Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Defesa do meu Mestrado: Segmentação de Imagens 3D com Crescimento de Regiões

74 views

Published on

O exame experimental de sudorese iodo-amido tem como objetivo auxiliar o diagnóstico de problemas no sistema nervoso, revelando áreas de anidrose e de hipoidrose por meio da reação química entre as secreções aquosas do paciente e um composto de iodo-amido. A reação acontece quando o paciente é induzido a transpirar dentro de uma câmara aquecida por um determinado período de tempo. Na sequência, um profissional da área de saúde avalia de forma visual as regiões de interesse, completando um processo que pode levar tempo e desconforto ao paciente. Dessa forma as soluções computacionais podem contribuir para a melhoria da eficácia e reduzir o tempo total de realização do exame. Neste trabalho realizou-se um estudo comparativo de técnicas de segmentação de imagens 3D de pacientes obtidas pelo dispositivo Microsoft Kinect® após a realização do exame. Foram comparadas as imagens segmentadas via K-Means e uma técnica de Crescimento de Regiões, nos modelos de cor RGB e CIELab, com imagens de referência (golden standard) produzidas por um especialista que definem a melhor segmentação possível para as regiões de anidrose e hipoidróticas. Para determinar a melhor estratégia de segmentação foram elaborados mais de cem cenários de experimentos variando os parâmetros de entrada das técnicas e modelos de cor. Ao término dos experimentos foram calculadas as métricas precisão, revocação, acurácia e medida-F para cada um dos cenários. Assim, concluiu-se que a técnica K-Means (acurácia de 93,18% para anidrose e 86,98% para anidrose e hipoidrose) e Crescimento de Regiões (com acurácia de 92,94% para anidrose e 85,12% para anidrose e hipoidrose), ambas no modelo de cor CIELab, são praticamente equivalentes. Entretanto pode-se perceber uma vantagem na segmentação via Crescimento de Regiões devido sua execução ser feita de forma não supervisionada.

Published in: Software
  • Be the first to comment

  • Be the first to like this

Defesa do meu Mestrado: Segmentação de Imagens 3D com Crescimento de Regiões

  1. 1. Universidade Estadual de Campinas Faculdade de Tecnologia Programa de Pós-Graduação em Tecnologia ESTUDO COMPARATIVO DE TÉCNICAS DE SEGMENTAÇÃO DE IMAGENS 3D APLICADAS AO EXAME EXPERIMENTAL DE SUDORESE IODO-AMIDO DEFESA DE MESTRADO Tiago Antonio da Silva Orientador: Prof. Dr. Marco Antonio Garcia de Carvalho Limeira, 28 de Novembro de 2018
  2. 2. ROTEIRO 1. INTRODUÇÃO – Motivação e Justificativa; Desafios e Objetivos 2. FUNDAMENTAÇÃO TEÓRICA – Exame Experimental de Sudorese Iodo-Amido – Imagens Digitais e Modelos de Cor RGB e CIELab 3. ESTRATÉGIAS DE SEGMENTAÇÃO DE IMAGENS 3D DO EXAME EXPERIMENTAL DE SUDORESE IODO- AMIDO – Sistema CHECS: Segmentação Supervisionada com K-Means – Segmentação em Nuvem de Pontos com Algoritmo de Crescimento de Regiões 4. EXPERIMENTOS, RESULTADOS E DISCUSSÕES – Protocolo Experimental – Experimentos Preliminares e Definição dos Cenários – Avaliação dos Resultados para Segmentação em RGB e CIELab – Comparação entre Crescimento de Regiões nos modelos RGB e CIELab com K-Means 5. CONCLUSÕES E TRABALHOS FUTUROS Programa de Pós-Graduação em Tecnologia 2
  3. 3. 1. INTRODUÇÃO Programa de Pós-Graduação em Tecnologia 3
  4. 4. INTRODUÇÃO • Exame experimental de sudorese iodo-amido: – Baixo custo. – Baseado na técnica de Guttman (anos 40). – Em desenvolvimento pela HCRP. – Auxilia o diagnóstico de neuropatias. • Exame demorado: – 35 minutos na câmara aquecida. – Mais o tempo necessário para segmentação manual. Autorização 4495/2010 emitida pelo Comitê de Ética em Pesquisa do HCRP. Programa de Pós-Graduação em Tecnologia 4 PARCERIA
