Minicurso Ercemapi 2011

1,021 views

Published on

Minicurso apresentado no dia 08 de novembro de 2011, na quinta edição da Ercemapi, junto com o Prof. Rodrigo Veras.

Published in: Education
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
1,021
On SlideShare
0
From Embeds
0
Number of Embeds
4
Actions
Shares
0
Downloads
23
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Minicurso Ercemapi 2011

  1. 1. Técnicas de Processamento de Imagens em Diagnóstico Auxiliado por ComputadorRodrigo M. S. Veras1, Iális C. Paula Jr.2 e Fátima N. S. Medeiros2 Universidade Federal do Piauí (UFPI)1 Universidade Federal do Ceará (UFC)2
  2. 2. Roteiro• Introdução• Diagnóstico Auxiliado por Computador• Conhecimentos Envolvidos – Processamento Digital de Imagens – Reconhecimento de Padrões• Aplicações – Identificação de Estruturas da Retina – Análise de Postura• Conclusão
  3. 3. Introdução
  4. 4. Introdução• Conceito de CAD: – Diagnóstico feito por especialista que utiliza a saída de uma análise computadorizada de imagens como “segunda opinião no processo de detecção de lesões e tomadas de decisões diagnósticas.
  5. 5. Introdução• Importância dos Sistemas CAD – Os sistemas CAD ajudam a equipe médica na interpretação de imagens médicas e, consequentemente, proporcionam um “pré- diagnóstico”. – Eles são de grande ajuda pois aliviam em muito as limitações do olho e do cérebro humano como fadiga e distração, respectivamente.
  6. 6. Diagnóstico Auxiliado porComputador
  7. 7. Auxílio à Detecção• Localização de regiões suspeitas;• A classificação da lesão é feita exclusivamente pelo especialista;• Principais aplicações: – Imagens radiológicas de tórax e mama
  8. 8. Auxílio ao Diagnóstico• Classificação dos achados; – Extração de informações pelo computador; • Objetiva e de fácil reprodução. – Extração de informações pelo especialista; • Experiência e subjetividade.• Exemplo: – Câncer: diferenciar tumores malignos e benignos
  9. 9. Principais Áreas de Atuação
  10. 10. Mamografia• Detecção de agrupamentos de calcificações;• Detecção de nódulos;• Medidas de densidade• Detecção de assimetrias;• Caracterização de lesões mamográficas.
  11. 11. Radiografia de Tórax• Detecção de nódulos pulmonares;• Diagnóstico diferencial de lesões intersticiais;• Detecção de anormalidades (pneumotórax, tamanho do coração, assimetrias, outras).
  12. 12. Angiografia• Detecção e avaliação de aneurismas;• Detecção e avaliação de estenoses;• Quantificação de fluxos.
  13. 13. Neurologia• Morfometria de estruturas cerebrais;• Fusão de imagens multimodais;• Avaliação de assimetrias.
  14. 14. Estratégias dos Sistemas CAD
  15. 15. Estratégias dos Sistemas CAD• Análise comparativa de imagens do mesmo paciente, obtidas pelo mesmo equipamento, com os mesmos parâmetros de escaneamento, mas em diferentes instantes de tempo.
  16. 16. Estratégias dos Sistemas CAD• Análise comparativa de imagens do mesmo paciente, obtidas pelo mesmo equipamento, no mesmo instante, mas com parâmetros de escaneamento diferentes. – Este tipo de análise é denominado análise multi-espectral.
  17. 17. Estratégias dos Sistemas CAD• Análise comparativa de imagens do mesmo paciente, mas obtidas através de diferentes tecnologias de escaneamento, tais como: – tomografia computadorizada; – ressonância magnética; – PET e SPECT.
  18. 18. Estratégias dos Sistemas CAD• Análise comparativa da imagem do paciente com um padrão obtido de pessoas saudáveis, denominado atlas anatômico. – Na prática, esta técnica não mostrou muita eficiência dado sua complexidade e dificuldade de estabelecer um padrão anatômico.
  19. 19. Estratégias dos Sistemas CAD• Comparação de duas imagens do mesmo paciente, mas obtida em diferentes partes do corpo. – Essa a metodologia desenvolvida para detecção de nódulos em mamogramas, por exemplo. – Se baseia na simetria de arquitetura entre as mamas esquerda e direita, com as assimetrias indicando possíveis nódulos
  20. 20. Conhecimentos Envolvidos
  21. 21. Processamento de Imagens• Responsável pela extração dos atributos (características) das imagens;• Principais tarefas: – Pré-processamento; – Segmentação; – Quantificação de atributos.
