Segmentação de Nódulo Pulmonar Usando Autômato Celular

Transcrição

1 Segmentação de Nódulo Pulmonar Usando Autômato Celular Maura G. R. da Rocha 1, Maria J. C. de Moura 1, Patrícia M. L. Drumond 1, Antonio O. de C. Filho 1, Alcilene D. de Sousa 1 1 Campus Senador Helvídio Nunes de Barros - Universidade Federal do Piauí (UFPI) Picos PI Brasil {mauragessicah, patymedy}@hotmail.com, {maria.jaquelane, antoniooseas, alcileneluzsousa}@gmail.com Abstract. Late detection of lung cancer is one of the main reasons for the increase in the number of deaths in the world. The use of computer-aided systems aims to identify and diagnose more quickly and accurately possible nodes, providing a second opinion to the experts. This article describes a new method for segmentation of candidates for pulmonary nodules in image computed tomography T of the chest using Automaton Cellular, being the key step for automatic detection of nodules. The tests were performed using 15 images of LIDC - IDRI basis. The test results were 93,33 % accuracy of the considered nodes. Resumo. A detecção tardia do câncer de pulmão é uma das principais razões para o aumento do número de mortes no mundo. O uso de sistemas assistidos por computador tem como objetivo identificar e diagnosticar de forma mais rápida e precisa os possíveis nódulos, fornecendo uma segunda opinião para os especialistas. Este artigo descreve uma nova metodologia para segmentação dos candidatos a nódulos pulmonares em imagem de tomografia computadorizada do tórax usando Autômato Celular, sendo a etapa fundamental para detecção automática de nódulos. Os testes foram realizados utilizando 15 imagens da base LIDC-IDRI. Os resultados do teste foram de 93,33% de acertos dos nódulos considerados. 1. Introdução Câncer é um nome genérico dado para um grupo de diversas doenças que se caracterizam pelo crescimento desordenado de células que invadem os tecidos e órgãos. O câncer de pulmão é um dos tipos de tumores malignos que ocorre com maior frequência, apresentando aumento de 2% por ano na sua incidência mundial e destacando-se no ranking das maiores causas de morte por câncer no mundo. Na maior parte dos casos, essa doença está associada ao consumo de tabaco [INCA 2016]. A detecção precoce dos nódulos pulmonares que podem se tornar um possível câncer aumentam as chances de sobrevivências dos pacientes. A identificação desses nódulos é feita por um especialista mediante análise de imagens adquiridas através da Tomografia Computadorizada (TC) do tórax. Entretanto, os nódulos pulmonares podem ser de difícil detecção usando TC devido alguns nódulos possuírem baixa intensidade, tamanho pequeno e normalmente estarem inclusos em estruturas anatômicas complexas [Leef 2002].

