Segmentação de nódulos pulmonares através do algoritmo eCognition adaptado para dados

volumétricos

Leonardo de Oliveira Martins

lmartins@inf.puc-rio.br

Rio de Janeiro, junho/2008

Pontifícia Universidade Católica do Rio de Janeiro

Visão Computacional II

Prof. Raul Queiroz Feitosa

Roteiro Motivação Objetivos Material Ferramentas Metodologia Resultados Trabalhos futuros Referências

Motivação O câncer de pulmão é o que mais mata

em todo o mundo Existem algumas dificuldades para a

identificação de nódulos pulmonares Estruturas (tecidos) semelhantes Nódulo em sua fase inicial tem dimensões

muito pequenas Cansaço visual Qualidade da imagem

Objetivo Implementar, através da linguagem C++,

uma adaptação do algoritmo eCognition para dados volumétricos (TC)

Disponibilizar o código em C++ que realize a tarefa de segmentação das estruturas pulmonares com vistas à classificação das mesmas (detecção), levando em conta Tempo Erro de segmentação

Material Dados provenientes do setor de Cirurgia

Torácica da Faculdade de Ciências Médicas da UERJ

31 volumes adquiridos a partir de um tomógrafo Helicoidal GE pro Speed, sob as seguintes condições

Voltagem e corrente do tubo de 120kV e 100mA Tamanho da imagem de 512x512 pixels Quantização de 12 bits Formato DICOM

Cada volume possui ao menos 1 nódulo

Ferramentas Linguagem de programação C/C++

Dev-Cpp VTK (Visualization toolkit)

Leitura do arquivo em formato DICOM CImg.h

Manipulação de imagens em geral

Metodologia Para cada volume

Limitação do espaço de busca Aplicação do algoritmo de

segmentação por crescimento de região

Comparação da segmentação obtida com a segmentação realizada pelo especialista (em andamento)

Limitação do espaço de busca

Diminuir o espaço de busca do nódulo pulmonar

Pretende-se encontrar a região ocupada pelo pulmão

Envolve três processos 1 - Segmentação do tórax 2 - Segmentação do pulmão 3 – Reconstrução da área pulmonar e

eliminação de regiões indesejadas

Limitação do espaço de busca

Imagem limiarizada Preenchimento de buracos

1 - Extração do tórax: limiarização global (método de Otsu)

Limitação do espaço de busca1 – Eliminação da prancha onde o paciente repousa para fazer o exame

Imagem após erosão Imagem após dilatação

Limitação do espaço de busca

Tórax extraído

Limitação do espaço de busca

Imagem limiarizada prevalecendo baixas intensidades

2 – Nova limiarização global utlizando somente os pixels do tórax

Limitação do espaço de busca

3 – Preenchimento do pulmão para reconstrução de áreas eliminadas pela limiarização

Limitação do espaço de busca

3 – Eliminação de partes do tórax

Imagem após erosão Imagem após dilatação

Limitação do espaço de busca

3 – Reconstrução das áreas das bordas do pulmão

Imagem após operação de “fechamento”

Segmentação eCognition Segmentação baseada em crescimento de

região, voltada para objetos Cada objeto começa do tamanho de um pixel A cada passo, um objeto é escolhido e

comparado com seus vizinhos O vizinho que mais se assemelha a ele é escolhido para

a fusão Caso exista mais de um vizinho semelhante, é

escolhido o que possui menor fator de heterogeneidade O processo continua até que um número de

iterações seja atingido ou não haja mais fusões

Segmentação eCognition

Segmentação eCognition

Escolha do objeto a ser processado a cada iteração é feita através da ordem de uma matriz de dithering Evita que cada execução do

programa resulte em uma segmentação diferente, o que aconteceria em caso de escolha aleatória.

Segmentação eCognition O custo de fusão f de dois objetos é dado por

sendo wespectral um peso para o critério espectral no intervalo de 0 a 1hespectral é a heterogeneidade espectral

hforma é a heterogeneidade da forma

Haverá fusão entre os objetos se o custo de fusão for menor que um critério definido como escala

formaespectralespectral hphwf 1

Segmentação eCognition

Heterogeneidade espectral

sendo: σ o desvio padrão da resposta espectral n o tamanho do objeto é a média dos desvios padrão de uma

“amostra de nódulos” (an)

an

ObjObj

an

ObjObj

an

FusãoFusãoespectral nnnh

2

21

1

Segmentação eCognition

Heterogeneidade da forma:

sendo wforma um peso para o critério de compacidade no intervalo de 0 a 1

esféricaiaconcordâncecompacidadforma hwhwh _1

Segmentação eCognition

Compacidade

sendo n o volume do objeto a a área superficial do objeto

min

min22

min

min11

min

min

CC

CCn

CC

CCn

CC

CCnh

an

ObjObj

an

ObjObj

an

FusãoFusãoecompacidad

3 n

aC

Segmentação eCognition

Segmentação eCognition Concordância Esférica

sendo n o volume do objeto D a desproporção esférica do objeto a a área superficial R o raio estimado da esfera com o mesmo volume do

objeto

min

min22

min

min11

min

min_ DD

DDn

DD

DDn

DD

DDnh

an

ObjObj

an

ObjObj

an

FusãoFusãoesféricaiaconcordânc

2.4 Obj

ObjObj R

aD

3

4

.3

Obj

Obj

nR

Segmentação eCognition

Medida de desempenho

Erro de segmentação E = (fp+fn)/Ar

Fp – área formada pelos pixels falso positivos Fn – área formada pelos pixels falso negativos Ar – Área real do nódulo, segmentada por um

especialista

E = 0 -> segmentação

perfeita

Resultados

Testes realizados utilizando p = 6, wespectral =0.25 e wforma =0.75

Tempo médio de processamento de cada exame ficou em torno de 1 hora e meia

Melhora significativa em comparação com implementações anteriores

Resultados

Segmentação de nódulo (fatia)

•E=0.4315

Resultados

Segmentação de nódulo (fatia)

•E=0.4827

Conclusão/Trabalhos Futuros

Utilizando a metodologia proposta, a segmentação é realizada dentro de um tempo razoável para o volume de dados envolvidos

Entretanto, diversos experimentos são necessários para avaliar melhor a metodologia proposta neste trabalho

Conclusão/Trabalhos Futuros

Calcular o erro de segmentação para todos os nódulos disponíveis

Determinação dos melhores parâmetros de segmentação

Comparação com outros algoritmos Passar para a próxima etapa de

detecção (classificação das estruturas segmentadas)

Referências BAATZ, M.; SCHÄPE, A.; Multiresolution

segmentation – an optimization approach for high quality multi-scale image segmentation. In Strobl, Blaschke & Greisebener (Edts): Angewandte Geographische Informationsverarbeitung XII. Beiträge zum AGIT-Symposium Salzburg 2000. Karlsruhe. Herbert Wichmann Verlag. 2000.

JOSEPH, K. A. Comparison of Segment and Pixel Based Non-Parametric Classification of Land Cover in the Amazon Region of Brazil Using Multitemporal Landsat TM/ETM+ Imagery. Tese de mestrado. Virginia Polytechnic Institute and State University, 2005.

Referências Computer Vision - A modern approach , D.

Forsyth e J. Ponce, 2003 Algoritmos para Diagnóstico Assistido de

Nódulos Pulmonares em Imagens de Tomografia Computadorizada, Silva, Aristófanes. Tese de Doutorado, PUC-Rio, 2004

Lung Structures Classification Using 3D Geometric Measurements and SVM , Souza, J.R et al. 12th Iberoamerican Congress on Pattern Recognition – CIARP, 2007