Redução de falsos positivos em imagens de tomografia computadorizada, usando índice de diversidade filogenético e SVM

Transcrição

1 Redução de falsos positivos em imagens de tomografia computadorizada, usando índice de diversidade filogenético e SVM Thayane de O. Simões 1, Otília de S. Santos 1, Antônio O. de C. Filho 1, Patrícia M. L. de L. Drumond 1, Alcilene D. de Sousa 1 1 Campus Senador Helvídio Nunes de Barros - Universidade Federal do Piauí (UFPI) Picos PI Brasil {thayanesimoes19, otylyasousa, antoniooseas, alcileneluzsousa}@gmail.com,patymedy@hotmail.com Abstract. Lung cancer has become the disease with the highest mortality rate in this category. Thus, computational tools that use images and pattern recognition processing techniques have been widely exploited to assist in early detection of this disease. The proposed methodology will highlight the features of extraction steps based on phylogenetic diversity index Phylogenetic Diversity (PD) to reduce false positives on CT images. The tests used 532 images of LIDC-IDRI base. The methodology shows promising results for the regions of classification node and non-nodule, reaching a hit rate of 81.39%. Resumo. O câncer de pulmão tornou-se a patologia com maior incidência de mortalidade dessa categoria. Assim, ferramentas de cunho computacional, que utilizam técnicas de processamento de imagens e reconhecimento de padrões, têm sido amplamente explorados para auxiliar na detecção precoce dessa doença. A metodologia proposta irá enfatizar as etapas de extração de características baseado no índice de diversidade filogenético Phylogenetic Diversity (PD) para redução de falsos positivos em imagens de tomografia computadorizada. Os testes realizados utilizaram 532 imagens da base LIDC- IDRI. A metodologia apresenta resultados promissores para a classificação de regiões em nódulo e não-nódulo, alcançando uma taxa de acerto de 81,39%. 1. Introdução As células do corpo humano saudáveis vivem, dividem-se e morrem. No entanto, quando ocorre a proliferação dessas células de forma descontrolada, surge o tumor. Os tumores são regiões irregulares que podem ser classificadas em maligna (câncer) ou benignas. Os tumores malignos são na maioria das vezes fatais e podem ter a capacidade de se espalhar para outras partes do corpo, ou seja, ocorrência de metástase [NCI 2016]. O câncer é uma patologia com localizações e aspectos clinico-patológicos múltiplos e não possui sintomas. Por se tratar de uma doença assintomática há uma dificuldade no seu diagnóstico, com isso sua confirmação ocorre, na maioria das vezes, apenas nos estágios mais avançados da doença. O câncer de pulmão se revela como o mais comum de todos os tumores malignos, apresentando aumento de 2% por ano na sua incidência mundial [INCA 2016]. A área de processamento digital de imagens está sendo bastante utilizada para auxiliar e maximizar na detecção precoce de inúmeras doenças, por exemplo, o câncer de pulmão, mama, entre outros. Processamento digital de imagem é uma área em

2 crescimento, que consiste em um conjunto de operações matemáticas aplicadas sobre a imagem que resulta, na maioria dos casos, em uma nova imagem. Essa manipulação das imagens permite através da análise automática do computador, extrair informações até então imperceptíveis ao olho humano. Este artigo apresenta o desenvolvimento de uma metodologia de redução de falsos positivos, baseado no índice de diversidade filogenético PD para diferenciar as Regiões de Interesse (ROI), utilizando o índice para mensurar sobre a textura de cada ROI. Dessa forma, para a classificação foi utilizado o Support Vector Machine (SVM). 2. Trabalhos Relacionados Na literatura existem várias pesquisas no contexto desse trabalho. Abaixo enumera-se alguns deles. Silva (2009) propôs uma metodologia para a classificação de nódulos pulmonares extraídas de imagens de TC, utilizando duas diferentes bases de dados de imagens. A representação dos nódulos foi feita com a extração de medidas de geometria e de textura, sendo esta última descrita através do Índice de Simpson, uma estatística utilizada na análise espacial e na ecologia. Essas medidas foram submetidas ao classificado SVM em duas abordagens, a tradicional e usando de uma classe. Com abordagem SVM tradicional, obteve taxas de sensibilidade de 90%, especificidade de 96,67% e acurácia de 95%. Usando SVM de uma só classe, as taxas obtidas foram sensibilidade igual a 89,7%, especificidade igual a 89,7% e acurácia igual a 89,7%. Oliveira (2013) apresenta uma metodologia de redução de falsos positivos para a classificação de tecidos da mama nas classes massa e não-massa. A proposta é a utilização do índice de diversidade taxonômica (Δ) e do índice de distinção taxonômica (Δ*) em árvores filogenéticas para extração de características de textura de regiões da mamografia. Estes índices são usados juntos com técnicas de processamento de imagens digitais e reconhecimento de padrões, como o SVM. A metodologia apresentou resultados promissores para a classificação de massas e não-massas, alcançando uma acurácia média de 99,67%. Santos et. al. (2014), demonstram uma metodologia para a detecção automática de nódulos pulmonares pequenos (com tamanhos entre 2 e 10 mm) por meio de técnicas de processamento de imagens e reconhecimento de padrões. Utilizam medidas de entropia e Shannon Tsallis como descritores de textura e SVM para a classificação de regiões suspeitas tanto como nódulos ou não-nódulos. Os resultados obtidos com o uso deste conjunto de técnicas, aplicado a uma amostra com 28 exames a partir de uma base de dados pública, mostrou que pequenos nódulos foram detectados com uma sensibilidade de 90,6%, uma especificidade de 85% e uma precisão de 88,4%. A taxa de falsos positivos por exame foi de 1,17. Diante do que foi exposto nos trabalhos relacionados, alguns problemas são frequentes quando se refere a ruídos na imagem, tamanho e localização do nódulo, e elevadas taxas de falsos positivos por exame (número de imagens erradamente classificadas como nódulo), sendo que estes são obstáculos a serem superados. A metodologia proposta busca amenizar a taxa de falsos positivos utilizando o índice de diversidade filogenética PD.