2 Com o objetivo de auxiliar os especialistas na detecção e diagnóstico de nódulos pulmonares de forma mais rápida e precisa, vêm sendo desenvolvidos sistemas de Detecção Assistida por Computador (Computer-Aided Detection - CAD) e Diagnóstico Assistido por Computador (Computer-Aided Diagnosis CADx). CAD são sistemas que ajudam a detecção de lesões e melhora o fluxo de trabalho durante a avaliação dos estudos de segmentação. O processo de detecção automática de nódulo pulmonares, contém algumas etapas como a segmentação, extração de características e classificação. Este trabalho apresenta uma metodologia para segmentação dos candidatos a nódulos pulmonares em imagens de TC do tórax usando Autômato Celular (AC). 2. Trabalhos Relacionados Na literatura são encontrados diversos trabalhos voltados para a detecção automática de nódulos pulmonares. Dentre os mesmos destaca-se alguns: Carvalho Filho (2013), desenvolveu uma metodologia para a detecção automática de nódulos pulmonares. Foi utilizado a técnica de Quality Threshold Clustering (QT) para fazer a segmentação dos candidatos à nódulos, fez a classificação entre nódulos e nãonódulos baseado na extração de características de forma e textura, e aplicou a técnica de aprendizado supervisionado Máquina de Vetor de Suporte (MVS). Os resultados mostraram uma sensibilidade de 85,91% e uma taxa de falso positivo de 1,82 por exame. Choi e Choi (2014), por sua vez, proporcionaram um sistema de detecção baseado em descritores para localização de nódulos pulmonares em TC, a segmentação foi feita baseada em limiarização, e rotulação de componentes em 3D, a detecção dos candidatos a nódulos foi feita através de filtragem de aprimoramento multiscala. São calculadas as características do Histograma Angular Normal da Superfície (HANS) para descrever os candidatos detectados. Por fim, a classificação é realizada usando MVS, obtendo uma taxa de sensibilidade de 97,5% e 6,76 falsos positivos por scanner. Santos et al. (2014), descreveram uma metodologia para detecção de nódulos pulmonares pequenos (acima de 2 milímetros e menores que 10 milímetros de diâmetro), usando processamento de imagens e reconhecimentos de padrões. Neste trabalho, utilizou as técnicas de limiares e crescimento de região para a segmentação do parênquima pulmonar, e as técnicas modelo de misturas gaussianas (GMM) e o cálculo da matriz Hessiana para a segmentação de estruturas dentro do pulmão. Para fazer classificação dos candidatos em nódulo ou não-nódulo usou aprendizado supervisionado MVS, e as medidas de entropia de Shannon e entropia de Tsallis como descritores de textura, obtendo uma taxa de sensibilidade 90,6% e uma taxa de falso positivo de 1,17 por exame. Messay, Hardie e Tunistra (2015), desenvolveram um novo algoritmo de segmentação de nódulo pulmonar para TC. Esse algoritmo incluem um sistema totalmente automatizado, um sistema semiautomático e um sistema híbrido. A aplicação sequencial dos três algoritmos e o uso de uma rede neural de regressão para calcular uma série de características de cada candidato a nódulo pulmonar, permite melhorar os resultados da segmentação. Além disso, a comparação com outros dez métodos de segmentação existentes mostrou que este trabalho apresenta um melhor desempenho pela sobreposição média de 69,23%.

3 Em todos os trabalhos relacionados descritos nesta seção, são observados alguns problemas na etapa da segmentação dos candidatos a nódulos pulmonares, em especial quando se refere ao tamanho, localização, e baixo contraste do nódulo. Neste trabalho é utilizado um novo método de segmentação com uma técnica mais simples para minimizar estes problemas. 3. Método Proposto Segmentação é uma operação fundamental para aplicações de processamento de imagem. Tem como finalidade, determinar regiões homogêneas de pixels adjacentes em uma imagem que tenham características em comum. Estas características podem ser intensidade, cor, textura, entre outras [Bovik 2005]. O método proposto para segmentação de candidatos a nódulo pulmonares de exames de TC compreende quatro etapas, sendo: a aquisição das imagens, eliminação de ruídos, segmentação do parênquima pulmonar e segmentação dos candidatos a nódulos. Como o objetivo desse trabalho é a segmentação dos candidatos a nódulos pulmonares, foi utilizada a metodologia descrita por [Moura et al. 2015] para eliminação de ruídos e segmentação do parênquima pulmonar. A base de imagens utilizada é a LIDC-IDRI. A Figura 1 ilustra essas quatro etapas. Figura 1. Etapas da metodologia de candidatos a nódulos pulmonares 3.1. Aquisição das Imagens Fonte: Moura et al., 2015 As imagens utilizadas para os testes são do banco imagens LIDC-IDRI (Lung Image Database Consortium Image Collection), 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 1012 casos, tendo como embasamento as informações e marcações da base LIDC. Cada exame da base possui informações e avaliações de quatro especialistas, que são disponibilizadas em um arquivo XML [Armato III et al. 2011]. 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].

