MÉTODO NÃO SUPERVISIONADO PARA DETECÇÃO DE NÚCLEOS DE DO TECIDO EPITÉLIO GLANDULAR PROSTÁTICO

Transcrição

1 MÉTODO NÃO SUPERVISIONADO PARA DETECÇÃO DE NÚCLEOS DE DO TECIDO EPITÉLIO GLANDULAR PROSTÁTICO Domingos Lucas Latorre de Oliveira 1, Marcelo Zanchetta do Nascimento 1, Leandro Alves Neves 2, Moacir Fernandes de Godoy 3, Pedro Francisco Ferraz de Arruda 346, Dalisio de Santi Neto 56 1 Centro de Matemática, Computação e Cognição, Universidade Federal do ABC (UFABC), Santo André, SP, Brasil 2 Instituto de Biociências, Letras e Ciências Exatas, Departamento de Ciência de Computação e Estatística, Universidade Estadual Paulista (UNESP), São José do Rio Preto, SP, Brasil 3 Núcleo Transdisciplinar para Estudo do Caos e da Complexidade (NUTTECC), Faculdade de Medicina de São José do Rio Preto (FAMERP), São José do Rio Preto, SP, Brasil 4 Serviço de Cirurgia dotransplante Renal do Hospital de Base 5 Serviço de Anatomia Patológica do Hospital de Base 6 Fundação Faculdade Regional de Medicina (FUNFARME), São José do Rio Preto, SP, Brasil Resumo: Neste artigo é proposto um método para segmentar regiões de núcleos celulares do tecido epitelial de glândulas prostáticas. Essa estrutura fornece informações para diagnóstico e prognóstico do câncer de próstata. Na etapa inicial, a técnica de alargamento de contraste foi aplicada na imagem, a fim de melhorar o contraste entre as regiões de interesse e de outras regiões. Em seguida, a técnica de limiarização global foi aplicada, sendo o valor do limiar definido empiricamente. Finalmente, as regiões falsos positivos foram removidas utilizando a técnica de componentes conexos. O desempenho do método proposto foi comparado com a técnica de Otsu e medidas estatísticas de acurácia foram calculadas com base nas imagens de referência (padrão ouro). O resultado do valor médio de precisão do método proposto foi de 93% ± 0,07. Palavras-chave: Projeto Auxiliado por Computador, Próstata, Neoplasias da Próstata Abstract: In this paper is proposed a method for segmentation of cell nuclei regions in epithelium of prostate glands. This structure provides information to diagnosis and prognosis of prostate cancer. In the initial step, the contrast stretching technique was applied in the image in order to improve the contrast between regions of interest and other regions. After, the global thresholding technique was applied, in which the value of threshold was defined empirically. Finally, the false positive regions were removed using the connected components technique. The performance of the proposed method was compared with the Otsu technique and statistical measures of accuracy were calculated based on reference images (gold standard). The result of the mean value of accuracy of proposed method was 93%±0.07. Keywords: Computer-Aided Design, Prostate, Prostatic Neoplasms Introdução O câncer de próstata clínico é a doença da terceira idade, com pico de incidência e mortalidade por volta dos 70 anos de vida, respondendo por 10 a 30% dos tumores clínicos registrados em homens e por 60% de todas as mortes masculinas por câncer 1. Estudos de autópsias em homens mostram que aos 50 anos cerca de 10% tem esse tipo de câncer e que aos 70 anos esse porcentual atinge 40%. Se o indivíduo viver até os anos existe 15% de chance de apresentar moléstia clinicamente detectada e 3% de risco de morte pela neoplasia 2. Mundialmente, a taxa de incidência desse câncer ao longo dos anos cresceu 25 vezes. A análise de alterações das propriedades dos componentes histológicos é uma das principais informações utilizadas pela patologia para o diagnóstico das doenças da próstata e de outros tecidos. No diagnóstico e prognóstico das doenças da próstata, como o câncer, atrofia e hiperplasia, a análise de Regiões de Núcleos de Células do Tecido Epitelial Glandular (RNTEG) é de fundamental 1

