221 SOFTWARE PARA IDENTIFICAÇÃO E CLASSIFICAÇÃO DE CÉLULAS DO ENDOTÉLIO CORNEANO DESENVOLVIDO PARA DISPOSITIVOS MÓVEIS Jean-Jacques S. De Groote - Prof. Dr. do Centro Universitário Uniseb de Ribeirão Preto. Resumo Uma linha de pesquisa que vem ganhando relevância com o avanço da tecnologia de dispositivos móveis é a visão computacional. A portabilidade de minicomputadores gera uma nova dimensão à aplicação de técnicas para a análise de imagens digitais, com potencial para auxiliar profissionais de diversas áreas. Na medicina essas técnicas são de grande utilidade como complemento ao diagnóstico médico tanto na melhora da qualidade da imagem para visualização direta quanto para extração de informações relevantes. Neste trabalho são apresentados os primeiros resultados de um software voltado para identificação de células endoteliais corneanas que pode ser executado em miniprocessadores. 1. Introdução Nos últimos anos, não apenas os computadores de mesa e laptops se tornaram mais eficientes, como houve uma evolução em pequenos dispositivos baseados em processadores capazes de executar operações sofisticadas de análise de sinais. Exemplos são celulares movidos a processadores ARM de alto desempenho, com sensores magnéticos, giroscópios, acelerômetros, áudio e vídeo. Minicomputadores como da Texas Instruments (como o Sitara ARM) são outros exemplos, que permitem conectividade com câmeras digitais e o auxílio de uma comunidade de desenvolvedores de software. Outra evolução se dá em dispositivos com menor capacidade de processamento, mas também de custo significativamente mais baixo, que permitem controle de dados digitais e analógicos, sendo utilizados em conjunto com sensores, relês e motores. São os casos de sistemas como o Arduino e o Raspberry Pie, que podem ser acessados diretamente por computadores via usb, mas também por meio remoto, com auxílio de placas ethernet. Aliando estas tecnologias
222 torna-se possível aproximar sistemas e processos obtidos em pesquisas relevantes, a sistemas mais próximos do uso prático, facilitando sua disseminação fora do meio acadêmico. Linhas de pesquisas propostas para análise e interpretação de imagens médicas podem ser baseadas nesse princípio, de modo a permitir a pesquisadores a aplicação de técnicas de programação e controle de dispositivos moveis baseados no sistema operacional Android [1] e IOS, de placas controladoras Arduino e similares, e também ao processo de controle remoto, por meio de intranet ou internet. Em termos práticos o acesso remoto ainda é limitado, mas considerando a rápida evolução tecnológica é importante o domínio dessa tecnologia por novos pesquisadores que visam tanto a pesquisa em si quanto o mercado de alta tecnologia. A aplicação desenvolvida nesse trabalho envolve o desenvolvimento de técnicas para reconhecimento automático de células do endotélio corneano [2-4]. Os algoritmos, baseados em processamento digital de imagens [5] foram elaborados e testados em Delphi, sem utilização de bibliotecas especializadas existentes na literatura. O objetivo é o controle completo das técnicas, de forma a serem adaptadas ao sistema operacional e a capacidade do processador do dispositivo móvel utilizado. No caso, a plataforma almejada é a do Android, mas poderá ser adaptada ao IOS, uma vez que os algoritmos em si são construções independentes de plataformas e linguagens computacionais. 2. Metodologia e Resultados Técnicas de processamento digital de imagens são exploradas em aplicações em diversas áreas. Em física médica são de grande importância desde a adaptação de imagens para visualização humana quanto para extração de informações relevantes. Exemplos são encontrados em radiologia [6] na identificação de tumores, na análise de manchas na pele, entre outros. Nos trabalhos discutidos nesse artigo as aplicações são focadas na análise de informações relativas a área de oftalmologia, especificamente na contagem de células do endotélio corneano. Os procedimentos utilizados são baseados em métodos de convolução por máscaras [5], aplicadas a imagens em processos morfológicos para remoção de ruído e identificação de bordas. Para extração de regiões de interesse são utilizados métodos desenvolvidos a partir do
223 watershed [7,8] e flooding [5] seletivo baseado no histograma de cada cor básica, ou seja, do vermelho, verde e azul dos elementos de imagens, os pixels. O endotélio corneano é formado uma camada unicelular de células com formato aproximadamente hexagonal com cerca de 20 mm 2 de comprimento. Sua importância se deve a propriedade de manter a transparência da córnea. A densidade celular varia ao longo da vida de uma pessoa, mas deve ter até cerca de 400 células por mm 2 para manter sua função. Suas imagens são obtidas para análise a partir de um instrumento chamado microscópio especular. O objetivo deste trabalho é reduzir as dimensões e custo destes aparelhos por meio da utilização de computadores portáteis. Para isso os algoritmos devem ser eficientes e precisos, mesmo com a redução da capacidade computacional e memória quando se considera a comparação de recursos de um computador utilizado no aparelho comparado com um processador de um dispositivo móvel. Um exemplo de imagem pode ser observado na Fig 1.a As células, como se pode observar, não possuem em geral uma borda claramente definida, dificultando o desenvolvimento de procedimentos que separem uma célula da outra. Esta separação foi obtida combinando os procedimentos de remoção de ruídos, com um algoritmo desenvolvido para ampliar localmente a separação de níveis dos tons de cinza da imagem. O resultado pode ser observado na Fig. 1b.
