com o propósito de classificar blocos de imagens de TCAR em padrão pulmão e não pulmão Local Binary Pattern O LBP (Local Binary Pattern) é um descritor de textura utilizado na área de visão computacional para análise e extração de características de imagens. Quando aplicado a uma imagem, o LBP gera uma representação numérica das características gráficas desta imagem [19]. O LBP descreve a associação de correspondência do nível de cinza de um pixel e de seus vizinhos. O cálculo do LBP associado a um pixel é feito a partir de um conjunto de p amostras igualmente espaçadas e distribuídas sobre uma circunferência de raio r com centro sobre o pixel [20] Completed Local Binary Pattern O CLBP é um extrator de características locais proposto como uma generalização do descritor LBP. No CLBP, uma região local é representada pelo seu pixel central e por uma transformada da diferença sinal-magnitude (LDSMT). O LDSMT decompõe a imagem em dois componentes complementares, que são as diferenças de sinais e as diferenças de magnitudes. No LBP completo, o pixel central é simplesmente codificado por um código binário após uma limiarização global, originando um mapa binário o qual é chamado de CLBP Central. Posteriormente, os dois operadores, CLBP-Sinal e CLBP-Magnitude, são propostos para codificar o LDSMT. Com o resultado dos três mapas binários, estes são facilmente combinados para formar o histograma CLBP final Matriz de Co-ocorrência de Níveis de Cinza A matriz de co-ocorrência de níveis de cinza (GLCM) é um método de análise de textura que melhora os detalhes da imagem fornecendo uma interpretação numérica da mesma. É uma técnica emprega experimentos estatísticos realizados sobre a ocorrência de um certo nível de cinza. Também, 3

4 pode ser baseado na ocorrência repetida da configuração de alguns níveis de cinza na textura, ou seja, na presença de texturas finas a variação é caracterizada por ser rápida e em texturas ásperas a variação tem um comportamento lento [21]. O GLCM de uma região de interesse é calculado usando o vetor de deslocamento d definido raio e ângulos de rotação (0, 45, 90, 135 ) Histograma Níveis de Cinza O histograma de uma imagem em escala de cinza representa o número de pixels correspondentes para cada um dos níveis de cinza presente na imagem. Tratando-se de detecção de objetos e padrões, a avaliação do histograma apresenta a vantagem na extração de características de imagens, uma vez que este carrega informações de textura e forma da amostra analisada [22]. A diferenciação da textura de padrões pode ser facilmente identificada no histograma da imagem, uma vez que a densidade e distribuição dos níveis de cinza em seus pixels mudam de acordo com o padrão Momentos de Histograma Uma vez que o cálculo do histograma fornece a informação sobre a frequência que cada nível de cinza aparece na imagem, os diferentes momentos do histograma podem ser calculados para saber as informações gerais sobre uma população de níveis de cinza, estes cálculos são descritos a seguir. O momento do histograma é representado pela equação 1: m i = E[I i ] = N g 1 I=0 I i P (I), i = 1, 2, 3,.., n (1) O primeiro momento do histograma representa a média de intensidade da região, dada pela média dos níveis de cinza, ou seja, para i = 1, m 1 =E[I] que é a média do valor I. Já o momento central do histograma é calculado pela equação 2. µ i = E[(I = E[I]) i ] = Ng 1 I=0 P (I)(I m 1 ) i (2) O segundo momento central µ 2 é a variância (σ 2 ) que é muito útil pois descreve o comportamento da uniformidade em uma determinada região. E por fim, o (σ 3 ), terceiro momento central mede a assimetria do histograma ao redor da média [23] Transformação Top-Hat A transformação top-hat é uma operação que extrai pequenos elementos e detalhes de dados de imagens [24]. A transformação top-hat possui duas variações, top-hat white e top-hat black. O primeiro tipo de transformação é definido como a diferença entre a imagem de entrada e da imagem de entrada com a aplicação de um filtro de abertura por meio de um elemento estruturante. O segundo tipo, transformação top-hat black, é definido duplamente como a diferença entre a imagem de entrada com seu filtro de fechamento [24]. O retorno da transformação top-hat pode ser controlada pela escolha do elemento estruturante e portanto pode ser determinado o tamanho, ou a largura dos objetos extraídos Classificação O objetivo principal de um classificador é atribuir um padrão a uma determinada classe. A