  5. 5. INTRODUÇÃO: TRABALHO PRECURSOR • Trabalho de Rodrigues (2015): Sistema CHECS com segmentação supervisionada com K-Means: –Uso do Microsoft Kinect® –Processamento de imagens com C# –Junção das imagens segmentadas na malha 3D. –Geração de relatórios Programa de Pós-Graduação em Tecnologia 5
  6. 6. INTRODUÇÃO: JUSTIFICATIVA • Exame incômodo: reduzir tempo do pós exame. –Reduzir o desconforto do paciente. • Ferramenta de auxílio ao diagnóstico. • Método não-supervisionado: sem a necessidade interação com o sistema computacional Programa de Pós-Graduação em Tecnologia 6
  7. 7. INTRODUÇÃO: DESAFIOS • O algoritmo de Crescimento de Regiões baseado em cores pode ser uma alternativa na segmentação, de maneira não supervisionada, das regiões de interesse médico? • Quais são os parâmetros de entrada do algoritmo de Crescimento de Regiões que proveem a melhor segmentação? • A segmentação das regiões de interesse via Crescimento de Regiões baseada nas cores oferece melhores resultados em RGB ou em CIELab? Programa de Pós-Graduação em Tecnologia 7
  8. 8. OBJETIVO Definição dos melhores parâmetros para o algoritmo do Crescimento de Regiões Comparação da segmentação entre os modelos de cor RGB e CIELab Programa de Pós-Graduação em Tecnologia 8 Comparar a segmentação supervisionada realizada via K-Means com a segmentação não supervisionada via Crescimento de Regiões
  9. 9. 2. FUNDAMENTAÇÃO TEÓRICA Controle da Temperatura Corporal Programa de Pós-Graduação em Tecnologia 9
  10. 10. Controle de Temperatura Corporal • Pele: regular temperatura: – Primeiro passo: estímulo (calor) – Sistema Nervoso Periférico envia sinal ao Sistema Nervoso Central. – Estimulo é devolvido ao Sistema Nervoso Autônomo: • Subdivisão do SNA, sistema simpático estimula as glândulas sudoríparas a secretarem suor. Programa de Pós-Graduação em Tecnologia 10 Figura 1 - Anatomia da glândula sudorípara com enervação do sistema simpático (GUYTON, et al.; 2006)
  11. 11. Exame de Sudorese QST: Evidenciar Regiões • Introduzido por Guttman (1941; 1947): –Diagnóstico de neuropatias –Baixo custo –Ácido de Quinizarina indica a cor: azul violeta –40 minutos na câmara aquecida a 37,7º –Definição de três regiões: anidrose, hipoidrotica e hidrótica Programa de Pós-Graduação em Tecnologia 11
  12. 12. Exame de Sudorese QST (anos 40): Evidenciar Regiões Programa de Pós-Graduação em Tecnologia 12 Figura 2 - Diferentes colorações na pele de paciente após a realização do exame QST (Adaptado de GUTTMANN; 1947) HIPOIDRÓTICA ANIDROSE HIDRÓTICA
  13. 13. Exame Experimental de Sudorese Iodo-Amido • BARREIRA et al. 2015: – Uso de iodo e amido – Câmara aquecida HCRP • Temperatura controlada: 47º • Umidade Controlada: 30% • Cabeça do lado de fora • Tempo de exame: 35 mim. Programa de Pós-Graduação em Tecnologia 13 Figura 13 - Câmara Aquecida (RODRIGUES; 2015)
  14. 14. Exame Experimental de Sudorese Iodo-Amido Programa de Pós-Graduação em Tecnologia 14 Figura 15 - Paciente submetido ao exame de sudorese iodo-amido (RODRIGUES; 2015)
  15. 15. 2. FUNDAMENTAÇÃO TEÓRICA Imagens Digitais e Modelos de Cor Programa de Pós-Graduação em Tecnologia 15
  16. 16. Imagem Digital Monocromática Programa de Pós-Graduação em Tecnologia 16 Figura 3 - Ilustração de uma imagem bidimensional monocromática formada por uma matriz de tons de cinza (Adaptado de THOMÉ; 2016).