2 importância. Alterações na forma, área, perímetro desse tipo de núcleo são indícios de uma possível anormalidade. O uso de microscópios eletrônicos, equipados com câmeras digitais, auxilia os especialistas na avaliação das imagens de lâminas de tecido. Essas tecnologias digitais fornecem imagens que podem ser avaliadas também com algoritmos computacionais para apoiar o diagnóstico (Computer- Aided Diagnosis CAD) 3. Para desenvolver um Computer-Aided Diagnosis CAD de doenças da próstata, como câncer, a segmentação de componentes histológicos torna-se uma etapa fundamental para garantir o sucesso de etapas posteriores. A segmentação de Regiões de Núcleos de Células do Tecido Epitelial Glandular (RNTEG) é uma importante etapa, pois a análise das características desse componente histológico é definida com a base do processo de diagnóstico e prognóstico do câncer de próstata por parte dos especialistas. Neste contexto, propomos um método de segmentação de RNTEG em imagens de tecido da próstata coradas com H&E. Para isso, uma técnica de alargamento de contraste foi utilizada na etapa de pré-processamento. Uma segmentação interativa foi aplicada ao componente de cor Red (R) do modelo de cores Red, Blue e Green (RGB). Finalmente, uma técnica de identificação de componentes conexos foi empregada para eliminar as regiões de falsos positivos. O desempenho do método proposto foi comparado com a técnica de Otsu 4 e medidas estatísticas de acurácia foram calculadas com base nas imagens de referência (padrão ouro). O trabalho está organizado em: Métodos, onde são apresentados o conjunto de imagens e as técnicas utilizadas na construção e validação do método proposto; Resultados e Discussões, em que estão as quantificações obtidas com o método proposto e uma comparação com a técnica clássica de segmentação de Otsu 4. Por fim, são apresentadas as conclusões e propostas para trabalhos futuros. Métodos O método proposto foi organizado em três etapas: pré-processamento, segmentação e pósprocessamento. A figura 1 apresenta um fluxograma com as técnicas utilizadas em cada etapa. Figura 1: Fluxograma do método proposto. Banco de Imagens O banco de imagens utilizado para os testes possui 105 imagens de lâminas histológicas de próstatas fornecidas pelo Laboratório de Patologia do Departamento de Patologia e Medicina Legal da Faculdade de Medicina de São José do Rio Preto, SP, Brasil. Os tecidos foram corados com Hematoxilina & Eosina (H&E) e suas imagens foram distribuídas em três classes (normal, hiperplasia e câncer), com 35 casos cada. As imagens estão no padrão RGB, 1200 x 900 pixels, com 24 bits de quantização e magnificação de 40x. Os estudos foram aprovados pelo comitê de ética em pesquisa (CEP) da Faculdade de Medicina de São José do Rio Preto (FAMERP). Pré Processamento Imagens coradas com H&E apresentam maior contraste entre as regiões de núcleos de células do tecido epitelial e outras regiões do tecido na imagem do componente de cor R do modelo de cores RGB. Por isso, esse componente de cor foi selecionado para aplicação da técnica de alargamento de contraste. Essa técnica, também conhecida como normalização, permite reorganizar um canal de cor ou um intervalo de cores da imagem, visando aumentar o contraste da mesma 5. Para isso, é necessário 2

