Detecção de Agrupamentos de Microcalcificações em Imagens Digitais de Mamografia
1. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Detecção de Agrupamentos De Microcalcicações
em Imagens Digitais de Mamograas
Aldísio Gonçalves Medeiros
Defesa do Trabalho de Conclusão de Curso
Instituto Federal de Ciência, Educação e Tecnologia do Ceará (IFCE)
Campus Maracanaú - Telemática
Bacharelado em Ciência da Computação
Orientador: Prof. M.Sc. Daniel Silva Ferreira
12 de junho de 2015
1 / 69
6. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Motivações e Objetivos
Câncer de Mama
Mamograa
Introdução
Motivação
Taxas crescentes de mortalidade na população feminina.
Facina(2014), Lucena(2012).
Diculdades na prevenção primária, INCA(2015).
Mamograa como técnica de rastreio para o aumento do
índice de cura. Peixoto(2007).
4 / 69
7. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Motivações e Objetivos
Câncer de Mama
Mamograa
Introdução
Motivação
Taxas crescentes de mortalidade na população feminina.
Facina(2014), Lucena(2012).
Diculdades na prevenção primária, INCA(2015).
Mamograa como técnica de rastreio para o aumento do
índice de cura. Peixoto(2007).
Análise subjetiva do médico especialista e o uso de CAD.
Pereira(2012), Calas(2012).
4 / 69
8. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Motivações e Objetivos
Câncer de Mama
Mamograa
Introdução
Motivação
Taxas crescentes de mortalidade na população feminina.
Facina(2014), Lucena(2012).
Diculdades na prevenção primária, INCA(2015).
Mamograa como técnica de rastreio para o aumento do
índice de cura. Peixoto(2007).
Análise subjetiva do médico especialista e o uso de CAD.
Pereira(2012), Calas(2012).
Melhorar o desempenho de métodos de classicação e
compressão de imagens médicas.
4 / 69
11. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Motivações e Objetivos
Câncer de Mama
Mamograa
Introdução
Objetivos
Revisar algoritmos disponíveis para detecção de agrupamentos
de microcalcicações.
Projetar um método para denição de regiões suspeitas que
melhor se aproxima do formato das lesões.
Derpertar a comunidade acadêmica para o tema.
5 / 69
13. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Motivações e Objetivos
Câncer de Mama
Mamograa
Denição
Conceito:
Grupo heterogêneo de
doenças, com
comportamentos distintos.
Apresentando-se como In
Situ ou invasivo.
CDIS
Representa 20% dos novos
casos em mulheres.
Figura: Carcinoma Ductal In Situ (CDIS).
American Cancer Society (2015).
6 / 69
14. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Motivações e Objetivos
Câncer de Mama
Mamograa
Denição
Conceito:
Grupo heterogêneo de
doenças, com
comportamentos distintos.
Apresentando-se como In
Situ ou invasivo.
CDIS
Representa 20% dos novos
casos em mulheres.
Representa 10% dos novos
casos em mulheres.
Figura: Carcinoma Ductal In Situ (CDIS).
American Cancer Society (2015).
6 / 69
31. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Motivações e Objetivos
Câncer de Mama
Mamograa
Microcalcicações
Pioneiros: Albert Salomon
(1913), Alemanha. Raul
Leborgne (1950), Uruguai.
Denição:
Depósitos de fosfato de
cálcio,Lakshmanan
Thomas (2012) .
Depósitos de oxalato de
cálcio, com natureza ácida e
formas irregulares.Alecrin et
al. (2012).
Figura: Microcalcicação na mdb241.
17 / 69
33. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Motivações e Objetivos
Câncer de Mama
Mamograa
Microcalcicações
Os agrupamentos
representam um forte
indício carcinoma
invasivo, Facina(2014).
62% dos tumores malignos
possuem microcalcicações
associadas, 23% aparecem
como agrupamentos,
Koehl et al(1970).
Figura: Realce do agrupamento na mdb241.