  22. 22. Reconhecimento de Padrões• Responsável pela classificação de padrões – Seleção de atributos; – Classificação (padrões normais e anormais); – Principais técnicas: • distribuições de probabilidade de classe; • análise de discriminante; • métodos estatísticos; • redes neurais.
  23. 23. Processamento de Imagens
  24. 24. Comparativo Imagem Imagem Processamento de Imagens DadoComputação Gráfica Visão Computacional
  25. 25. Definição de uma Imagem
  26. 26. Definição de uma Imagem
  27. 27. Negativo de uma Imagem• Realce com processamento ponto-a-ponto• Reverter a ordem do preto para o branco – Intensidade da imagem de saída diminui – Intensidade da entrada aumenta
  28. 28. Negativo de uma Imagems = T(r)Claro T(r)Escuro Imagem Original r Escuro Claro Função de Transformação s=L–1–r Imagem Processada
  29. 29. Ruído em ImagensImagem Original Imagem Ruidosa Imagem Ruidosa “Sal e Pimenta” Speckle
  30. 30. Ruído em ImagensImagem Original Imagem Ruidosa Imagem Ruidosa “Sal e Pimenta” Speckle
  31. 31. Detectores de Bordas (Gradiente – Passa-Alta)Imagem Original Filtro de Prewitt Filtro de Sobel Filtro de Roberts
  32. 32. Definição de Gradiente (a) (b) s = [1 2 1; 0 0 0; -1 -2 -1]; A = zeros(10);Figura – (a) Imagem original; (b) Imagem A(3:7,3:7) = ones(5);após aplicação do filtro de Sobel. H = conv2(A,s); mesh(H)
  33. 33. Filtro de Suavização (passa-baixa)• São úteis para redução de ruído e borramento de imagens – Detalhes são perdidos • O tamanho da máscara (ou seja, vizinhança) determina o grau de suavização e perda de detalhes. – Os elementos da máscara devem ser números positivos – Exemplo: Média Local – R = 1/9 (1z1 + 1z2 + ... +1z9) normalizado: dividido por 9
  34. 34. Filtro por mediana (não-linear)• Substitua f(x,y) pela mediana [f(x’,y’)] onde (x’,y’) pertence a vizinhança• Muito efetivo na remoção do ruído com componentes do tipo espigada (“spike”, ocorrências aleatórias de valores brancos e pretos)• Preserva melhor as bordas• Exemplo: 10 20 20 Ordenar 20 15 20 (10,15,20,20,20,20,20,25,100) 25 20 100 – Mediana = 20, então substitua (15) por (20)
  35. 35. Filtragem da MedianaImagem Ruidosa Filtragem com Janela 3x3 “Sal e Pimenta” Filtragem com Janela 5x5 Filtragem com Janela 7x7
  36. 36. Equalização de Histograma• O histograma de uma imagem corresponde a uma estimativa da probabilidade de ocorrência dos seus níveis de cinza.• A equalização produz uma imagem cujos níveis de cinza possuem uma densidade uniforme.
  37. 37. Limiarização• Comprime a faixa de nível de cinza de pouco interesse – Inclinação da linha entre [0,1]• Alargamento da faixa de nível de cinza de maior interesse – Inclinação da linha monotonicamente crescente– r1 = r2– s1 = 0 e s2 = L – 1
  38. 38. Limiarizaçãos = T(r)Claro T(r) Imagem OriginalEscuro r Escuro Claro Função de Transformação Imagem Processada
  39. 39. LimiarizaçãoImagem Original Limiar de 130 Limiar de 140 Limiar de 150
  40. 40. Segmentação• O processo de segmentação visa à separação dos pixels pertencentes a cada objeto presente na imagem: – separação de regiões de interesse.
  41. 41. Processamento de Imagens em Pseudo-Cores• Abordagens para atribuição de cores para imagens monocromáticas: – Fatiamento por intensidades; – Níveis de Cinza para Transformação de Cores; – Filtragem.
  42. 42. Processamento de Imagens em Pseudo-Cores (a) (b)Figura – (a) Imagem monocromática do Fantasma de tireóide de Picker. (b) Fatiamento de intensidades da imagem em 8 (oito) intervalos de intensidades.