3 3. Método Proposto O método proposto compreende três etapas, sendo: a aquisição das imagens de Tomografia Computadorizada (TC) da base LIDC-IDRI, extração de características utilizando descritor de textura baseado em índice de diversidade filogenético PD, o classificador SVM e a validação dos resultados Base de Imagens Figura 1. Fluxograma do método proposto. A base de imagem utilizada é a LIDC-IDRI, um repositório público de imagens tomográficas, disponibilizado na internet pelo National Cancer Institute of USA (NCI). A base foi criada através de uma associação do Lung Image Database Consortium (LIDC) e a Image Database Resource Initiative (IDRI). Essa associação resultou em uma base de 1012 casos, tendo como embasamento as informações e marcações da base LIDC. Cada exame da base possui informações e avaliações de 4 especialistas, que são disponibilizadas em um arquivo XML [LIDC - IDRI 2015]. As imagens da LIDC-IDRI são disponibilizadas no formato DICOM (Digital Imaging and Communications in Medicine), esse formato é o padrão para a comunicação e gerenciamento de informações de imagens médicas. Foi desenvolvido 1983, com o objetivo de promover comunicação de dados de imagem digital, independentemente do fabricante do dispositivo para facilitar o arquivamento de imagens [NEMA 2015] Extração de características Normalmente, a extração de características é baseada nas características de forma e textura. Segundo Haralick et al. (1973), textura é definida como a característica de uma região relacionada a coeficientes de uniformidade, densidade, aspereza, regularidade, intensidade, dentre outras. A textura é utilizada para reconhecer objetos e cenas a partir das variações locais em valores de pixels que se repetem de maneira regular na imagem, originando um padrão que permite a identificação dos nódulos. Assim como existem diversas maneiras de realizar extração de características de um candidato a nódulo ou não-nódulo, outra forma é utilizando o índice de diversidade filogenética PD. A filogenia ou árvore filogenética é um ramo da biologia responsável pelo estudo das relações evolutivas entre as espécies, pela verificação dos relacionamentos entre elas, a fim de determinar possíveis ancestrais comuns [Araújo 2003]. Essas árvores devem expressar similaridade, ancestralidade ou parentescos evolutivos entre espécies, onde as folhas representam os organismos e os nós internos correspondem aos seus ancestrais hipotéticos. Na árvore filogenética, as espécies simulam os níveis de cinza e os indivíduos são a quantidade de pixels de cada nível de cinza presente na imagem, como apresenta a Figura 2.

