Classificação de Padrões por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada

Transcrição

1 Classificação de Padrões por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada Aline Dartora Prof. David Menotti Departamento de Informática Universidade Federal do Paraná (UFPR) 23 de outubro de 2015

2 Sumário Introdução; Materiais e Métodos; Base de Imagens; Descritor; Classificador; Experimento; Resultados e Discussões; Conclusões e Trabalhos Futuros.

3 Figura 1: O Artigo.

4 Diagnóstico de doenças pulmonares Características anormais em exames de TC; Informações extraídas dos padrões visuais; Técnicas de processamento de imagens pode aumentar a confiança e consistência do diagnóstico. Classificação das imagens Aquisição de imagens; Extração de características; Classificação.

5 Objetivo Principal Executar uma análise e quantificação dos padrões de doenças pulmonares em imagens de TC de alta resolução; Realizar uma segmentação pulmonar grosseira para classificar regiões que não pertencem ao pulmão.

6 Base de Imagens Banco de Dados público: Depeursinge et al. Multimedia com uma coleção de casos de doenças intersticiais (ILDs); 113 Conjunto de imagens de TCAR de 512 x 512 pixels em formato DICOM; Máscaras do pulmão; ROIs (Regiões de interesse) com anotações de 17 padrões de tecidos; Normal; Enfisema; Vidro fosco; Fibrose; Micronódulos.

7 Padrões Pulmonares Figura 2: Achados Radiológicos.

8 Extração de blocos de tecido pulmonar Blocos x,y não sobrepostos de 32x32 pixels; Pelo menos 75% dos pixels precisam pertencer a ROI. Figura 3: Exemplo da extração de um bloco de ROI.

9 Extração de blocos de tecido não pulmonar Aplicação de dilatação morfológica na máscara do pulmão; A ROI não-pulmão é a área dilatada que não pertence a máscara do pulmão; Blocos x,y não sobrepostos de 32x32 pixels; Pelo menos 75% dos pixels precisam pertencer a ROI. Figura 4: Sequência de etapas da extração de uma ROI.

10 Descritor Local Binary Pattern - LBP Descritor de Textura; A textura de uma imagem pode ser decomposta em um conjunto de pequenas unidades textuais. Figura 5: Cálculo do LBP

11 Descritor Completed Local Binary Pattern - CLBP Modelagem Completa do padrão LBP; 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 ) and m p = d p

12 Descritor Completed Local Binary Pattern - CLBP A imagem original é representada pelo seu centro de nível de cinza, sinal e magnitude; Figura 6: Cálculo da magnitude. Figura 7: Cálculo do nível de cinza central. A combinação destes operadores constitui o mapa de características CLBP.

13 Classificador Suport Vector Machine - SVM Mais eficiente na literatura para identificar padrões de alterações pulmonares; Separa as classes por meio de hiperplanos que maximizam a margem entre essas classes; Figura 8: Exemplo de um problema binário linearmente separável em um espaço bidimensional

14 Função de Transformação Mapeamento não linear Projeção dos dados em outra dimensão; Função de Kernel: Radial Basis Function ou Gausssian Kernel Figura 9: RBF kernel. onde γ define o comportamento da exponencial.

15 Tomada de Decisão Separação de Classes SVM - One-vs-One Constrói N x (N-1)/2 classicadores Realiza todas as combinações de pares das N classes.

16 Experimento Etapas Foram testadas 4 combinações para o descritor CLBP: CLBP u2 (8,1) CLBP u2 (8,2) CLBP riu2 (8,1) CLBP riu2 (8,2) onde u2 é o padrão uniforme e riu2 é o padrão uniforme invariante a rotação; Método de validação cruzada de 5 vezes; Divisão baseada nos pacientes. Classificador SVM: Kernel Gaussiano e abordagem one-vs-one;

17 Métricas de Avaliação Figura 10: Verdadeiro positivo (TP), Falso positivo (FP), Falso negativo (FN), Verdadeiro negativo (TN)

18 Resultados Figura 11: Resultados gerais para a classificação por blocos (em%) Figura 12: Matriz de confusão para a melhor configuração CLBP (em%)

19 Discussões Maiores confusões Enfisema e Normal; Vidro fosco e Normal; Vidro fosco e Fibrose. Problemas Pequena variação inter-classe entre enfisema e normal, e vidro fosco e fibrose; Grande variação intra-classe entre enfisema e fibrose; Tecido saudável não possui uma única textura uniforme; Os resultados obtidos nos padrões tecido normal, fibrose e micronódulos são semelhantes aos da literatura; O padrão não-pulmão tem uma alta sensibilidade.

20 Conclusões Resultados iniciais na classificação dos padrões de textura de TCAR do pulmão usando o descritor CLBP com um classificador SVM; Classificação das áreas do corpo não pulmonares; CLBP riu2 (8,2) mostrou-se a melhor configuração CLBP; Bons resultados de classificação para não-pulmonar, pulmão normal, fibrose e micronódulos; Vários erros de classificação envolvendo enfisema e vidro fosco. Trabalhos Futuros Análise e quantificação de padrões de doenças pulmonares; A combinação de múltiplos classificadores usando probabilidades a posteriori; Segmentação do pulmão baseado no padrão não-pulmão.

21 Bagesteiro, L.D.; Oliveira, L.F.; Weingaertner, D., "Blockwise Classification of Lung Patterns in Unsegmented CT Images,"in Computer-Based Medical Systems (CBMS), 2015 IEEE 28th International Symposium on, pp , June 2015.