criação de classificadores envolve postular alguma forma geral do modelo, ou forma de classificador, e usar padrões de treinamento para aprender ou estimar os parâmetros desconhecidos do modelo. Cada classificador generaliza de forma diferente de acordo com sua fronteira de decisão, em geral, a escolha do classificador é baseada no conjunto de validação mais eficaz apresentado na classificação [21]. Neste trabalho, foi usado o classificador Support Vector Machines (SVM) que têm sido amplamente aplicado a problemas de classificação padrão e regressões não-lineares [25] Support Vector Machine A máquina de vetor de suporte (SVM) é um método de aprendizagem supervisionada que gera funções de mapeamento de entrada e saída de um conjunto de dados de treinamento rotulados [25]. O problema conceitual que o SVM busca solucionar é encontrar um hiperplano ótimo de separação que irá generalizar bem a dimensionalidade do espaço. Um hiperplano ótimo é definido como a função de decisão linear com margem máxima entre os vetores de duas classes (FIGURA 1). Para problemas linearmente separáveis, o algoritmo de vetor de suporte simplesmente olha para o hiperplano separando-o com maior margem [26]. De acordo com a aplicação, um único classificador pode ser suficiente para resolver o problema se este apresentar bom desempenho. Entretanto, em aplicações mais complexas a escolha de um único classificador é uma tarefa difícil devido as limitações que o mesmo impõem [27]. A combinação de extratores pode ser implementada usando regras de combinação simples, tais como, soma, produto, voto majoritário, máximo, mínimo e média. Esses 4

5 Precisão é o cálculo dos acertos das predições de uma classe, no caso para as predições positivas, esta relaciona a porcentagem de instancias classificadas corretamente como positivas (VP) dentre o total de instancias classificadas como positivas (TP+FP), apresentada pela equação 4. P recisao = V P V P + F P (4) Sensibilidade Figura 1. HIPERPLANO ÓTIMO - TREINAMENTO DO SVM cáculos produzem tipicamente combinações de baixa complexidade. Ao adotar uma combinação de menor complexidade é possível treinar algoritmos de combinação e alcançar a melhoria do desempenho [28] Métricas de Avaliação de Classificadores Frente a um modelo de aprendizagem e predição, o desempenho deste sistema está relacionado com sua capacidade de recuperar e classificar as informações corretamente, assim como abstrair as informações erradas. Esta relação em um método de reconhecimento de padrões é claramente representada pela matriz de confusão ou também chamada tabela de contingência. Figura 2. MATRIZ DE CONFUSÃO GENÉRICA DE DUAS CLASSES A partir da matriz de confusão e seus indicadores, o modelo pode ser classificado em métricas de acurácia, precisão, sensibilidade e especificidade. Sensibilidade relaciona a porcentagem de instancias classificadas corretamente como positivas (VP), frente todas as instancias realmente positivas (VP+FN). A equação 5 define a relação da métrica sensibilidade Especificidade Sensibilidade = V P V P + F N Especificidade, similarmente a sensibilidade, relaciona a porcentagem de instâncias classificadas corretamente como negativas (VN) frente todas as instâncias realmente negativas (VN+FP) [29]. A equação 6 define a relação da métrica especificidade. 4. Implementação Especif icidade = V N V N + F P O presente trabalho propõe um método de análise de diversos extratores de caraterísticas na classificação de imagens de padrões de tecido pulmonar e não pulmonar. Dado uma base de imagens com blocos de TCAR do pulmão, a metodologia proposta (FIGURA 3) primeiro extrai as características da base, em seguida, usa um classificador SVM para distinguir padrões pulmão de não-pulmão, posteriormente, avalia os resultados comparando com a base de máscaras do pulmão já segmentadas e por fim faz a combinação dos extratores de características que apresentaram os melhores resultados para este problema. (5) (6) Acurácia Acurácia consiste na habilidade que o modelo possui de predizer corretamente a classe de uma instância [29]. É definida pela proporção de resultados corretamente classificados como positivos e negativos frente ao total de classes [29]. A métrica acurácia é definida pela Equação 3. Acuracia = Precição V P + V N V P + F P + V N + F N (3) Figura 3. VISÃO GERAL DO MÉTODO PROPOSTO 4.1. Base de Imagens Para a realização deste trabalho foi utilizada uma base de imagens pública com casos de Doenças Pulmonares Difusas (DPDs) cedida por [15] que contêm imagens de TCAR com uma espessura de corte de 1 mm com casos de doenças pulmonares de 113 pacientes e, cada conjunto possui de 11 a 61 cortes tomográficos. As imagens são disponibilizadas em alta resolução no formato DICOM com tamanho de pixels. 5

