VISUALIZAÇÃO DE DADOS MÉDICOS

Transcrição

1 VISUALIZAÇÃO DE DADOS MÉDICOS Aluno: Charles Kubudi Cordeiro Orientador: Marcelo de Andrade Dreux Introdução A visualização de dados médicos tem como objetivo organizar de forma coerente uma massiva quantidade de dados. Capturados através de equipamentos específicos, estes devem ser manipulados para serem observados pelo usuário da área médica, a fim de identificar possíveis anomalias com precisão. Neste trabalho, foi desenvolvido um software capaz de visualizar dados provenientes de exames. Foram utilizadas imagens do coração humano provenientes de uma tomografia computadorizada que captura a imagem de uma seção do corpo humano através da exposicão à emissões eletromagnéticas. A informação foi recebida em uma sequencia de dez arquivos de texto, referentes à dez instantes sequenciais de captura. Cada um desses arquivos representa a mesma seção do corpo, em uma área de formato poliedrico, e cada linha do texto contém a informação de uma coordenada e sua respectiva intensidade. Os dados foram classificados, para haver distinção entre os diferentes orgãos do corpo, e processados, de forma a ser visualizados em duas e três dimensões. A fim de observar a passagem da injeção de contraste, foi desenvolvido um método para captura de pontos específicos da imagem. Assim, é possível identificar a variação da intensidade em um certo local relevante ao usuário da área médica. Esse resultado, então, é diposto em um gráfico simples. Linguagens e Bibliotecas O desenvolvimento foi iniciado a partir de um código antigo, referente a um visualizador de classificacões sísmicas desenvolvido em 2008, pelo pesquisador Ernesto Fleck, do Tecgraf/Puc-Rio. Este software está escrito em C++, em paradigma procedural. Assim, foi escolhida essa mesma linguagem para dar continuidade ao projeto. A biblioteca utilizada para gerar os elementos de interface foi o IUP (Portable User Interface), desenvolvida pelo laboratório Tecgraf/Puc-Rio. Foram realizadas diversas adaptações de interface para se tornar compatível com a aplicação da área médica, e também para se adequar a versão mais recente da API - IUP 3.8. Foram incluídos elementos de interface específicos, como o botão para opção de visualização em 2D, o botão para captura de ponto, as janelas contendo a imagem em 2D e o gráfico da variação de intensidade, entre outros. Para visualizar em 3D, foi utilizado a API OpenGL (Open Graphics Library). Para visualizar em 2D, foi utilizada a biblioteca CD (Canvas Draw), desenvolvida pelo laboratório Tecgraf/Puc-Rio. A vantagem do CD está na simplicidade para execucão do requerido. Para construção de gráficos, foi utilizada a biblioteca auxiliar IupMglPlot.

2 Todas as bibliotecas foram estudadas através de seus manuais, e testadas em projetos separados, para efeito de aprendizado. As versões mais recentes de cada uma dessas bibliotecas foram integradas a um projeto do ambiente escolhido Microsoft Visual Studio O código foi estudado, a fim de entender as estruturas de dados utilizadas para armazenamento dos dados lidos dos arquivos. Metodologia Após a criação do projeto, inclusão dos módulos pré-existentes e incorporação das bibliotecas, foi iniciado o desenvolvimento. A visualização em 3D foi aproveitada do código antigo, com leves modificações. Foi então implementada uma janela nova referente a visualização em duas dimensões. Os dados foram recebidos em dois formatos: Uma série de 10 arquivos brutos (.txt ) cada um deles referente a um tempo t0, t1, t2... t9 contendo a intensidade de cada um dos 512x512x61 pixels do poliedro capturado pela tomografia. Outra série de 10 arquivos (.mdi ) contendo, cada um deles, pixels separados por grupos similares de cor em um tempo fixo. Ou seja, todos os pixels somados totalizam 512x512x61 - esses dez arquivos contém o mesmo que um tempo específico do formato anterior. Esses dados classificados conseguem distinguir cada um dos orgãos do corpo e são utéis para o usuário da área médica identificar as regiões de interesse. Figura 1: Dados recebidos e seus formatos A partir dos arquivos classificados (.mdi ), foi implementada a visualização em uma tela 2D, com visão frontal a partir da fatia de imagem com eixo z = 0, de acordo com a Figura 2 (O quadro rectangular amarelo representa a posicão do observador na visão 2D).

3 Figura 2: Visualização em 3D de três grupos distintos, no modo de planos empilhados As cores são selecionadas de acordo com a ordem de abertura dos arquivos, e servem apenas para diferenciar as distintas partes do corpo, não tendo nenhuma associação com a cor real do objeto mostrado. O usuário poderia selecionar a visualização de todo o volume, apenas um plano ou uma série de planos empilhados(como escolhido na Figura 1). A partir dessa definição, o algorítmo desenha os pixels partindo da fatia (plano) mais funda a ser visualizada (com z maior, ou seja, parte do plano z = 61). Dessa forma, a imagem estará coerente com a visão requerida, pois os pixels de planos da frente estarão sobrepondo os de trás. Foi também implementada uma legenda para definir quais cores correspondem a quais grupos (arquivos) abertos. Figura 3: Visualização em 3D de quatro grupos distintos, no modo de apenas um plano sendo mostrado.