224 Figura 1. Imagem das células endoteliais (a) e das bordas identificadas (b). Com a segmentação da imagem torna-se possível a identificação de cada célula, com uma classificação em termos de parâmetros que são relevantes para análise médica. Entre eles estão o número de células na imagem, a densidade de células por milímetro quadrado, a área média, o desvio padrão do tamanho das células (SD). Também são importantes os índices de polimegatismo e de pleomorfismo. O primeiro refere-se a variação de tamanho das células e o segundo a forma das células, que em teoria seriam hexagonais, com seis vizinhos cada, mas na prática existe uma variação de formas. Na Fig.2 podem ser observados os parâmetros relativos a imagem da Fig.1. Figura 2. Parâmetros relativos a imagem da Fig.1 obtidos pelo software desenvolvido. Para auxiliar a análise médica também foram desenvolvidas representações gráficas com o objetivo de destacar a distribuição de tamanhos das células (Fig.3) e do número de vizinhos das células (Fig.4).
225 Figura 3. Distribuição de tamanho das células em mm 2. Figura 4. Distribuição das células com relação ao número de vizinhos. 3. Conclusão Neste trabalho, algoritmos de processamento digital de imagens foram desenvolvidos para a identificação e classificação de células endoteliais corneanas. Os algoritmos desta fase do projeto estão mostrando bons resultados na identificação, e já são capazes de classificar as células de acordo com forma e tamanho. A próxima etapa do trabalho será a conversão do algoritmo para Java [9], e seu teste em dispositivos móveis. No caso serão celulares com
226 sistema operacional Android. Os resultados serão importantes para análises in vivo, mas também é parte do objetivo da pesquisa que sejam utilizados por bancos de olhos para auxiliar a determinação da possibilidade da utilização de córneas em transplantes. 4. Notas de Referências [1] Android Developers 2012: Disponível em http://developer.android.com/tools/adk/adk2.html acessado 16/06/2014 às 21:40. [2] KWITKO, S.. Endotélio e cirurgia de catarata: grandes desafios. Revista da Sociedade Catarinense de Oftalmologia, v. 7, 2001. [3] VENTURA, L. ; DEGROOTE, Jean J. Processamento de imagens de microscopia ocular do Endotélio Corneal in vivo. In: XVII Congresso Brasileiro de Engenharia Biomédica, 2000, Florianópolis, SC. Anais do XVII Congresso Brasileiro de Engenharia Biomédica. Florianópolis, SC : SBEB, 2000. [4] ABIB FC editor. Microscopia especular de córnea: Manual e Atlas. Rio de Janeiro: Revinter-RioMed; 2000. [5] GONZALEZ, R.C; WOODS, R.E. Processamento Digital de Imagens. 3ed. São Paulo: Pearson Prentice Hall, 2010 [6] AZEVEDO-MARQUES, P. Diagnóstico auxiliado por computador na radiologia. Radiologia Brasileira, Brasil, v. 34, n. 5, p. 285-293, 2001. [7] PECCINI, G; D ORNELLAS, M. Segmentação de Imagens por Watersheds: Uma implementação usando a linguagem Java. Santa Maria: Universidade Federal de Santa Maria. 2004. [8] ROERDINK, J.B.T.M; MEIJSTER, A. The Watershed Transform: Definitions, Algorithms and Parallelization Strategies. Groningen: University of Groningen. 2000. [9] DEITEL, H.M; DEITEL P.J. Java, Como Programar. 4ºed. Porto Alegre: Bookman, 2003.