  17. 17. Modelos de Cor RGB e CIELab Programa de Pós-Graduação em Tecnologia 17 Figura 7 - Representações das Cores no espaço tridimensional em um cubo RGB (GONZALEZ, WOODS; 2010, Adaptado). Figura 8 - Representação do Modelo de Cor CIELab (ADOBE, 2018). 16 milhões de cores possíveis REPRESENTAÇÃO DE CORES NO ESPAÇO TRIDIMENSIONAL Valores quantificados de 0 a 255 Valores mais abrangentes
  18. 18. Microsoft Kinect® Programa de Pós-Graduação em Tecnologia 18 Figura 9 - Apresentação dos recursos do Microsoft Kinect® (CARDOSO; 2013)
  19. 19. 3. ESTRATÉGIAS PARA SEGMENTAÇÃO DE IMAGENS 3D DO EXAME EXPERIMENTAL DE SUDORESE IODO-AMIDO Programa de Pós-Graduação em Tecnologia
  20. 20. Sistema CHECS • CHECS: Color Human Evaluation Computation System: – Desenvolvido por Rodrigues (ImageLab 2014 – 2015) – Segmentação supervisionada com K-Means Programa de Pós-Graduação em Tecnologia 20 Figura 16 - Ilustração da realização do exame iodo-amido em a) e em b) processo de escaneamento (RODRIGUES; 2015)
  21. 21. Sistema CHECS: Funcionamento Programa de Pós-Graduação em Tecnologia 21 Figura 13 - Diagrama de interação do usuário com CHECS (RODRIGUES; 2015). 1) O composto de iodo-amido é aplicado sobre o paciente que em seguida é induzido a suar na câmara aquecida. 2) É realizada a captura da imagem 3D do paciente com Microsoft Kinect®. 3) O profissional da área de saúde interage com o sistema selecionando 5 cores na imagem 3D capturada. O sistema converte as cores para CIELab e a segmentação com K-Means é realizada. 4) A imagem 3D segmentada é apresentada ao usuário e são gerados relatórios sobre as proporções das áreas de anidrose e hidróticas.
  22. 22. IMAGEM 3D PRÉ SEGMENTAÇÃO (COM RUÍDOS) 22 Figura 19 - Vistas da imagem 3D de paciente obtida com CHECS contendo ruídos e o plano onde o paciente estava deitado. 808.991 pontos
  23. 23. IMAGEM 3D SEGMENTADA VIA K-MEANS (COM RUÍDOS) 23 Figura 21 - Vistas da imagem 3D do paciente após segmentação realizada por meio do algoritmo K-Means pelo CHECS ainda com ruídos e plano de fundo.
  24. 24. CRESCIMENTO DE REGIÕES Programa de Pós-Graduação em Tecnologia 24 • Método proposto por Zhan, Liang e Xiao (2009), disponível na Point Cloud Library. • Agrupa pontos e regiões com base na diferença colorimétrica:
  25. 25. CRESCIMENTO DE REGIÕES Programa de Pós-Graduação em Tecnologia 25 • Entrada da nuvem de pontos obtida por Rodrigues (Fig. 20 a seguir). • Definição dos parâmetros para segmentação: –Variação dos valores de entrada para: • VLP: Valor de Limiarização do Ponto • VLR: Valor de Limiarização da Região • TMR: Tamanho Mínimo da Região • DV: Distância do Vizinho
  26. 26. CRESCIMENTO DE REGIÕES Programa de Pós-Graduação em Tecnologia 26 • Método proposto por Zhan, Liang e Xiao (2009), etapas: – Seleção aleatória de um ponto na nuvem de entrada. – Caso o ponto não seja rotulado, cria-se uma nova região e adiciona-se o ponto a uma pilha de Pontos. – Levantamento dos vizinhos mais próximos e são comparados e definidos se são homogêneos ou não, de acordo com a semelhança colorimétrica. – Repete-se o processo até que todos os pontos estejam rotulados. – O processo de mesclagem segue o mesmo princípio, porém também considera o número mínimo de pontos por região.