18 / 69
34. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Motivações e Objetivos
Câncer de Mama
Mamograa
Microcalcicações
Os agrupamentos
representam um forte
indício carcinoma
invasivo, Facina(2014).
62% dos tumores malignos
possuem microcalcicações
associadas, 23% aparecem
como agrupamentos,
Koehl et al(1970).
Estudos com 29 pacientes,
de 30 tumores malignos, 29
mostraram calcicações em
forma de agrupamento,
Vianna et al (2002).
Figura: Realce do agrupamento na mdb241.
18 / 69
35. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Motivações e Objetivos
Câncer de Mama
Mamograa
Microcalcicações
Tabela: Atributos relevantes na análise de microcalcicações, Kopans
Bertuol (2000).
Característica Análise
Tamanho Quanto menores as partículas encontradas mais chan-
ces de serem malignas.
Número Necessário que haja a denição de agrupamento.
Forma A heterogeneidade morfológica é o parâmetro de sus-
peita
Distribuição Distribuídas maneira difusa ou podem formar regiões;
podem estar agrupadas, lineares ou segmentares.
Localização Encontradas na superfície da mama ou dentro do pa-
rênquima mamário.
19 / 69
36. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Motivações e Objetivos
Câncer de Mama
Mamograa
Diagnóstico Mamográco
As lesões podem levar em
média 10 anos para se
desenvolver, Elias (2015).
(a) (b)
Figura: Principais projeções no exame de
mamograa. (a) Incidência Crânio Caudal (CC).
(b) Incidência Médio Lateral Oblíqua (MLO).
Radiopaedia (2015).
20 / 69
37. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Motivações e Objetivos
Câncer de Mama
Mamograa
Diagnóstico Mamográco
As lesões podem levar em
média 10 anos para se
desenvolver, Elias (2015).
A mamograa consegue
detectar até 4 anos antes
que o tumor seja palpável,
Peixoto et al. (2007).
(a) (b)
Figura: Principais projeções no exame de
mamograa. (a) Incidência Crânio Caudal (CC).
(b) Incidência Médio Lateral Oblíqua (MLO).
Radiopaedia (2015).
20 / 69
38. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Motivações e Objetivos
Câncer de Mama
Mamograa
Diagnóstico Mamográco
As lesões podem levar em
média 10 anos para se
desenvolver, Elias (2015).
A mamograa consegue
detectar até 4 anos antes
que o tumor seja palpável,
Peixoto et al. (2007).
Possui sensibilidade de 88 a
93%, já a especicidade de
85 a 94%. Peixoto et al.
(2007).
(a) (b)
Figura: Principais projeções no exame de
mamograa. (a) Incidência Crânio Caudal (CC).
(b) Incidência Médio Lateral Oblíqua (MLO).
Radiopaedia (2015).
20 / 69
43. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Estado da Arte
Processamento Digital de Imagens
Método de remoção do background
Método de detecção da ROI
Estado da Arte
Métodos para detecção de microcalcicações direcionam-se em
duas linhas:
Aprimoramento da imagem.
Método de Stojic (2014)
Método de Lakshmana Thomas (2012)
22 / 69
44. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Estado da Arte
Processamento Digital de Imagens
Método de remoção do background
Método de detecção da ROI
Estado da Arte
Métodos para detecção de microcalcicações direcionam-se em
duas linhas:
Aprimoramento da imagem.
Método de Stojic (2014)
Método de Lakshmana Thomas (2012)
Classicação das lesões
22 / 69
45. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Estado da Arte
Processamento Digital de Imagens
Método de remoção do background
Método de detecção da ROI
Estado da Arte
Métodos para detecção de microcalcicações direcionam-se em
duas linhas:
Aprimoramento da imagem.
