Contagem automatizada de ovos de schistosoma mansoni para o método de kato-katz

4,170
-1

Published on

This paper aims to describe the techniques and digital image algorithms in de
veloping a tool able to count Schistosoma mansoni eggs for the Kato-Kats method.

Published in: Health & Medicine
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
4,170
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
23
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Contagem automatizada de ovos de schistosoma mansoni para o método de kato-katz

  1. 1. Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Ciências da Computação ANDRÉ PONTES MELO MONOGRAFIA DE PROJETO ORIENTADO EM COMPUTAÇÃO II CONTAGEM AUTOMATIZADA DE OVOS DE SCHISTOSOMA MANSONI PARA O MÉTODO DE KATO-KATZ Belo Horizonte MG 2010 / 2o semestre
  2. 2. Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Ciências da Computação CONTAGEM AUTOMATIZADA DE OVOS DE Schistosoma mansoni PARA O MÉTODO DE KATO-KATZ por ANDRÉ PONTES MELO Monograa de Projeto Orientado em Computação II Apresentado como requisito da disciplina de Pro jeto Orientado em Computação II do Curso de Bacharelado em Ciência da Computação da UFMG Prof. Dr. Clarindo Isaías P. S. Pádua Orientador David Menotti Belo Horizonte MG 2010 / 2o semestre
  3. 3. Resumo O presente trabalho descreve as técnicas e algoritmos de processamento digital de ima- gens utilizadas na elaboração de uma ferramenta que automatiza a contagem de ovos de Schistosoma mansoni para o método laboratorial Kato-Kats. Palavras-chave: Schistosoma, Kato-kats.
  4. 4. Abstract This paper aims to describe the techniques and digital image algorithms in de- veloping a tool able to count Schistosoma mansoni eggs for the Kato-Kats method. Keywords: Schistosoma, Kato-kats.
  5. 5. Lista de Figuras 1.1 Duas imagens obtidas através do método de Kato-katz. Acima, é mostrado um ovo de Schistosoma mansoni. Abaixo, é mostrado um bloco de amido. 4 3.1 Diagrama de atividades top-down típico para reconhecimento em proces- samento digital de imagens. . . . . . . . . . . . . . . . . . . . . . . . . . . 8 3.2 Diagrama de atividades da ferramenta desenvolvida. . . . . . . . . . . . . . 8 3.3 Conjunto de imagens de microscopia através do método Kato-kats. . . . . . 9 3.4 Grupo 2 da segmenação por K-means para k = 3. . . . . . . . . . . . . . . 10 3.5 Limiariação da escala de cinza . . . . . . . . . . . . . . . . . . . . . . . . . 11 3.6 Limiariação do histograma azul . . . . . . . . . . . . . . . . . . . . . . . . 12 3.7 Limiarização escala-de-cinza interseção limiarização azul . . . . . . . . . . 13 3.8 Limiariação da escala de cinza . . . . . . . . . . . . . . . . . . . . . . . . . 14 4.1 Resultado da contagem dos ovos . . . . . . . . . . . . . . . . . . . . . . . . 15 1
  6. 6. LISTA DE SIGLAS OMS Organização Mundial da Saúde 2
  7. 7. SUMÁRIO 1 INTRODUÇÃO 4 1.1 Visão geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2 Objetivo, justicativa e motivação . . . . . . . . . . . . . . . . . . . . . . . 5 2 REFERENCIAL TEÓRICO 6 3 METODOLOGIA 7 3.1 Tipo de pesquisa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 3.2 Procedimentos metodológicos . . . . . . . . . . . . . . . . . . . . . . . . . 7 3.2.1 KMEANS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 3.2.2 Limiarização do histograma da escala-de-cinza . . . . . . . . . . . . 10 3.2.3 Limiarização do histograma azul . . . . . . . . . . . . . . . . . . . . 11 3.2.4 Limiarização escala-de-cinza interseção limiarização azul . . . . . . 12 3.2.5 Segmentação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 4 RESULTADOS 15 5 CONCLUSÕES E TRABALHOS FUTUROS 16 BIBLIOGRAFIA CITADA 17 3