  27. 27. CRESCIMENTO DE REGIÕES Programa de Pós-Graduação em Tecnologia 27 Figura 22 – Resultado obtido com algoritmo de Crescimento de Regiões em nuvem de pontos: a) Nuvem de pontos original e b) após segmentação via Crescimento de Regiões (ZHAN; LIANG; XIAO; 2009, Adaptado).
  28. 28. 4. EXPERIMENTOS, RESULTADOS E DISCUSSÕES Programa de Pós-Graduação em Tecnologia 28
  29. 29. 29 Figura 23 - Diagrama de atividades das etapas dos experimentos. PROTOCOLO EXPERIMENTAL
  30. 30. REMOÇÃO DE RUÍDOS DAS IMAGENS Programa de Pós-Graduação em Tecnologia 30 • Remoção do Ruídos das Imagens: –Áreas na imagem que não são relevantes: • Cabeça • Plano de fundo: maca e travesseiro • Demais elementos que não sejam o corpo do paciente –Ferramenta Utilizada: • CloudCompare: segmentação supervisionada, feita “manualmente”
  31. 31. IMAGEM 3D PRÉ SEGMENTAÇÃO 31 Figura 20 - Vistas da imagem 3D obtida pelo CHECS de um paciente após remoção dos ruídos e plano de fundo. 594.975 pontos
  32. 32. IMAGEM 3D SEGMENTADA VIA K-MEANS 32 Figura 22 – Imagem 3D segmentada pelo CHECS após a remoção de ruídos e do fundo.
  33. 33. DEFINIÇÃO DOS CENÁRIOS Programa de Pós-Graduação em Tecnologia 33 • Duas Etapas: – Experimentos Preliminares: tem por objetivo definir os cenários a serem elaborados para os experimentos. – Definir valores de máximo e de mínimo. Tabela 4 - Valores de referência selecionados para compor os parâmetros nos experimentos. Modelo de Cor Tamanho Mínimo da Região (TMR) Valor de Limiarização por Ponto (VLP) Valor de Limiarização por Região (VLR) Min. Máx. Min. Máx. Min. Máx. RGB 600 6000 1 6 1 5 CIELab 600 6000 2 3 3 8
  34. 34. CENÁRIOS ELABORADOS Programa de Pós-Graduação em Tecnologia 34 • Experimentos: – Variação dos parâmetros VLP, VLR e TMR – Para os modelos de cor RGB e CIELab – Aferir as métricas: Precisão, Revocação, Acurácia e Medida-F. – Descobrir os melhores valores para cada um dos parâmetros, com base na acurácia. – Elaboração do melhor cenário de segmentação em cada um dos modelos de cor. – Cerca de 100 experimentos realizados.
  35. 35. PADRÃO OURO: ÁREAS DE ANIDROSE 35 Figura 24 - Diferentes vistas da nuvem de pontos usada como padrão ouro, para as regiões de anidrose, apenas.
  36. 36. PADRÃO OURO: ÁREAS DE ANIDROSE E HIPOIDRÓTICAS 36 Figura 25 - Diferentes vistas da nuvem de pontos usada como padrão ouro, ressaltando as áreas de anidrose e hipoidróticas.