Método de Stojic (2014)
Método de Lakshmana Thomas (2012)
Classicação das lesões
Método de Zhang (2014)
22 / 69
46. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Estado da Arte
Processamento Digital de Imagens
Método de remoção do background
Método de detecção da ROI
Estado da Arte
Métodos para detecção de microcalcicações direcionam-se em
duas linhas:
Aprimoramento da imagem.
Método de Stojic (2014)
Método de Lakshmana Thomas (2012)
Classicação das lesões
Método de Zhang (2014)
Método de Diaz-Herta et al (2014)
22 / 69
49. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Estado da Arte
Processamento Digital de Imagens
Método de remoção do background
Método de detecção da ROI
Operações Elementares
Morfologia Matemática (MM).
Fundamentada sob operações envolvendo dois conjuntos:
Imagem e o Elemento Estruturante (EE).
Grande parte das operações da MM são baseadas em duas
operações elementares: Erosão e Dilação. Gonzalez (2010).
23 / 69
50. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Estado da Arte
Processamento Digital de Imagens
Método de remoção do background
Método de detecção da ROI
Operações Elementares
Erosão Morfológica
[A B](x, y) = min
(b1,b2)∈B
{A(x + b1, y + b2)} (1)
Dilatação Morfológica
[A ⊕ B](x, y) = max
(b1,b2)∈B
{A(x − b1, y − b2)} (2)
24 / 69
51. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Estado da Arte
Processamento Digital de Imagens
Método de remoção do background
Método de detecção da ROI
Operações Elementares - Exemplos
(a) Rótulo na
mdb248
(b) Erosão (c) Dilatação
(d) Rótulo
na mdb248
(e) Erosão (f) Dilatação
Figura: Ruído do background da mamograa mdb248.
25 / 69
56. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Estado da Arte
Processamento Digital de Imagens
Método de remoção do background
Método de detecção da ROI
Operações Derivadas - Exemplos
(a) Original (b) Microcalcicações
Realçadas
(c) Aplicação do
Gradiente
Figura: Recorte do mamograma mdb241 com aplicação da transformada
Top-Hat, Figura (b), seguida do gradiente morfológico, Figura (c).
30 / 69
58. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Estado da Arte
Processamento Digital de Imagens
Método de remoção do background
Método de detecção da ROI
Limiarização
Limiarização Global
g(x, y) =
1 sef (x, y) T
0 sef (x, y) T
(8)
Limiarização ótima Otsu (1975)
Baseado na distribuição estatísticas dos pixels.
32 / 69
59. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Estado da Arte
Processamento Digital de Imagens
Método de remoção do background
Método de detecção da ROI
Limiarização
Limiarização Global
g(x, y) =
1 sef (x, y) T
0 sef (x, y) T
(8)
Limiarização ótima Otsu (1975)
Baseado na distribuição estatísticas dos pixels.
Utiliza a variância da distribuição dos pixels.
32 / 69
60. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Estado da Arte
Processamento Digital de Imagens
Método de remoção do background
Método de detecção da ROI
Limiarização
Limiarização Global
g(x, y) =
1 sef (x, y) T
0 sef (x, y) T
(8)
Limiarização ótima Otsu (1975)
Baseado na distribuição estatísticas dos pixels.
Utiliza a variância da distribuição dos pixels.
Maximizar a variância entre essas classes, encontrando um
limiar T.
32 / 69
61. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Estado da Arte
Processamento Digital de Imagens
Método de remoção do background
Método de detecção da ROI
Método proposto por Diaz-Huerta et al (2014)
Figura: Fluxo das operação no método de remoção do ruído proposto por
Diaz-Huerta et al (2014). Na etapa 4, observa-se que a região de ruído,
indicada pela seta, não foi completamente removida da imagem,
contendo pixels com valores de intensidade iguais a 7.
33 / 69
70. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Estado da Arte
Processamento Digital de Imagens
Método de remoção do background
Método de detecção da ROI
Detecção da ROI
Destina-se a detectar uma ROI com forma arbitrária que
melhor se aproxima do real contorno de um
agrupamento de microcalcicações.