6 4.2. Extração de Características Na etapa de extração de características foram testados seis descritores afim de selecionar aqueles que se adequassem melhor no problema de reconhecimento do padrão pulmão e não-pulmão, sendo eles o LBP, CLBP, GLCM, Momentos de Histograma, Histograma de Níveis de Cinza e Transformação Tophat Quanto ao número de features na saída de cada extrator, existe uma variação de extrator para extrator, portanto, são listadas na tabela 1 essas relações para esclarecer noções de dimensionalidade do problema. Tabela 1. RELAÇÃO DO DESCRITOR E DO NÚMERO DE CA- RACTERÍSTICAS DESCRITOR NÚMERO DE FEATURES LBP - U 59 LBP - RIU 10 CLPB - RIU 200 GLCM 20 MOM.HISTOGRAMA 4 HISTOGRAMA 26 TOP-HAT 4 Os padrões anormais observados em imagem podem ser analisados com base na forma, textura e informações atenuação vistas em imagens de TC [8] [30] [15]. Estudando o estado da arte da detecção de doenças pulmonares, em sua totalidade, diversos autores usam a taxonomia de textura para a classificação de padrões [5], [7], [4], [6], [15], [10] o que justifiva a grande escolha por descritores de textura neste trabalho (TABELA 2). Tabela 2. RELAÇÃO DO DESCRITOR E DO TIPO DE CARAC- TERÍSTICA DESCRITOR TIPO DE CARACTERÍSTICA LBP CLBP GLCM Mom. Histograma Histograma Top-Hat Forma Os códigos de extração de características dos seis descritores listados acima foram embasados no trabalho de [21], escritos na linguagem Python e adaptados ao problema e base de imagens atual. As principais preocupações na fase de seleção de características foram manter as informações extraídas associadas ao paciente e fazer a normalização dos dados. O processo de normalização foi feito utilizando o pacote sklearn.preprocessing fornecido pela ferramenta Scikitlearn na linguagem Python [31]. Este processo consiste na aplicação de uma fórmula em determinados atributos de um conjunto de dados a fim de colocá-los dentro de um mesmo intervalo de valores. Os dados foram transformados para a faixa de valores de [-1, + 1]. A normalização dos dados justifica-se por aumentar o desempenho de classificação de técnicas de aprendizado de máquina [31] Classificação O algoritmo de classificação utilizado foi o Support Vector Machine - SVM, implementado em Python com auxílio da ferramenta Scikit-learn, o qual é um framework opensource de aprendizado de máquica escrito em Python e que utiliza as plataformas Numpy/Scipy e Matplotlib [31]. A escolha deste algoritmo foi baseado na comparação de três técnicas de classificação em sistemas CAD do pulmão em que as máquinas de vetor de suporte (SVM) obtiveram o melhor desempenho quando trabalham com textura [32]. O modelo leave-one-out faz uma avaliação completa sobre a variação do modelo em relação aos dados utilizados, realizando N cálculos de erro para cada dado. Após o término da execução do classificador SVM foram analisados os resultados e identificado qual a melhor predição de acordo com sua taxa de reconhecimento Fusão de Classificadores A fusão de classificadores é muito útil para classificadores individuais bastante independentes [27]. Diante disso, justifica-se a utilização da combinação dos classificadores histograma (textura) e top-hat (forma) na metodologia deste estudo para potencializar os pontos fortes de ambos os classificadores. As regras de combinação simples que foram utilizadas são a soma, produto, voto majoritário, máximo, mínimo e a média. 5. Resultados e Discussão Como resultado da classificação utilizando o SVM, os modelos LBPs obitiveram uma taxa de acurácia de 92,55% para o modelo uniforme contra uma acurácia de 86,26% para o modelo LBP com invariância a rotação. Para o modelo CLBP invariante a rotação, GLCM e Momentos de Histograma a taxa de reconhecimento foi de 97,33%, 81,26% e 67,44% respectivamente, enquanto que os modelos Histograma e Top-Hat, apresentaram uma taxa de reconhecimento de 98,18% e 98,26%. As taxas de acerto obtidas na classificação das classes pulmão e não pulmão deste estudo estão compiladas na Tabela 3, apresentada a seguir. Por meio dos resultados obtidos é possível observar que os extratores histograma e top-hat tiveram a taxa de acerto mais alta, ambos acima de 98%. Para um melhor entendimento das predições dos vetores de características do histograma e do top-hat, a figura 4 apresenta um comparativo da taxa de reconhecimento para 6