  43. 43. Processamento de Imagens em Pseudo-Cores (a)(b) (c)(d)Figura – (a) Imagem em nível de cinza em que a intensidade corresponde Ao índice pluviométrico mensal médio. (b) Cores correspondentes aos Valores de intensidade. (c) Imagem codificada em cores. (d) Zoom da região da América do Sul.
  44. 44. Representação de Formas
  45. 45. Representação de Formas
  46. 46. Descrição de Formas
  47. 47. Reconhecimento de Padrões
  48. 48. O que é inteligência?• Resolver um problema específico com exatidão?• Resolver problemas genéricos de modo aproximado?• Ter conhecimento enciclopédico?• Tocar um instrumento?• Falar outras línguas?
  49. 49. Inteligência e o RP• Seres vivos são bastante habilidosos em reconhecer padrões: – Comportamentais: fulano se comporta sempre assim! – Sonoros: Este barulho não é normal! – Táteis: Este tecido é parecido, mas a textura é diferente! – Visuais: Parece que vai chover hoje! – Olfativos: Você trocou de perfume? – Lógico-Matemáticos :“Uma Mente Brilhante”
  50. 50. Inteligência e o RP• Reconhecer padrões equivale a classificar determinado objeto físico ou situação como pertencente ou não a um certo número de categorias previamente estabelecidas.
  51. 51. Reconhecimento de Padrões Conhecimento Cibernética Pericial Ciência da Computação Reconhecimento de Padrões Processamento Inteligência de Sinais Artificial Estatística
  52. 52. Conceito Intuitivo de RP• Dados os grupos abaixo:• O objeto abaixo pertence a qual dos grupos?
  53. 53. Conceito Intuitivo de RP• Dados os grupos abaixo:• O objeto abaixo pertence a qual dos grupos?
  54. 54. Conceito Intuitivo de RP• Dados os grupos abaixo:• O objeto abaixo pertence a qual dos grupos?
  55. 55. Conceito Intuitivo de RP• Dados os grupos abaixo:• O objeto abaixo pertence a qual dos grupos?
  56. 56. Um Computador Pode Reconhecer Padrões?• Certamente, a sua decisão é tomada com base no grau de similaridade entre a fruta desconhecida e as frutas conhecidas. – Que mecanismo seu cérebro usa para realizar esta tarefa? – Será que implementa uma comparação entre o objeto novo e objetos armazenados?• Pode-se “replicar” este mecanismo em uma máquina?
  57. 57. Um Computador Pode Reconhecer Padrões?• Para comparar objetos precisamos de: – Uma representação do atributos físicos das frutas; – Um aprendizado: • aprender o conceito laranja/maçã; – Uma memória para armazenar as frutas aprendidas; – Uma regra de decisão para classificar a nova fruta;
  58. 58. Definição Formal de RP• Para definir um problema de RP, precisamos: – Um número finito de K classes: C_1, C_2, ..., C_K; – Um número finito de N_i objetos por classe C_i; – Um número finito de n atributos (features) para representar numericamente cada objeto físico; – Mecanismos de memória e/ou aprendizado; – Uma regra de decisão para classificar novos objetos; – Critérios de avaliação do classificador.
  59. 59. Representação dos Atributos• Quais atributos que descrevem uma tangerina? – Formato? – Fruta cítrica? – Cor? – Casca lisa ou rugosa? – Cheiro ativo?
  60. 60. Representação dos Atributos• O computador só entende números!• Como transformar os atributos em números? – Basta representar cada objeto como um vetor de atributos: – X = [X1;X2; ...;Xn]
  61. 61. Vetor de Atributos• X1: {esférico, oval, alongado} = {0, 1, 2}• X2: {não, sim} = {0, 1}• X3: {amarelo, vermelho, alaranjado, verde} = {1, 2, 3, 4}• X4: {lisa, rugosa} = {0, 1}• X5: {não, sim} = {0, 1}
  62. 62. Vetor de Atributos• Dessa forma, teríamos as seguintes representações? – Objeto Laranja: X = [0 1 2 1 0] – Objeto Maçã: Y = [0 0 1 0 0] – Objeto Tangerina: Z = [0 1 2 1 1] – O vetor Z é mais parecido com o vetor X ou com o vetor Y?