A etapa seguinte utiliza a imagem resultante do método de
remoção de ruídos descrito na seção anterior.
41 / 69
72. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Estado da Arte
Processamento Digital de Imagens
Método de remoção do background
Método de detecção da ROI
Detecção da ROI
(a)
Figura: Exemplos de aplicação da localização automática da ROI
contendo o agrupamento de lesões suspeitas. Representa os achados nos
mamogramas mdb213 todos com microcalcicações malignas.
43 / 69
73. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Estado da Arte
Processamento Digital de Imagens
Método de remoção do background
Método de detecção da ROI
Detecção da ROI
(a)
Figura: Exemplos de aplicação da localização automática da ROI
contendo o agrupamento de lesões suspeitas. Representa os achados nos
mamogramas mdb231 todos com microcalcicações malignas.
44 / 69
74. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Estado da Arte
Processamento Digital de Imagens
Método de remoção do background
Método de detecção da ROI
Detecção da ROI
(a)
Figura: Exemplos de aplicação da localização automática da ROI
contendo o agrupamento de lesões suspeitas. Representa os achados nos
mamogramas mdb248 todos com microcalcicações malignas.
45 / 69
75. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Estado da Arte
Processamento Digital de Imagens
Método de remoção do background
Método de detecção da ROI
Detecção da ROI
(a)
Figura: Exemplos de aplicação da localização automática da ROI
contendo o agrupamento de lesões suspeitas. Representa os achados nos
mamogramas mdb249 todos com microcalcicações malignas.
46 / 69
80. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Materiais
Metodologia de Avaliação
Base de Dados
Obtidas a partir da base pública MIAS (Mammographic Image
Analysis Society).
Contém 322 imagens reais de mamograas.
Resolução de 1024x1024 pixels com intensidade de 8 bits/pixel
22 imagens contendo microcalcicações benignas e malignas.
Tecidos Glandular, Denso e Gorduroso.
47 / 69
86. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Materiais
Metodologia de Avaliação
Critérios
Para avaliação do método, observou-se a quantidade de pixels
detectados pelo método em relação a ROI circular denida
pelo ground-truth da base MIAS.
Para esta análise é proposto um índice K.
Índice K
k = 1 −
pa(x, y)
pc(x, y)
, ∀pa(x, y) ∈ Ra, ∀pc(x, y) ∈ Rc (9)
Onde Ra e Rc representam as regiões arbitrárias e circulares.
Em que k → 1 sinaliza alta redução no tamanho da ROI e
k → 0 signica baixa redução.
49 / 69
90. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Materiais
Metodologia de Avaliação
Experimentos
É necessário analisar também o quantitativo de
microcalcicações nas duas regiões, Ra e Rc.
Utilizamos como avaliador um método de classicação de
microcalcicações proposto por Linguraru et al(2006).
Índice M
M =
Na
Nc
(10)
Onde Na e Nc representam o número de microcalcicações
existentes em Ra e Rc, respectivamente. Com M → 1, tem-se
a preservação de microcalcicações e M → 0 sugere perdas.
50 / 69
100. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Conclusões
O método proposto consegue denir uma região de
agrupamento de microcalcicações satisfatória para imagens
de mama glandular, gordurosas e densas, com taxas de
acerto superiores a 82% quando comparadas ao ground
truth da base.
Além disso, a redução da área não causou perdas excessivas
das microcalcicações.
58 / 69
101. Introdução
Metodologia
Experimentos
Resultados
Conclusões
Trabalhos Futuros
Conclusões
O método proposto consegue denir uma região de
agrupamento de microcalcicações satisfatória para imagens
de mama glandular, gordurosas e densas, com taxas de
acerto superiores a 82% quando comparadas ao ground
truth da base.
Além disso, a redução da área não causou perdas excessivas
das microcalcicações.
A redução de dados com a demarcação da ROI mais próxima
das lesões pode melhorar o desempenho de métodos de
compressão e classicação.