7 Tabela 3. RESULTADO DA CLASSIFICAÇÃO DO SVM DESCRITOR ACURÁCIA DO SVM LBP u ,55% LBP riu ,26% CLBP riu ,33% GLCM 81,26% MOM. HISTOGRAMA 67,44% HISTOGRAMA 98,18% TOP-HAT 98,26% cada conjunto de imagens de um paciente. A figura 4 mostra a relação entre a taxa de reconhecimento e cada paciente, os valores estão na faixa de e 1.0, representando em porcentagem uma taxa de acerto de 67% a 100%. Figura 4. CLASSIFICAÇÃO DOS CONJUNTOS DE IMAGEM POR PACIENTE Como visto na seção a saída de diferentes classificadores podem ser combinadas para que o resultado final incorpore todas as informações ao potencializar os pontos fortes de cada um deles. A combinação dos melhores descritores foi realizada neste escopo,onde na saída do SVM foram armazenados os valores de probabilidades gerados por cada uma das execuções. Com estas informações foram realizadas as combinações do histograma e do top-hat por meio dos cálculos de voto, produto, soma, mínimo, máximo e média. Tabela 4. RESULTADO DA FUSÃO DOS MELHORES CLAS- SIFICADORES HISTOGRAMA E TOP-HAT TAXA DE ACERTO Voto 99.32% Produto 99.82% Soma 100.0% Mínimo 100.0% Máximo 100.0% Média 100.0% Na tabela 4 são mostrados os percentuais de cada uma das operações feitas, onde os valores de soma, produto, mínimo e média obtiveram taxa de acerto de 100%. A saída a fusão de classificadores gerou uma taxa de acerto de 99,85%. Quando comparados os resultados obtidos com a literatura, o presente trabalho mostrou-se uma acurácia maior na classificação dos blocos de imagens. Muito embora, o número de classes utilizadas limita-se somente a pulmão e não-pulmão, esta abordagem é de grande utilidade para fins que envolvem o pré-processamento de imagens de TC. 6. Conclusão De maneira geral a identificação de achados radiológicos em imagens de TCAR é um instrumento valioso para o diagnóstico de pacientes com DPIs. Contudo, é preciso observar as limitações para esse fim e, principalmente, que o método deve estar apoiado pelo quadro clínico do paciente. Além disso, deve-se levar em consideração a experiência do especialista e os padrões inespecíficos, os quais, podem originar a um diagnóstico impreciso. Em razão disso, a avaliação radiológica é significativamente restringida pela sua baixa especificidade, devido à aparência similar de anormalidades intersticiais pulmonares e na ausência de medidas válidas de gravidade da doença [33]. Neste estudo, foi proposto um método de análise de extratores de características para definir quais são as características mais discriminantes na classificação entre tecido pulmonar e outros tipos de tecidos para melhorar os sistemas de auxílio ao diagnóstico de DPIs. As taxas de reconhecimento dos descritores utilizados foram relatadas bem como o resultado da combinação dos dois melhores classificadores. A primeira contribuição do método proposto foi a identificação dos melhores descritores de características para o problema em questão, que são, o descritor de forma, transformação top-hat, e o extrator de características de textura, histograma. O uso do SVM na classificação das características extraídas pela transformação top-hat apresentou taxa de 98,26% em relação aos blocos utilizados e taxa de acerto de 98,16% para o histograma Também, verificou-se que a precisão de classificação entre tecido pulmonar e não pulmonar pode ser melhorada através da utilização da combinação dos dois melhores descritores por meio da fusão de classificadores. A fusão utilizando os cálculos de voto, produto, soma, mínimo, máximo e média obteve uma média de 99,85%. A análise dos extratores feita por meio de um modelo leave-one-out está de acordo com a realidade vista na prática clínica onde o diagnóstico não deve depender do conhecimento do histórico clínico do paciente. A fim de tornar esse trabalho mais completo sugere-se como trabalhos futuros a segmentação do pulmão em imagens de TCAR como primeira etapa de desenvolvimento de 7