  63. 63. Distância entre Vetores• Calcular quão “parecidos” são dois vetores equivale a calcular a distância entre eles;• Exemplo: – Distância Euclidiana: De ( X , Y ) = ( X 1 − Y1 ) 2 + ( X 2 − Y2 ) + ... + ( X n − Yn ) 2 2
  64. 64. Distância entre Vetores• Calculando as distâncias: – Objeto Laranja: X = [0 1 2 1 0] – Objeto Maçã: Y = [0 0 1 0 0] – Objeto Tangerina: Z = [0 1 2 1 1]De ( X , Z ) = ( 0 − 0) 2 + (1 − 1) 2 + ( 2 − 2) 2 + (1 − 1) 2 + ( 0 − 1) 2 =1De (Y , Z ) = ( 0 − 0) 2 + ( 0 − 1) + (1 − 2 ) + ( 0 − 1) + ( 0 − 1) = 2 2 2 2 2 Assim, concluímos que uma Tangerina é mais parecida com uma laranja do que com uma maçã
  65. 65. Principais Classificadores• K-Nearest Neighbor (KNN): K vizinhos mais próximos;• DMC: Distância mínima ao centróide;• Árvores de Decisão;• Algoritmos de Agrupamento: K-médias e SOM;• Redes Neurais Artificiais;• SVM: Máquinas de Vetores de Suporte;• Comitê de Classificadores;
  66. 66. Aplicação de Sistemas CADem Doenças Oculares
  67. 67. Estrutura Externa do Olho Humano
  68. 68. Secção do Olho Humano
  69. 69. A Retina• A retina constitui a membrana mais interna do olho, situando-se na parede posterior do olho; – Quando o olho focaliza uma cena, a imagem correspondente é projetada sobre a retina;• Imagens digitais de retina, podem prover informações sobre mudanças patológicas causadas por doenças oculares locais e sinais recentes de doenças sistemáticas como: – Hipertensão; – Arterioesclerose; – Diabetes Mellitus.
  70. 70. A Retina
  71. 71. Doenças na Retina• Retinopatia Diabética• Glaucoma• Edema Macular
  72. 72. Retinopatia Diabética• Um material anormal é depositado nas paredes dos vasos sanguíneos da retina;• Causa um estreitamento e/ou bloqueio do vaso sanguíneo;• Causa o enfraquecimento da parede dos vasos;• Ocasiona deformidades conhecidas como microaneurismas
  73. 73. Retinopatia Diabética• Estes microaneurismas frequentemente rompem ou extravasam sangue: – Hemorragia; – Infiltração de gordura na retina.• Pode levar a uma perda parcial ou total da visão.
  74. 74. Retinopatia Diabética• Tipos de Retinopatia: – Retinopatia Diabética Exsudativa: • ocorre quando as hemorragias e as gorduras afetam a mácula; – Retinopatia Diabética Proliferativa: • surge quando a doença dos vasos sanguíneos da retina progride, o que ocasiona a proliferação de novos vasos anormais que são chamados “neovasos”.
  75. 75. Retinopatia Diabética• Grupos de Risco: – As pessoas que têm diabetes apresentam um risco de perder a visão 25 vezes maior do que as que não portam a doença. – A Retinopatia Diabética atinge mais de 75% das pessoas que têm diabetes há mais de 20 anos.• Prevenção: – O controle cuidadoso da diabetes com uma dieta adequada, uso de pílulas hipoglicemiantes, insulina; – Exames de rotina (como o “fundo de olho”) podem detectar anormalidades em estágios primários;• Tratamentos: Fotocoagulação por raios laser;
  76. 76. Principais Sintomas da RD• Microaneurismas;• Hemorragias;• Exsudatos• Neovascularização.
  77. 77. Detecção dos Vasos da Retina
  78. 78. Detecção de Microaneurismas
  79. 79. Detecção de Microaneurismas
  80. 80. Exemplo de Exsudatos
  81. 81. Detecção de Exsudatos
  82. 82. Glaucoma• Glaucoma é a designação genérica de um grupo de doenças que atingem o nervo óptico;• O glaucoma é causado por diferentes enfermidades que, na maioria dos casos, levam a um aumento da PIO;• O aumento da pressão é causado por um bloqueio ao fluído no interior do olho;• Com o tempo isto causa dano ao disco óptico.
  83. 83. Diagnosticando o Glaucoma• Existem basicamente três ferramentas de diagnóstico: – O tonômetro: aparelho que mede a pressão intra- ocular; – A campimetria: permite avaliar como e se o glaucoma afetou o campo de visão; – A oftalmoscopia: • Popularmente chamado de exame de fundo de olho; • Permite a visualização direta, através da pupila, do aspecto do disco óptico; • A sua coloração e aparência podem indicar se há ou não dano relacionado ao glaucoma e qual a extensão deste.