58 / 69
105. Apêndice Referências Bibliográcas
Referências Bibliográcas I
Intituto Nacional de Câncer José Alencar Gomes da Silva.
Controle do Câncer de mama
Disponível em: http://www2.inca.gov.br. Acesso em:
09/06/2015.
Facina, Taís.
Estimativa 2014Incidência de Câncer no Brasil
INCA, 2014.
Martins, Letícia A. L. and Barra,A.A. and Lucena, C.E.M.
Microcalcicações Mamárias Suspeitas de Malignidade
2. vol. 56. Revista Brasileira de Cancerologia, 2010.
61 / 69
106. Apêndice Referências Bibliográcas
Referências Bibliográcas II
Peixoto, JE and Canella, E and Azevedo, AC
Mamograa: Da Prática ao Controle
INCA, 2007.
Calas, M.J.G. and Gutlen, B. and Pereira, W.C.A.
CAD e mamograa: por que usar esta ferramenta.
1. vol. 45. Radiol Bras,SciELO Brasil, 2012.
Koehl, RH and Snyder, R. E. and Hutter, RV and Foote Jr,
FW
The incidence and signicance of calcications within operative
breast specimens.
American journal of clinical pathology, 1970.
62 / 69
107. Apêndice Referências Bibliográcas
Referências Bibliográcas III
Vianna, Alberto Domingues and Marchiori, Edson
Calcicações malignas da mama: correlação
mamograa-anatomia patológica
Radiol. bras, 2002.
Lakshmanan, Rekha and Thomas, Vinu
Enhancement of microcalcication features using morphology
and contourlet transform
IEEE, 2012.
63 / 69
108. Apêndice Referências Bibliográcas
Referências Bibliográcas IV
Furgeri, Sérgio and Rodrigues, Silvia CM and da Silva, Simone
M
Tecnologias associadas ao diagnóstico do Câncer de Mama
Reverte-Revista de Estudos e Reexões Tecnológicas da
Faculdade de Indaiatuba, 2011.
Feital, João Carlos Da Silva and Delgado, José Ubiratan and
others
UMA METODOLOGIA PARA COMPROVAR O
APARECIMENTO DE CASOS DE CÂNCER DEVIDOS À
DOSE DE RADIAÇÃO NA MAMA COMPRIMIDA
2013.
64 / 69
109. Apêndice Referências Bibliográcas
Referências Bibliográcas V
Caldas, Flávio Augusto Ataliba and Isa, HLVR and Trippia,
Andréa Cristina and others
Controle de qualidade e artefatos em mamograa
Radiol Bras, SciELO Brasil, 2005.
Radiopaedia.org
Mammography views
Disponível em:
http://radiopaedia.org/articles/mammography-views. Acesso
em: 02/05/2015.
65 / 69
110. Apêndice Referências Bibliográcas
Referências Bibliográcas VI
Diaz-Huerta, CC and Felipe-Riveron, EM and Montaño-Zetina,
LM
Quantitative analysis of morphological techniques for automatic
classication of micro-calcications in digitized mammograms
Expert Systems with Applications, Elsevier,2014.
Otsu, Nobuyuki
A threshold selection method from gray-level histograms.
Automatica, 1975.
66 / 69
111. Apêndice Referências Bibliográcas
Referências Bibliográcas VII
Linguraru, Marius George and Marias, Kostas and English,
Ruth and Brady, Michael
A biologically inspired algorithm for microcalcication cluster
detection.
Medical image analysis, Elsevier, 2006.
67 / 69
112. Apêndice Referências Bibliográcas
Referências Bibliográcas VIII
GONZALEZ, R. C; WOODS, R. E.
Processamento digital de imagens.
3. ed. Pearson Prentice Hall, 2010.
De Paredes, Ellen Shaw
Atlas of mammography
Lippincott Williams Wilkins, 2007.
Kopans, Daniel B and Bertuol, Mauro
Imagem da mama
Medsi, 2000.
68 / 69