4 Figura 2. Árvore enraizada na forma de cladograma inclinada. Fonte: Oliveira, O índice de diversidade filogenética PD, na biologia é obtido pela soma dos comprimentos dos braços da árvore filogenética das espécies de uma comunidade [Faith 1992]. Quanto mais ramos a árvore filogenética possuir mais distintos serão os grupos taxonômicos. Portanto, o PD de uma comunidade é uma função do número de espécies e da diferença filogenética entre elas, conforme a equação 1. PD = B x B I L ia i B onde, B é o número de ramificações da árvore, Li é o comprimento do ramo i e Ai representa a abundância média de espécies que compartilham i Classificação A classificação é um processo que visa o reconhecimento automático de objetos, sendo que as entradas são as características extraídas das imagens TC do pulmão. O classificador utilizado foi o SVM, onde o método k-fold cross validation foi utilizado para obter os resultados. Os dados foram divididos em 10 conjuntos, sendo 9 deles para treinamento e um para testes. Este processo é repetido 10 vezes e no final é gerado um resultado. 4. Resultados Os testes realizados neste trabalho foram efetuados com uma amostra de 532 imagens de TC da base LIDC-IDRI, sendo 401 não-nódulos e 131 nódulos. O desempenho obtido pelo algoritmo foi avaliado utilizando as seguintes métricas: Falso Positivo (FP), Verdadeiro Negativo (VN), Kappa (K), área sob a curva Receiver-Operating Characteristics (ROC), Sensibilidade (S), Especificidade (E) e Acurácia (A). O kappa é uma medida de concordância entre observadores, a acurácia simula a taxa de acertos e a curva ROC descreve a habilidade de separar corretamente, o conjunto de nódulos em duas classes baseado na fração verdadeiro negativo (especificidade) e na fração falso positivo (sensibilidade), quanto mais próximo de 1 significa que a classificação foi boa. Na Tabela 1 pode-se observar que o classificador obteve resultados promissores. Tabela 1. Resultado da classificação das imagens. FP VN K ROC S E A SVM ,4429 0,699 69,69% 85,68% 81,39% i A i (1)

5 De acordo com a Tabela 1, o classificador SVM obteve uma taxa de acertos de 81,39%, e um índice kappa de 0,4429. Sendo que, a sensibilidade é a proporção de imagens patológicas, ou seja, demonstra o quanto a metodologia foi boa para detectar a doença, a especificidade representa a proporção de imagens saudáveis, o quanto o método foi eficiente em detectar a ausência da doença. Tabela 2. Comparação entre trabalhos relacionados. Base S E A Silva LIDC 89,7% 89,7% 89,7% Oliveira DDSM 99% 98% 99,67% Santos et al. LIDC-IDRI 90,6% 85% 88,4% Metodologia LIDC-IDRI 69,69% 85,68% 81,39% De acordo com a Tabela 2, em comparação com os trabalhos relacionados Oliveira, apresenta um equilíbrio entre as três métricas (sensibilidade, especificidade e acurácia). Assim em termos qualitativos, a metodologia apresenta um resultado promissor para redução de falsos positivos. 5. Conclusões e Trabalhos Futuros Neste trabalho apresentou-se uma nova metodologia de redução de falsos positivos de imagens de TC, utilizando o índice de diversidade filogenético PD. O classificador demostrou um bom desempenho para classificação de regiões em nódulo e não-nódulo, com a taxa de acerto de 81,59%, sensibilidade de 69,69%, especificidade de 85,68%, kappa de 0,4429 e curva ROC de 0,699. Os resultados obtidos mostraram-se significativos, mas podem ser melhorados. Para trabalhos futuros, pretende-se utilizar novos classificadores e acrescentar novos índices de diversidade filogenéticos para otimizar os resultados. Referências Araújo, G. S. Filogenia de proteomas. 2003, 73 f. Dissertação (Ciência da Computação) - Universidade Federal do Mato Grosso do Sul, MS, Faith, D.P. Conservation evaluation and phylogenetic diversity. Biol. Conserv. 61(1):1-10, Haralick, R. M.; Shanmugam, K.; Distein, I. (1973). Textural Features for Image Classification, IEEE Transactions on Systems, Man and Cybernetics, IEEE Press, p Instituto Nacional do Câncer - INCA. Mistério da Saúde. Câncer de pulmão. Disponível em: < ico>. Acesso em: 17 fev LIDC - IDRI, National Cancer Institute. Lung Image Database Consortium Image Collection. Disponível em: < Acesso em: 22 dez Naticional Cancer Institute - NCI. Lung Cancer. U.S. National Institute of Health. Disponível em: < Acesso em: 17 fev

6 NEMA - National Eletrical Manufactures Associations. Digital Imaging and Communications in Medicine (DICOM). Disponível em < Acesso em: 22 dez Oliveira, F. S. S. Classificação de Tecidos da Mama em Massa e Não-Massa usando Índice de Diversidade Taxonômico e Máquina de Vetores de Suporte. Dissertação de Mestrado na área de Ciência da Computação. (Programa de Pós-Graduação em Engenharia de Eletricidade) - Universidade Federal do Maranhão, São Luís, Santos, A. M.; Carvalho Filho, A. O.; Silva, A. C.; Paiva, A. C.; Nunes, R. A.; Gattass, M. Automatic detection of small lung nodules in 3D CT data using Gaussian mixture models, Tsallis entropy and SVM, Science Direct, vol. 36, p , Silva, A. C. Caracterização de nódulos pulmonares solitários utilizando índice de Simpson e máquina de vetores de suporte, Universidade Federal do Maranhão, São Luís, 2009.