  84. 84. Exemplo de Glaucoma
  85. 85. Grupos de Risco e Tratamento• Grupos de Risco: – Pessoas que possuem: diabetes, miopia, uso prolongado de esteróides (corticóides) ou alguma lesão ocular prévia; – Pessoas com descendência africana ou asiática; – Pessoas com história familiar de glaucoma.• Tratamento – O glaucoma pode ser tratado utilizando-se colírios, medicamentos orais, cirurgia a laser, cirurgias convencionais e, uma combinação desses métodos.
  86. 86. Exemplo de Detecção do Disco Óptico
  87. 87. Detecção do Contorno do DO
  88. 88. Edema Macular• Um edema macular ocorre quando depósitos de fluidos e proteínas se acumulam sobre ou sob a mácula; – Ponto ovalado de cor amarela junto ao centro da retina do olho humano; – Possui cerca de 1,5 mm de diâmetro; – Apresenta uma pigmentação escura; – Sua região central é chamada fóvea.
  89. 89. A Mácula
  90. 90. Exemplo de Detecção da Mácula
  91. 91. Aplicações em Análise dePostura
  92. 92. Postura• Postura é geralmente definida como o arranjo relativo das partes do corpo. – A postura correta traduz o estado de equilíbrio muscular e esquelético que protege as estruturas de suporte do corpo contra lesão ou deformidade progressiva. – Independente da atitude assumida pelo paciente (agachada, ereta, deitada), estas estruturas estão trabalhando ou repousando.
  93. 93. Postura• Em uma boa postura – os órgãos torácicos e abdominais mantêm-se em posições ideais – os músculos funcionam com mais eficiência sob tais condições.• Com a má postura há uma relação defeituosa entre várias partes do corpo. – Isso produz uma maior tensão sobre estruturas de suporte e onde ocorre um equilíbrio menos eficiente do corpo.
  94. 94. Ângulo de Cobb Lordose Cifose
  95. 95. Ângulo de Cobb• Classificação da Escoliose (por angulação ω): – ω < 10º - normal • Não precisa tratamento – ω <20º - Leve – 20º< ω < 40º • Moderada – Ω > 40º - Grave
  96. 96. Ângulo de Cobb• Tendências – Cálculo de angulação em cifose e lordose – Busca do padrão de desvio por regiões da coluna – Detecção de vértebras – Cálculo da angulação • Semelhança de triângulos
  97. 97. Biofotogrametria• Oriunda da Fotogrametria – Extração de forma, dimensão e posições de objetos em fotografias métricas – Biomecânica
  98. 98. Biofotogrametria• Acidentes Anatômicos – Face ventral: Glabela, Sulco mentoniano, Furcula esternal, ângulo de charpy,Nível dos Acrômios, ângulos Costofrênicos, EIAS, Cicatriz Umbilical, Linha Alba, Bordo Inferior da Patela, Maléolos Internos – Face Posterior: Cintura Escapular, Triangulo de Talhe, EIPS, , Quinta vértebra Lombar, Eminência Fibrótica, Sulco Interglúteo Prega Glútea, Prega do Joelho, Maléolos externos. – Flexão Anterior: Ápice da curvatura dorsal direita e esquerda para verificação de Gibosidade; – Flexão Anterior Vista Perfil: Angulação da flexão de quadril, para verificação das retrações dos músculos da cadeia posterior do corpo; – Face Perfil Direito e esquerdo: Pavilhão Auditivo, Depressão entre Trocanter Maior e Trocanter Menor, Linha Média entre face anterior e posterior de joelho, Maléolo externo.
  99. 99. Biofotogrametria• Origem: vídeo de marcha de amputados• Leituras lineares e angulares de movimentos corporais• Desvantagens: – Inviabilidade da análise tridimensional – operacional; – Transportabilidade do ambiente de captação de imagens.