4 3.2. Segmentação dos Candidatos a Nódulos Pulmonares Segmentação dos candidatos a nódulos pulmonares consiste em extrair as estruturas internas ao parênquima pulmonar. Estas estruturas podem ser nódulos, traqueia, vasos sanguíneos, entre outros. Para realizar essa segmentação foi utilizado AC. ACs são teorias genéricas, que partem do trabalho inacabado de Von Neumann, 1966 com título the theory of self-reproducing automata. Eles são constituídos de uma malha ou retículo de célula, onde cada célula tem seu valor, sendo que com o passar do tempo seus valores evoluem, de acordo com os comportamentos dos seus vizinhos e as regras determinísticas. A segmentação dos candidatos a nódulos pulmonares usando o algoritmo de AC é feita da seguinte forma: redimensiona-se a imagem para um tamanho menor com o objetivo de diminuir o tempo de processamento, em seguida transforma nível de intensidade da cor de cada pixel de acordo com a intensidade dos seus pixels vizinhos. O pixel que possuir mais de dois e menos de oito vizinhos de nível de intensidade da cor diferente ao do parênquima pulmonar, seu pixel central passa a ter esse nível de intensidade, independentemente de seu estado anterior, senão o pixel se transforma na cor preta. O resultado da segmentação em uma imagem com os possíveis candidatos a nódulos é apresentado na Figura 2 (b). ( a ) Parênquima Pulmonar (b) Candidatos a N ó dulos Pulmonares Figura 2. Resultado da segmentação dos candidatos a nódulos pulmonares 4. Resultados As imagens usadas para os experimentos são da base LIDC-IDRI. Essa base contém informações das coordenadas do contorno dos nódulos e as fatias que compõem esses nódulos. Os testes foram realizados em 15 imagens. Os resultados apresentam 93,33% de acerto na segmentação dos candidatos a nódulos pulmonares. A taxa de erros foi de 6,66% devido os nódulos apresentarem um nível de intensidade muito próximo ao do parênquima pulmonar. A Figura 3 mostra um caso de acerto, em que os nódulos marcados pelos especialistas foram encontrados dentre os candidatos a nódulos. A Figura 3(a) é uma imagem de exame de TC com a indicação do nódulo e a Figura 3(b) é a imagem gerada pelo algoritmo contendo os candidatos a nódulos. O nódulo da Figura 3(b) é indicada por um círculo azul.

5 Figura 3 Imagens com indicação correta do nódulo pulmonar 5. Conclusões e Trabalhos Futuros Neste trabalho apresentou-se uma nova metodologia para segmentação automática dos candidatos a nódulos pulmonares usando AC. Essa metodologia compreende a aquisição das imagens e a segmentação dos candidatos a nódulos pulmonares. O conjunto de teste composto por 15 imagens de TC, foram obtidos 93,33% de acerto dos nódulos considerados. Os resultados obtidos foram significativos. Para trabalhos futuros pretende-se aperfeiçoar o método de segmentação para recuperar os nódulos que foram perdidos, testar mais imagens da base LIDC-IDRI e desenvolver um novo método para segmentar o parênquima pulmonar. Referências ( a) Nódulo na imagem de TC ( b) Nódulo encontrado usando AC Armato III, S. G.; McLennan g.; Bidaut, L.; McNitt-Gray, M.F.; Meyer, C.R.; Reeves, A.P.; Zhao, B.; Aberle, D.R.; Henschke, C.I.; Hoffman, E.A., et al. The Lung Image Database Consortium (LIDC) and Image Database Resource Initiative (IDRI): a completed reference database of lung nodule on CT scans, Med. Phys. 38, p , Bovik, A.C. Handbook of image and vídeo processing (Communications, Networking and Multimedia). 2.ed. Academic Press, Inc. Orlando, FL, USA, Carvalho Filho, A. O. de. Detecção automática de nódulos pulmonares solitários usando quality threshold clustering e mvr. Dissertação de Mestrado na área de Ciência da Computação. (Programa de Pós-Graduação em Engenharia de Eletricidade) - Universidade Federal do Maranhão, São Luís, Choi, W. J.; Choi, S.T. Automated pulmonary nodule detection based on threedimensional shape-based feature descriptor. Computer Methods and Programs in Biomedicine, p , Instituto Nacional de Câncer (INCA). O que é o câncer Disponível em: < Acesso em: 22 fevereiro Leef J. L.; Klein J.S. The solitary pulmonary nodule, in Radiol Clin North Am, 40: , 2002.

6 Moura, M. J. C; Sousa, A.D; Oliveira, I. A; Mesquita, L.N; Drumond, P. M. L. L. Segmentação Automática de Candidatos a Nódulos Pulmonares em Imagens de Tomografia Computadorizada, Campus Senador Helvídio Nunes de Barros Universidade do Piauí (UFPI), p. 1-10, Messay, T.; Hardie, R. C.; Tuinstra, T. R. Segmentation of pulmonary nodules in computed tomography using a regression neural network approach and its application to the Lung Image Database Consortium and Image Database Resource Initiative dataset, Medical Image Analysis, p.48-62, NEMA - National Eletrical Manufactures Associations. Digital Imaging and Communications in Medicine (DICOM). Disponível em < Acesso em: 22 dez Santos, A. M.; Filho, A. O. C.; 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, Engineering Applications of Artificial Intelligence 36, p , 2014.