3 definir limites mínimos e máximos de entrada e saída do histograma O intervalo de entrada foi definido com a maior e menor intensidade de brilho da imagem em questão. O interval de saída foi definido com os limites inferior e superior de possíveis valores de um pixel da imagem (intervalo de valores 0 e 255). A Figura 2 (a) apresenta a imagem e o histograma do componente de cor R de uma amostra de tecido Saudável antes da aplicação da técnica de alargamento de contraste. O resultado obtido após aplicação da técnica está na Figura 2 (b). (a) Figura 2. Imagem e histograma do componente de cor R antes (a) e após aplicação da técnica de alargamento de contraste (b). Segmentação Com a imagem normalizada, a técnica de limiarização global simples descrita em Gonzalez e Woods 5 foi aplicada no componente de cor R, tendo como objetivo separar as regiões candidatas a RNTEG. O valor do limiar foi definido empiricamente e fixado no valor de brilho 135. Um exemplo da aplicação da técnica de segmentação é apresentado na Figura 3, em que regiões candidatas a RNTEG estão marcadas em preto. Remoção de Falsos Positivos Os tecidos estromal e epitelial glandular apresentam núcleos celulares, com valores de intensidades de brilho semelhantes. Por esse fato, as regiões com falsos positivos foram demarcadas na etapa de segmentação, Figura 3 (círculos vermelhos). Essas regiões foram removidas com uma técnica para identificar os componentes conexos 6 aplicada sobre a imagem. O objetivo foi identificar, rotular e quantificar núcleos de pixels. Núcleos com áreas menores que 80 pixels foram definidos como ruídos e removidos. Esse valor representa o limite inferior que define um núcleo, com base em lâminas de tecidos de próstatas com 40x de aumento. (b) 3

4 Figura 3. Amostra de tecido da próstata saudável (H&E, 40x). Regiões candidatas marcadas na cor preto e falsos positivos indicados por circulos na cor vermelho. Avaliação Quantitativa A avaliação quantitativa foi realizada por meio do cálculo da sobreposição entre as regiões da imagem segmentada pelo método proposto e as regiões de uma imagem binária de referência demarcada por um patologista 7. Esse cálculo foi realizado por meio de medida estatística de acurácia (Acc) 8. Essa medida apresenta a proporção de acertos, o total de verdadeiros positivos (Vp) e verdadeiros negativos (Vn), em relação aos positivos (P) e negativos (N): Acc = (Vp + Vn)/(P + N) (1) onde, Vp é a quantidade verdadeiros positivos, representada por pixels de objetos marcados corretamente, Vn é a quantidade verdadeiros negativos, representada por pixels de fundo marcados corretamente, P a quantidade de pixels positivos na imagem de referência, representada por pixels de objetos e N a quantidade de pixels negativos na imagem de referência, representadas por pixels de fundo Resultados e Discussões As figuras 4, 5 e 6 apresentam, respectivamente, os resultados da segmentação de regiões de núcleos de células do tecido epitelial glandular pelo método de Otsu 4 e pelo método proposto em imagens das classes de diagnóstico saudável, hiperplasia e câncer. Figura 4. Amostra de tecido saudável da próstata (H&E, 40x), imagem de referência (a). Resultado da segmentação pelo método de Otsu 4 marcado em preto e falsos positivos indicados por círculos vermelhos (b). Resultado da segmentação pelo método proposto marcado em preto (c). 4

