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.

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. 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. 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. 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. 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. LISTA DE SIGLAS
OMS Organização Mundial da Saúde
2

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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. Figura 3.8: Limiariação da escala de cinza
14

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. 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. 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