  8. 8. Capítulo 1 INTRODUÇÃO 1.1 Visão geral O surgimento da técnica de Kato-Katz revolucionou o diagnóstico de esquistos- somose. Dentre suas vantagens em comparação com o método previamente usado, está o baixo custo aliado com alta precisão dos resultados. Por estes motivos, este método se tornou o padrão utilizado em laboratórios e geralmente é ensinado nas universidades da área de saúde. O método é simples e é fácil encontrar kits para a venda que permi- tem sua execução. Este método é o padrão recomendado pela Organização Mundial da Saúde (OMS) uma vez que, além de indicar a existência dos ovos, indica a carga parasi- tária. Por isto, é também chamado de método quantitativo. Para que a carga parasitária seja encontrada, o prossional deve contar o número de ovos presente nas lâminas da coleta. Este processo pode demandar tempo uma vez que é necessário diferenciar os ovos de Schistosoma mansoni de outros corpos cuja forma é semelhante, como, por exemplo, blocos de amido. Figura 1.1: Duas imagens obtidas através do método de Kato-katz. Acima, é mostrado um ovo de Schistosoma mansoni. Abaixo, é mostrado um bloco de amido. Como se pode ver na gura 1.1, apenas a cor não é o suciente para esta dis- 4
  9. 9. tinção. Assim, o prossional realiza a identicação através de características intrínsecas como: forma ovalada, textura e coloração interna e presença de miracídio. Este trabalho é ainda mais custoso uma vez que o prossional deve percorrer toda a lâmina (vertical e horizontalmente) a m de realizar a contagem. A automatização desta tarefa é um desa- o computacional que pode facilitar esta fase do método ou ser um auxílio à contagem. Substituir a presença de um olhar prossional para distinção dos ovos depende do grau de precisão alcançado com este trabalho. A principal motivação está relacionada com a padronização do método. Caso fosse executado por aparelhagens diferentes, imagens de colorações e texturas distintas poderiam não funcionar em um único algoritmo. No en- tanto, o algoritmo desenvolvido aqui deve achar uma solução genérica para os laboratórios que utilizam a padronização do método Kato-Katz. 1.2 Objetivo, justicativa e motivação Este trabalho propõe o desenvolvimento de um aplicativo em que seja possível combinar técnicas de processamento digital de imagens ao método Kato-Katz utilizado em laboratórios para contagem de ovos de Schistosoma mansoni em fezes humanas. O método Kato-Katz foi escolhido como alvo neste trabalho por ser predominan- temente utilizado em laboratórios no diagnóstico de helmintíases intestinais. A sua larga utilização está relacionada com a precisão do resultado aliado ao baixo custo de operaci- onalização. No entanto, este ainda requer contagem manual de ovos para que se chegue ao diagnóstico. O resultado do exame indica a carga parasitária do paciente. O objetivo então é estudar algoritmos capazes de automatizar a contagem de ovos em fotograas resultado da microscopia ótica através deste método. A parte computaci- onal do trabalho se restringe no algoritmo de segmentação dos ovos nas guras para que a contagem seja automatizada. Uma base de imagens com e sem ovos será utilizada para avaliar a qualidade do método proposto. Espera-se que o método de Kato-Katz ganhe uma ferramenta em que inquéritos epidemiológicos sejam mais rapidamente realizados. 5
  10. 10. Capítulo 2 REFERENCIAL TEÓRICO Este trabalho tem como embasamento trabalhos das áreas de biologia e compu- tação, sendo que a primeira é responsável por informações sobre o método Kato-Katz e a segunda corresponde aos algoritmos e técnicas já existentes para a contagem automatizada dos ovos de Schistosoma mansoni. Técnicas sosticadas de segmentação(1) tais como kmeans foram inicialmente tes- tadas (seção 3.2.1). No entanto, o resultado não foi satisfatório. A referência que norteou as ténicas utilizadas aqui advém de artigos cujo propósito é a segmentação de imagens da mesma natureza do presente estudo(2). A segmentação de imagens resultadas de mi- croscopia óptica tem resultados satisfatórios através de técnicas simples de processamento digital de imagens. Apesar de o trabalho citado ter células de natureza diferente à este, uma variação das técnicas utilizadas apresentaram resultado signicativo. Desta forma, os mesmos algoritmos foram recombinados de forma à maximizar a taxa de acerto. A motivação de automatizar esta técnica está no fato das imagens obtidas em vários laboratórios apresentarem o mesmo padrão de escala, iluminação e resolução. Sem que estes atributos fossem constantes, a variação de uma base de dados obtidas em de um laboratório para o outro desclassicaria a utilização do presente trabalho em larga escala. 6