8 um sistema CAD, avaliar os métodos de extração de características histograma e top-hat, utilizar blocos de imagens menores que pixels buscando identificar um maior grau de precisão e utilizar métricas de avaliação que contabilizem o custo computacional. Referências [1] K. A. et al., Lung Cancer and Interstitial Lung Diseases: A Systematic Review. Hindawi Publishing Corporation - Pulmonary Medicine, [2] J. C. U. Bagci, M. Bray, Computer-assisted detection of infectious lung diseases: A review. Computerized Medical Imaging and Graphics, [3] A. P. e. a. A. Depeursinge, D. Ville, Near-Affine-Invariant Texture Learning for Lung Tissue Analysis Using IsotropicWavelet Frames. IEEE TRANSACTIONS ON INFOR- MATION TECHNOLOGY IN BIOMEDICINE, [4] S. S. B. et al, Detection and Classification of Lung Tissue Using Block Based Intensity Features. Journal of Advanced Engineering Research, [5] H. G. M. Asherov, I. Diamant, Lung Texture Classification Using Bag of Visual Words. SPIE 9035, Medical Imaging 2014: Computer-Aided Diagnosis, [6] J. K. D. et al, Segmentation of Interstitial Lung Disease Patterns in HRCT Images. SPIE 9414, Medical Imaging 2015: Computer-Aided Diagnosis, [7] D. W. L. D. Bagesteiro, L. F. Oliveira, Blockwise Classification of Lung Patterns in Unsegmented CT Images. Computer- Based Medical Systems (CBMS), 2015 IEEE 28th International Symposium, [8] Z. X. e. a. A. Mansoor, U. Bagci, A generic approach to pathological lung segmentation. IEEE Trans Med Imaging, [9] A. Montillo, Context Selective Decision Forests and their application to Lung Segmentation in CT Images. MICCAI workshop on Pulmonary Image Analysis (LOLA11), [10] Y. Z. e. a. Y. Song, W. Cai, Feature-Based Image Patch Approximation for Lung Tissue Classification. IEEE Transactions on Medical Imaging, [11] N. K. e. a. Y. Chang, J. Lim, A support vector machine classier reduces interscanner variation in the HRCT classication of regional disease pattern in diuse lung disease: Comparison to a Bayesian classier. Medical Physics, [12] D. F. Q. Li, W. Cai, Lung image patch classication with automatic feature learning. Engineering in Medicine and Biology Society (EMBC), [13] T. E. King, Interpretation of lung biopsy results in interstitial lung disease. WoltersKluwer Health - UpToDate R, [14] e. a. A. Xaubet, Diagnosis and Treatment of Diffuse Interstitial Lung Diseases. Recommendations Of The Spanish Society Of Pulmonology And Thoracic Surgery (Separ), [15] A. P. e. a. A. Depeursinge, A. Vargas, Building a reference multimedia database for interstitial lung diseases. Computerized Medical Imaging and Graphics, [16] M. e. a. I. Sluimer, A.Schilham, Computer analysis of computed tomography scans of the lung: A survey. IEEE Transactions on Medical Imaging, [17] M. M. H.L. Corcoran, W.R. Renner, Review of High- Resolution CT of the Lung. RSNA RadioGraphics, [18] A. H. S. Marçal, Investigando modelos de cores com operadores LBP para Imagens de Linfoma. Universidade Federal de Uberlândia, [19] M. P. et al., Computer Vision Using Local Binary Patterns. Springer-Verlag, [20] T. M. T. Ojala, M. Pietikäinen, Multiresolution Gray Scale and Rotation Invariant Texture Classification with Local Binary Patterns. IEEE Transactions on Pattern Analysis and Machine Intelligence, [21] L. D. BAGESTEIRO, Classificação de Padrões Radiológicos por Blocos em Imagens não Segmentadas de Tomografia Computadorizada. Universidade Federal do Paraná, [22] H. Z. et al., Object detection using spatial histogram features. Elsevier B.V., [23] R. C. Santana, Uma aplicação de CBIR à análise de imagens médicas de imuno-histoquímica utilizando Morfologia Matemática e espectro de padrões. Escola Politécnica De Pernambuco, [24] S. G. S. Thapar, Study and Implementation of Various Morphology Based Image Contrast Enhancement Techniques. International Journal of Computing & Business Research, [25] L. Wang, Support Vector Machines: Theory and Applications. Springer Berlin Heidelberg, [26] C. BURGES, A Tutorial on Support Vector Machines for Pattern Recognition. Kluwer Academic Publishers, [27] J. M. A. K. Jain, R.P.W. Duin, Statistical Pattern Recognition: A Review. IEEE Transactions on Pattern Analysis And Machine Intelligence, [28] S. T. et al., Review of Classifier Combination Methods. Springer Berlin Heidelberg, [29] A. R. e. a. S. Visa, B. Ramsay, Confusion Matrix-Based Feature Selection. CEUR Workshop Proceedings, [30] A. S. S. Fazli, M. Jafari, Automated lung CT image segmentation using kernel mean shift analysis. Machine Vision and Image Processing (MVIP), [31] Scikit-Learn Documentation, [32] R. M. S. e. a. J. Yao, A. Dwyer, Computer-Aided Diagnosis Of Pulmonary Infections Using Texture Analysis And Support Vector Machine Classification. Acad Radiology, [33] NEMA, Computer-Assisted Detection of Infectious Lung Diseases: A Review. National Institutes of Health,