4 Figura 4: Visualização em 2D de quatro grupos distintos A partir da imagem 2D, foi implementada a funcão de captura e análise de um pixel de interesse da imagem. Pela variação temporal da cor do pixel, é possível identificar se algum contraste injetado transitou por essa região. Como a resolução escolhida para o canvas foi 512x512 - exatamente o mesmo tamanho que a imagem original para converter o clique do mouse em coordenadas originais daquele pixel (que estão no arquivo) basta inverter o componente do eixo y, pois os eixos do clique na tela se iniciam a partir do canto superior esquerdo. Assim, o ponto escolhido é armazenado. Figura 5: Captura do ponto 462,424

5 As coordenadas x e y foram obtidas do usuário, a partir do clique. A coordenada z foi escolhida de acordo com a fatia mais próxima do observador sendo visualizada no instante da captura. Ou seja, se está selecionado o modo de visualização de todo o volume, z = 1 em todos os casos. Se observando um conjunto de planos, o escolhido será o menor deles. Para o caso de apenas uma fatia observada, esta será o valor da coordenada z. Com as coordenadas da captura estabelecidas, é necessario utilizar a série de arquivos temporais (.txt ) e buscar a intensidade do pixel escolhido nos 10 instantes de tempo uma busca em cada um dos 10 arquivos. Os arquivos brutos descrevem cada um dos pixels do poliedro em uma linha, no seguinte formato: <x> <y> <z> <grupo> <cor> <tempo> Abaixo segue um trecho do arquvio t0.txt : [...] [...] [...] Como pode ser observado pelo exemplo, os pixels seguem em ordem crescente de posição, priorizando o eixo z. Assim, seria trivial calcular a posição da linha referente ao pixel alvo basta fazer a seguinte conta: linha_alvo = x + (512 * (y-1) ) + (512 * 512 * (z-1) ), e multiplicar este valor pelo número de caractéres que possui cada uma das linhas. Entretanto, as linhas possuem número de caractéres variável, o que invalida a conta. Tendo em vista o problema, foram projetados 3 algorítmos distintos para buscar o pixel em cada um dos 10 arquivos. O primeiro trabalha com a busca sequencial iterativa. Usando a funcão getline, itera exatamente o número de linhas calculado. Esse algorítmo tem complexidade O(n) (n = número de pixels), o que para este caso é muito ruim, pois a quantidade de pixels é muito grande ( 512 x 512 x 61 ). O segundo algorítmo utiliza o cálculo da linha_alvo e multiplica pelo menor tamanho possível de caractéres que uma linha pode ter garantindo que não irá ultrapassar a informação requerida. Então,move o ponteiro para este caractér e lê a linha imediatamente anterior a posição calculada, verificando suas coordenadas. Caso não seja a linha requerida, faz o cálculo de quantas iteraçoes faltam até atingir a mesma, e usa a busca sequencial para atingi-la.

6 Abaixo segue uma tabela comparativa do tempo (em segundos) de processamento dos dois primeiros algorítmos : Algorítmo 1 Algorítmo 2 Busca no plano z = Busca no plano z = O terceiro algorítmo utiliza uma abordagem semelhante a busca binária, que reduz a complexidade do algorítmo para O( log (n) ) (n = número de pixels). Verifica-se o tamanho total do arquivo, e visita-se a linha pertencente ao caractere exatamente do meio do arquivo. Caso este pixel seja superior (considerando a ordem crescente em que o arquivo está disposto) ao alvo, define-se o final do arquivo como o caractere anterior a esta linha. Caso seja inferior ao alvo, define-se o início do arquivo como o caractere localizado imediatamente após a esta linha. Repete-se este processo até encontrar o alvo. O contra desse procedimento é que, para cada consulta, é necessario capturar a linha inteira e usar manipulacão de strings para verificar as coordenadas ação que configura um procedimento caro em termos de processamento. Este algorítmo não funcionou como esperado, por isso não foi possível analisar seu tempo de execução. A última parte do software é a exibição do gráfico da variação de intesidade da cor no ponto desejado. Com os 10 valores resgatados, foi utilizada a IupMglPlot para plotar, como na Figura 6. Figura 6: Gráfico da variação de intensidade no tempo

7 O eixo x corresponde ao tempo, onde t é discreto e 0 t 9. O eixo y corresponde a intensidade da cor, e sua escala foi escolhida de forma que o menor valor encontrado seja a origem, e o maior, o valor máximo. Uma possível utilização do gráfico seria verificar a variação da intensidade do instante inicial ao maior valor encontrado se a inclinação desta reta é grande, provavelmente houve alguma mudança nessa região. Para isso, foi incluída a opcão de também imprimir esta reta, como na Figura 7. Figura 7: Inclinação da reta Conclusões Foi desenvolvido um ambiente gráfico para visualização e análise de dados médicos, provenientes de tomografia computadorizada, para verificação de possíveis anomalias cardíacas. Foram implementadas funções de visualização em 3D e 2D, a fim de que o usuário possa localizar exatamente a área de interesse. Também foi incluída a funcão de captura da região de interesse e análise gráfica da variação de cores na mesma. Esperamos que este trabalho sirva como um embrião para um ambiente computacional bem mais completo a ser desenvolvido num futuro próximo.

8 Referências 1. NEIDER, Jackie; DAVIS, Tom. OpenGL Programming Guide: the official guide to learning OpenGL, Online Book 2. ESCAÑO SCURI, Antonio. IUP Portable User Interface Documentation Toolkit 3. ESCAÑO SCURI, Antonio. CD Canvas Draw, a 2D Graphics Library Documentation Toolkit