  11. 11. Capítulo 3 METODOLOGIA 3.1 Tipo de pesquisa Pode-se enquadrar esta pesquisa como sendo tecnológica experimental explora- tória. A natureza é de pesquisa aplicada ou tecnológica uma vez que não objetiva-se o desenvolvimento de um processo ou algoritmo completamente novo. Espera-se obter um novo software fruto da combinação de técnicas já existentes. O procedimento desta pesquisa tem caráter experimental. Inicialmente será ob- tida uma base de dados el ao propósito do estudo, ou seja, imagens tiradas por la- boratórios de exames que já são realizados através do método de Kato-Katz. Imagens com e sem ovos serão úteis para inicialmente sugerir os algoritmos que serão utilizados, e posteriormente, validar a solução proposta. O conjunto de técnicas que serão utilizadas será descoberto durante o trabalho, mas é previsto testes envolvendo técnicas simples de processamento digital de imagens, como abertura e fechamento, transformadas de Fourier e análise dos histogramas das imagens. Além disto, serão estudados softwares que analisam imagens da mesma natureza da base de dados deste trabalho. O resultado da pesquisa é, então, uma nova técnica que objetiva melhorar o exame em questão por diminuir a quantidade de erros. A validação da ecácia da técnica proposta é necessária para validação do trabalho. No entanto, a bibliograa relacionada ao método laboratorial escolhido não enfoca a capacidade de um prossional da área reconhecer e realizar a contagem das células. Ao invés disto, os trabalhos discutem a qualidade do resultado dado que todas as células foram contadas corretamente. Não foram encontrados artigos em que este processo é automatizado, e portanto, não foram encontrados parâmetros para comparação. Esta discussão é feita no capítulo 2. 3.2 Procedimentos metodológicos A metodologia foi escolhida através da recombinação de técnicas já existentes para a base de dados fornecida. A sequência típica de reconhecimento de padrão (gura 3.2) compreende em pré-processar a imagem com o objetivo de facilitar e aumentar o 7
  12. 12. acerto das etapas seguintes, compreendidas pela segmentação e reconhecimento. Para este trabalho foi adotado de início o algorítmo de wathershed. Este funciona separando a imagem em regiões cuja coloração é semelhante. Esta técnica não funciona para o objetivo deste trabalho. Conclui-se então que o reconhecimento de ovos não se dá pela aproximação de pontos com coloração próxima. Figura 3.1: Diagrama de atividades top-down típico para reconhecimento em processa- mento digital de imagens. A técnica utilizada com sucesso foi a mesma usada para segmentação de micros- copia de bactérias(2). Esta se utiliza de um conjunto de algoritmos simples, calibrados para a base de imagem em questão. As etapas compreendem limiarizaçao dos canais de histograma combinadas com a técnica de abertura e fechamento. Neste trabalho diversas combinações destas técnicas foram testadas para se chegar na melhor conguração para a base de dados fornecida. Esta seção mostra, o resultado obtido em cada passo e os resultados que motivaram a escolha de uma técnica em detrimento de outra. A gura 3.2 mostra a sequência de algoritmos aplicados para compor a ferramenta de contagem automatizada dos ovos de Schistosoma mansoni Figura 3.2: Diagrama de atividades da ferramenta desenvolvida. A técnica utilizada consiste inicialmente em identicar os pixels que correspondem aos ovos. Como esta técnica resulta em pixels falso-positivo e pixels falso-negativos, é realizado o par abertura-fechamento para reduzir os erros. Enm, uma janela cujo tamanho é aproximadamente a área dos ovos de Schistosoma mansoni percorrida na imagens. As regiões que possuem contagem de pixels selecionados maior que um limiar são identicadas como área com ovo. Regiões próximas identicadas desta forma são 8