  37. 37. MÉTRICAS AFERIDAS PARA SEGMENTAÇÃO COM K-MEANS Programa de Pós-Graduação em Tecnologia 37 Tabela 1 – Valores aferidos das métricas de avaliação para segmentação da imagem 3D do paciente via K-Means. Padrão Ouro Precisão Revocação Verdadeiro Positivo Verdadeiro Negativo Acurácia Medida F Anidrose Áreas de Anidrose 0,95 0,96 0,96 0,86 93,18% 95,42% 30% Áreas de Anidrose e Hipoidrose 0,85 0,97 0,97 0,68 86,98% 90,72% 37%
  38. 38. MÉTRICAS AFERIDAS PARA CRESCIMENTO DE REGIÕES EM RGB Programa de Pós-Graduação em Tecnologia 38 Tabela 18 - Valores aferidos das métricas de avaliação para os melhores cenários do modelo de cor RGB considerando o padrão ouro para áreas de anidrose. Cenário Precisão Revocação Verdadeiro Positivo Verdadeiro Negativo Acurácia Medida F Anidrose 44 0,94 0,95 0,95 0,82 91,85% 94,55% 30% 45 0,91 0,97 0,97 0,71 90,14% 93,58% 29% 46 0,87 0,96 0,96 0,58 86,23% 91,20% 29% Tabela 19 - Valores aferidos das métricas de avaliação para os melhores cenários do modelo de cor RGB considerando o padrão ouro para áreas de anidrose e hipoidrose. Cenário Precisão Revocação Verdadeiro Positivo Verdadeiro Negativo Acurácia Medida F Anidrose e Hipoidrose 44 0,84 0,96 0,96 0,64 84,77% 89,21% 38% 45 0,81 0,97 0,97 0,55 82,55% 87,99% 37% 46 0,77 0,96 0,96 0,44 77,97% 85,13% 37%
  39. 39. MÉTRICAS AFERIDAS PARA CRESCIMENTO DE REGIÕES EM CIELAB Programa de Pós-Graduação em Tecnologia 39 Tabela 21 - Valores aferidos das métricas de avaliação para os melhores cenários do modelo de cor CIELab considerando o padrão ouro para áreas de anidrose. Cenário Precisão Revocação Verdadeiro Positivo Verdadeiro Negativo Acurácia Medida F Anidrose 44 0,93 0,98 0,98 0,80 92,94% 95,35% 28% 45 0,92 0,97 0,97 0,76 91,46% 94,40% 29% 46 0,91 0,97 0,97 0,74 91,29% 94,32% 28% Tabela 22 - Valores aferidos das métricas de avaliação para os melhores cenários do modelo de cor CIELab considerando o padrão ouro para áreas de anidrose e hipoidrose. Cenário Precisão Revocação Verdadeiro Positivo Verdadeiro Negativo Acurácia Medida F Anidrose e Hipoidrose 44 0,83 0,98 0,98 0,61 85,12% 89,64% 36% 45 0,82 0,97 0,97 0,58 83,65% 88,65% 37% 46 0,81 0,98 0,98 0,57 83,61% 88,70% 36%
  40. 40. MELHOR RESULTADO VIA CRESCIMENTO DE REGIÕES COM CIELAB 40 Figura 26 - Vistas da segmentação via Crescimento de Regiões no modelo de cor CIELab na imagem 3D do paciente.
  41. 41. 5. CONCLUSÕES E TRABALHOS FUTUROS 41Programa de Pós-Graduação em Tecnologia
  42. 42. CONCLUSÕES ✓ Dificuldades em encontrar imagens 3D para realização de experimentos (exame experimental). ✓ Parceria com HCRP para elaboração das imagens padrão ouro. ✓ Os melhores resultados foram aferidos no modelo de cor CIELab. ✓ A segmentação via Crescimento de Regiões é equivalente a segmentação realizada via K-Means no modelo de cor CIELab. ✓ Diferença de 0,24%, para K-Means para áreas de anidrose; e de 1,86% para áreas de anidrose unidas com as áreas de hipoidrose. ✓ Vantagem do Crescimento de Regiões por ser não-supervisionado. Programa de Pós-Graduação em Tecnologia 42
  43. 43. CONCLUSÕES • TRABALHOS FUTUROS: – Segmentar as imagens médicas 3D via Watershed. Abordagem muito difundida na literatura e como alternativa na segmentação não supervisionada. – Elaboração de um interface gráfica mais adequada aos dois métodos: supervisionado e não-supervisionado. Programa de Pós-Graduação em Tecnologia 43
  44. 44. Programa de Pós-Graduação em Tecnologia 44 Universidade Estadual de Campinas Faculdade de Tecnologia Programa de Pós-Graduação em Tecnologia
  45. 45. OBRIGADO! Programa de Pós-Graduação em Tecnologia t150835@dac.unicamp.br Universidade Estadual de Campinas Faculdade de Tecnologia Programa de Pós-Graduação em Tecnologia “Eu tinha chegado tão longe e me recusei a desistir porque em toda a minha vida eu sempre terminei a corrida.” ― Louis Zamperini

×