Leonardo de Oliveira Martins lmartins@inf.puc-rio.br Rio de Janeiro, junho/2008

1. Pontifícia Universidade Católica do Rio de Janeiro Visão Computacional II Prof. Raul Queiroz Feitosa 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

2. Roteiro • Motivação • Objetivos • Material • Ferramentas • Metodologia • Resultados • Trabalhos futuros • Referências

3. 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

4. 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

5. 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

6. Ferramentas • Linguagem de programação C/C++ • Dev-Cpp • VTK (Visualization toolkit) • Leitura do arquivo em formato DICOM • CImg.h • Manipulação de imagens em geral

7. 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)

8. 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

9. Limitação do espaço de busca 1 - Extração do tórax: limiarização global (método de Otsu) Preenchimento de buracos Imagem limiarizada

10. Limitação do espaço de busca 1 – Eliminação da prancha onde o paciente repousa para fazer o exame Imagem após erosão Imagem após dilatação

11. Limitação do espaço de busca Tórax extraído

12. Limitação do espaço de busca 2 – Nova limiarização global utlizando somente os pixels do tórax Imagem limiarizada prevalecendo baixas intensidades

13. Limitação do espaço de busca 3 – Preenchimento do pulmão para reconstrução de áreas eliminadas pela limiarização

14. Limitação do espaço de busca 3 – Eliminação de partes do tórax Imagem após erosão Imagem após dilatação

15. Limitação do espaço de busca 3 – Reconstrução das áreas das bordas do pulmão Imagem após operação de “fechamento”

16. 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

17. Segmentação eCognition

18. 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.

19. 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 1 hespectral 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

20. 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)

21. Segmentação eCognition • Heterogeneidade da forma: • sendo wforma um peso para o critério de compacidade no intervalo de 0 a 1

22. Segmentação eCognition • Compacidade sendo • n o volume do objeto • a a área superficial do objeto

23. Segmentação eCognition

24. 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

25. Segmentação eCognition

26. 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

27. 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

28. Resultados • Segmentação de nódulo (fatia) • E=0.4315

29. Resultados • Segmentação de nódulo (fatia) • E=0.4827

30. 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

31. 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)

32. 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.

33. 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