  13. 13. agrupadas e então a quantidade de regiões é contada como sendo o número de ovos encontrados. Após análise de histogramas das imagens pode-se concluir que apenas uma limi- arização não é suciente para identicação dos píxels que contem os ovos. A limiarização do histograma RGB (seção 3.2.2) consegue identicar os ovos, mas erra por selecionar pixels sem ovos. O mesmo ocorre para a limiarização do canal azul (secão 3.2.3). Como as regiões segmentadas por estas técnicas resultam são distintas, uma nova abordagem se mostrou ecaz, selecionado apenas a interseção entre as duas técnicas (seção 3.2.4). Após esta fase, a abertura (seção 3.2.5) se mostrou ecaz ao eliminar pontos isolados que correspondiam a falso-positivos. Já o fechamento ajuda ao passo da segmentação por selecionar os pixels da proximidade das regiões em que existem pixels selecionados pelos métodos anteriores. Os resultados estão na seção 5. Figura 3.3: Conjunto de imagens de microscopia através do método Kato-kats. 3.2.1 KMEANS O método de kmeans é frequentemente(1) utilizado em processamento digital de imagens para segmentação. Este gera k grupos de segmentação agrupando pixels de coloração semelhante. Ao aplicar o algoritmo na base de dados fornecida, observou-se 9
  14. 14. melhor segmentação dos ovos para k = 3. No entanto, este método intrinsecamente sempre delimita áreas segmentadas, mesmo quando a imagem não possui ovos. Desta forma, este é um método que pode ser integrado à ferramenta como técnica adicional para eliminar falso-positivos. Figura 3.4: Grupo 2 da segmenação por K-means para k = 3. 3.2.2 Limiarização do histograma da escala-de-cinza O algoritmo mais simples da área de processamento digital de imagens é larga- mente utilizado no pré-processamento nas imagens. O objetivo é previamente remover informação das guras, objetivando redução da complexidade dos algoritmos consequente. No escopo aqui empregado, esta técnica compõe a segmentação por tentar selecionar os pi- xels correspondentes aos ovos de Schistossoma mansoni. A gura 3.5 mostra em vermelho os pontos selecionados por esta técnica. Para que esta imagem fosse obtida, foi escolhido um valor limiar de forma que todos os ovos fossem pertencessem aos pontos selecionados. Pode-se observar que a maioria dos pontos das imagens foram selecionados, e assim esta técnica isolada não confere a distinção dos ovos. No entanto, estes pontos selecionados fazem parte do algoritmo desenvolvido. Mais especicamente, é obtido a interseção (seção 3.2.4) destes pontos com a limiarização do histograma azul (seção 3.2.3). 10
  15. 15. Figura 3.5: Limiariação da escala de cinza 3.2.3 Limiarização do histograma azul As limiarizações independentes das imagens da base foram realizadas e observadas de forma que, especicamente, este canal conseguiu melhor1 distinção dos pontos de ovos. No entanto, comparando as duas liarizações lado a lado (g. 3.5 e g. 3.6), pode- se observar que a primeira engloba todos os pontos dos ovos e a segunda apresenta um resultado visual que facilita a identicação destes. No entanto, esta última realça algumas formas circulares que não são ovos (falso-positivos). Esta observação induziu à interseção (seção 3.2.4) destas duas imagens, de forma que os falso positivos da limiarização do canal azul seja eliminado pela limiarização da média dos canais. 1 Este trabalho se baseia em um conjunto de técnicas testadas empiricamente. Podem existir melhores técnicas de segmentação para a base de imagens deste trabalho. 11
  16. 16. Figura 3.6: Limiariação do histograma azul 3.2.4 Limiarização escala-de-cinza interseção limiarização azul Os pontos selecionados na gura 3.7 localiza os ovos de Schistosoma mansoni nas imagens. No entanto, para que o algoritmo indique precisamente a quantidade e a posição dos ovos, mais técnicas são necessárias. Uma nova limiarização é aplicada no resultado apresentado aqui de forma que as regiões cuja soma de pontos selecionados ultrapasse um determinado valor indique a presença de ovo no local. No entanto, esta taxa pode ser melhorada com as seguintes técnicas de abertura e fechamento. O objetivo é eliminar os pontos selecionados que não correspondem aos ovos e seleção de mais pontos de interesse. A abertura é responsável pelo primeiro processo, e elimina pontos isolados selecionados. Já o segundo preenche a seleção de pontos cuja distância é menor que um limiar. 12