  100. 100. Biofotogrametria• Vantagens: – Recurso não-invasivo de análise do movimento; – Baixo custo de implementação; – Precisão, reprodutibilidade, arquivamento de registros, feedback ao paciente; – Comparação de evolução da síndrome motora.• Software SAPO [Ferreira et al. 2011]
  101. 101. Biofotogrametria
  102. 102. Biofotogrametria
  103. 103. Biofotogrametria Variáveis (°) * Média (desvio Mínimo Máximo padrão) Alinhamento horizontal da cabeça 47,1 (4,8) 31,2 58,4 Alinhamento horizontal da pélvis 172,6 (4,8) 158,6 182,4Alinhamento sagital do membro inferior 177,9 (4,8) 166,7 190,6 Ângulo de junção do quadril 149,8 (8,0) 129,7 176,2 Ângulo de junção do maléolo 86,2 (2,6) 79,9 91,6 Alinhamento vertical do torso 182,4 (2,1) 177,6 187,0 Alinhamento vertical do corpo 178,2 (0,9) 175,8 180,0 Alinhamento do membro superior 155,8 (5,1) 145,7 170,7 Alinhamento sagital do corpo 186,8 (3,6) 176,4 198,5 Ângulo da cifose torácica 55,4 (7,4) 39,3 68,2 Ângulo da lordose lombar 47,7 (15,4) 23,3 96,4*Dados obtidos de 122 pacientes submetidos à pesquisa.
  104. 104. Similaridade de Formas• Recuperação de informações em base de imagens – Similaridade e correspondência de formas – Medidas de distâncias ou similaridade• Meta: métrica robusta de similaridade – Mais eficiente que as presentes na literatura
  105. 105. Sinal de Curvatura• Requer o contorno parametrizado – c – c(i) = {x(i),y(i)}, i = 1,...,N; – N – número de pontos do contorno;• Amplitude do sinal gerado: variação da curva do contorno (mudança de direção) – Pontos de máximo e mínimo – cantos; – Intervalos de valor zero – linha reta; – Intervalos de valor constante não-nulo – arcos, círculos, semicírculos.
  106. 106. Sinal de CurvaturaDefinição – a partir das derivadas primeira e segunda de x e y xy − yx &&& &&& k= 2 35 ( x + y 2 )3 2 & & 30 25 20 15 k ( ) t 10 5 0 -5 0 100 200 300 400 500 600 700 800 t Forma original Sinal de Curvatura
  107. 107. RPG• Reeducação Postural Global (RPG)• Técnica desenvolvida na França – Philippe Emmanuel Souchard• Ajustamentos posturais para reorganização dos segmentos do corpo humano, através do alongamento do tecido muscular retraído – A fim de permitir a reorganização das miofibrilas e o reequilíbrio dos músculos que mantêm a postura;• Produz também a liberação das fáscias, tecido conjuntivo, pela aplicação do princípio de "fluagem".
  108. 108. RPG• Possui várias indicações terapêuticas – desconforto e dor causados por desvios e alterações posturais• Benefícios – Sua aplicação fortalece e melhora o sistema respiratório – Realinha a coluna e proporcionando liberdade e leveza de movimento• Tecnologia – Proposta de auxílio ao pré-diagnóstico e avaliação do tratamento fisioterapêutico a partir de imagens dos pacientes [Passarinho et al 2006]
  109. 109. RPGSegmentação e Extração da Forma [Paula et al. 2010]
  110. 110. RPG
  111. 111. Baropodometria• Estudo da pisada e por consequência da postura;• Estudo estático e dinâmico de cargas nos pés;• Sensoriamento da região plantar dos pés;• Análise biomecânica e estrutural das possíveis anomalias na marcha e na postura;• Criação de palmilhas.
  112. 112. Baropodometria
  113. 113. Baropodômetro • Informação das pressões (estática, dinâmica e postural) • Diagnóstico clínico – Avaliar áreas de sub e sobre cargas.
  114. 114. Baropodômetro
  115. 115. Baropodômetro
  116. 116. Considerações Finais
  117. 117. Conclusão• Foram desenvolvidos um grande número de sistemas CAD para o diagnóstico de vários tipos de doenças oculares;• A maioria desses sistemas ainda estão em fase de investigação e não podem ser colocados em uso prático nas clínicas devido a várias razões. – Uma dessas é a diversidade de imagens. – Imagens de retina podem ter qualidades muito diferentes devido a vários tipos de lesões e artefatos.
  118. 118. Conclusão• Apresentou-se, com base em publicações científicas, a utilização de algoritmos computacionais para auxílio à análise de imagens médicas – Têm-se alcançado eficiência na melhoria da detecção e classificação de lesões e/ou patologias humanas.• O sistema CAD não pode ser definido para substituir o especialista em saúde: – Deve-se obter desempenho próximo ao do especialista – Cria-se apenas uma ferramenta de auxílio ao mesmo.
  119. 119. Dúvidas?
  120. 120. Contatos• E-mails – rveras@ufpi.edu.br – ialis@ufc.br• Links – http://www.ec.ufc.br/professores/ialis/ – http://www.slideshare.net/ialis

×