5 Figura 5. Amostra de tecido hiperplásico da próstata (H&E, 40x), imagem de referência (a). Resultado da segmentação pelo método de Otsu 4 marcado em preto e falsos positivos indicados por círculos vermelhos (b). Resultado da segmentação pelo método proposto marcado em preto (c). Figura 6. Amostra de tecido canceroso da próstata (H&E, 40x), imagem de referência (a). Resultado da segmentação pelo método de Otsu 4 marcado em preto e falsos positivos indicados por círculos vermelhos (b). Resultado da segmentação pelo método proposto marcado em preto (c). Para os testes realizados com o método de Otsu 4, também foram aplicadas as etapas de préprocessamento e remoção de falsos positivos (pós-processamento), definidas na seção métodos. Com isso, avaliando os resultados da segmentação do método proposto nas três classes de diagnóstico (Figuras 4 (c), 5 (c) e (c)), observou-se que os resultados foram relevantes no processo de separação das regiões de RNTEG em imagens de diferentes classes de diagnóstico. Não ocorreu excesso (super-segmentação) ou déficit (sub-segmentação) de RNTEG. Por outro lado, os resultados da aplicação do método de Otsu 4 não apresentaram resultados coerentes para a segmentação proposta. Isso pode ser confirmado na imagem de tecido saudável (Figura 4 (a)), em que as estruturas do tecido e as RNTEG não apresentam alterações causadas pelas doenças, como nas imagens de tecido com hiperplasia (Figura 5 (a)) e com câncer (Figura 6 (a)). Para os casos citados, o método de Otsu 4 não demarcou corretamente as áreas de RNTEG, apresentado uma super-segmentação (regiões marcadas por um círculo na cor vermelha nas Figuras 4 (b), 5 (b) e 6 (b)). Para a avaliação quantitativa foram selecionadas aleatoriamente 10 imagens de cada classe, totalizando 30 amostras. Nessas amostras as regiões interesse foram demarcadas por patologistas e foram definidas como referências (padrão ouro) para o nosso sistema. AS Figuras 5 (a), 6 (a) e 7 (a) apresentam, respectivamente, exemplos do padrão ouro utilizado nas classes de tecido normal, hiperplasia e câncer. Os resultados quantificados com nossa proposta e com o método de Otsu 4 são apresentados na Tabela 1. É possível constatar pelos valores apresentados na Tabela 1 que o método proposto forneceu valor médio de acurácia de 0,93±0.07, o que é superior ao método de Otsu 4, que apresentou um valor de 0,91±

6 Conclusão Tabela 1. Resultados comparativos das medidas quantitativas de acurácia Classe Tecido Otsu [4] Acurácia Método Proposto Saudável 0.91± ±0.07 Hiperplásico 0.90± ±0.08 Canceroso 0.92± ±0.05 Valor Médio 0.91± ±0.07 Nesse artigo foi apresentado um método para segmentação de regiões de núcleos de células do tecido epitelial glândular, em imagens de tecido da próstata coradas com H&E. As principais vantagens desse método são: (1) segmentação apropriada de RNTEG presentes em imagens saudáveis, hiperplásicas e cancerosas; (2) segmentação apropriada de imagens com baixa taxa de amostragem. Numa comparação com uma técnica clássica de Otsu, o método demonstrou superioridade nos resultados para segmentação das diferentes classes de tecidos. Para trabalhos futuros, planeja-se automatizar o processo de determinação do valor de limiar para segmentação e avaliar o método em imagens com diferentes níveis de magnificação. Referências [1] Schröder FH, Hugosson J, Roobol MJ, Tammela TL, Ciatto S, Nelen V, et al. Screening and prostate-cancer mortality in a randomized European study. N Engl J Med Mar 26;360(13): [2] Scardino P, Kelman JK. DR. Peter Scardino s Prostate Book. New York: Avery Press, [3] Gurcan, M.N.; Boucheron, L.E.; Can, A.; Madabhushi, A.; Rajpoot, N.M.; Yener, B.: Histopathological image analysis: A review. Submitted to Medical Image Analysis, [4] Otsu, N. A threshold selection method from gray-level histograms. Automatica,1975: pp , vol 11. [5] R. Gonzalez, R. Woods, and S. Eddins, Digital Image Processing Using MATLAB: AND Mathworks, MATLAB SimSV 07. Prentice Hall Press, [6] R. Haralick and L. Shapiro, Computer and robot vision. Addison-Wesley, 1992, vol. 1. [7] F. Estrada and A. Jepson, Benchmarking image segmentation algo-rithms, International journal of computer vision, vol. 85, no. 2, pp , [8] M. Sonka, Handbook of medical imaging: medical image processing and analysis. Society of Photo Optical, 2000, vol. 2. 6