  17. 17. Figura 3.7: Limiarização escala-de-cinza interseção limiarização azul 3.2.5 Segmentação A abertura e fechamento correspondem às últimas técnicas aplicadas às imagens de consulta antes da segmentação dos ovos. Ao comparar a gura 3.8 com a anterior (g. 3.7), observa-se uma limpeza dos pontos selecionados, isto é, pontos muitos dos pontos isolados que não correspondem à ovos foram retirados da seleção. A contagem dos ovos é a última técnica utilizada, e o objetivo é indicar a quantidade e posição dos ovos de Schistosoma mansoni na gura. Para que isto seja possível, uma janela, cujas dimensões são próximas à área de um ovo, percorre a imagem contabilizando os pontos selecionados. Caso o resultado seja maior que um determinado limiar, a área selecionada indica ocorrência de ovo. 13
  18. 18. Figura 3.8: Limiariação da escala de cinza 14
  19. 19. Capítulo 4 RESULTADOS A partir deste trabalho foi possível gerar uma ferramenta de segmentação que automatize o processo de contagem de ovos de Schistosoma mansoni, reduzindo ainda mais os custos de exames laboratoriais para detecção de esquitossomose. Figura 4.1: Resultado da contagem dos ovos A gura 4.1 indica as janelas cuja quantidade de pontos selecionados foi maior que um determinado limiar. Das 12 imagens da base de dados, podem-se observar apenas dois erros, o que confere à técnica criada uma taxa de 83%. 15
  20. 20. Capítulo 5 CONCLUSÕES E TRABALHOS FUTUROS O algoritmo desenvolvido se mostrou ecaz para a contagem de ovos em um conjunto pequeno de imagens. A base de dados utilizada é restrita a no máximo um ovo por gura. Apesar de conseguir distinguir fotos com e sem ovos, não é possível saber se o método desenvolvido funciona para imagens de pacientes com alto índice de infecção. Nestes casos, é esperado que a ferramenta responda um índice de infecção inferior ao correto uma vez que ovos próximos podem ser erroneamente agrupados e identicados como apenas um. Um próximo passo para o presente trabalho seria levar outros fatores em consideração para se realizar esta distinção. Aspectos como tamanho, a forma ovalada e a na membrana dos ovos são informações que poderiam nortear esta pesquisa. Propõe-se como trabalho futuro um conjunto adicional de algoritmos que consiga realizar a contagem de ovos nos grupos já identicados neste trabalho. Além disto, novas técnicas de processamento digital de imagens devem ser testadas a m de resolver os casos em que o presente método resultou em falso-positivo. Para que seja utilizado em laboratórios este trabalho deve ser submetido à um teste envolvendo uma maior base de imagens. A comparação da ecácia da técnica com a contagem manual dos ovos, realizada em laboratórios, não pode ser feita uma vez que a literatura apenas compara o método laboratorial de kato-katz com outros métodos, sendo subentendido que o diagnóstico é feito de forma correta, ou seja, que o prossional humano seja capaz de distinguir e segmentar os ovos corretamente. Apesar de não ser completamente conável, a ferramenta em seu atual estágio aqui desenvolvida pode ser utilizada para uma categorização inicial de imagens, anteci- pando um trabalho de contagem manual, o que reduziria o tempo de execução de grandes lotes de exames laboratoriais. 16
  21. 21. BIBLIOGRAFIA CITADA 1 LUCCHESE, L.; MITRA, S. K. Color image segmentation: A state-of-art survey. Proc. Indian Nat. Sci. Acad. (INSA-A), v. 67-A, 2001. 2 DEMANTOVA, P. et al. Segmentacao automática de bactérias para o método deft. II Latin American Congress on Biomedical Engineering, Havana, Cuba, 2001. 3 CHEMOTHERAPY of Bilharzias. Geneva: [s.n.], 1964. 4 CHAVES, A. et al. Estudo comparativo dos métodos coprológicos de Lutz, Kato-Katz e Faust modicado. Geneva: scielosp, 1979. 5 JUNG, C. F. Metodologia para pesquisa desenvolvimento: aplicada a novas tecnologias, produtos e processos. Rio de Janeiro/RJ: Axcel Books do Brasil Editora, 2004. 17

×