Trabalho de conclusão de curso na área de processamento de sinais biomédicos. Software de processamento de imagens de pupilometria dinâmica para detecção de neuropatia autonômica em pacientes com diabetes.
Project presentation: Low-cost Autonomous Navigation System Based on Optical ...
Apresentacao ver-004
1. UNIVERSIDADE FEDERAL DE SANTA CATARINA
Departamento de Engenharia Elétrica
Institudo de Engenharia Biomédica
Desenvolvimento de um software para
processamento de imagens de pupilometria dinâmica
para diagnóstico precoce de neuropatia autonômica
em pacientes com diabetes
Acadêmico: Pedro Augusto Zamuner
Orientador: Jefferson L. B. Marques, PhD
2. Agenda
• Introdução;
• Neuropatia Autonômica;
• Pupilometria Dinâmica;
• Objetivos;
• Desenvolvimento;
• Métodos de classificação e estimação do raio da pupila;
• Funcionalidades de software;
• Conclusão
• Resultados;
• Estudo de caso;
• Conclusões;
• Trabalhos futuros.
4. Introdução
NAC - Classificação
• A NAC pode ser classificada como: subclínica e clínica;
• NAC subclínica é assintomática;
• Possibilidade de reversão dos avanços da NAC;
• NAC clínica é sintomática e reduz a qualidade e expectativa de vida;
• Classificação através de exames clínicos da VFC;
5. Introdução
Pupilometria Dinâmica
• Resposta da pupila à luz: Pupilometria Dinâmica;
• Permite avaliar ambos caminhos neuronais;
6. Introdução
Projeto Piloto - Hardware
• Pupil Stimulator and Response Recorder (PSRR);
Fonte: Ferrari et. al., 2010.
• Provê mais parâmetros para avaliar o SNA;
8. Introdução
Projeto Piloto - Software
• Projeto Piloto;
• MATLAB;
• Muito lento;
• Dificultade de correção;
• Dificultade em extrair parâmetros de Pupilometria Dinâmica.
9. Introdução
Objetivos Específicos
• Tornar o sistema mais rápido;
• Tornar o sistema mais confiável;
• Tornar o sistema mais fácil de usar;
• Comparar resultados com outros exames.
12. Desenvolvimento
Método da Circularidade:Pré-Processamento
• Binary Large Objects (BLOBS);
13. Desenvolvimento
Método da Circularidade: Raio e centro da pupila
A
• Fator de forma: 4
2
P n
1
1 Circunferência Perfeita x cm
M
mx i i
i 1
A
A r r
2 n
1
y cm
M
m i
yi
i 1
14. Desenvolvimento
Método da Assinatura: Classificação
• Pré-processamento e segmentação idênticos;
15. Desenvolvimento
Método da Assinatura: Classificação
• Assinatura na prática;
• Vetor de regiões
• Vetor de raios para cada região
V (R)
score blobIndex min{ Scores }
R
16. Desenvolvimento
Método da Assinatura: Raio e centro da pupila
n
1
1 n x cm mx i i
R
M
r
i 1
i 1 n
n i 1 y cm m i
yi
M i 1
21. Desenvolvimento
Método da Correlação: Classificação
• Raio correspondente ao template com máxima correlação;
• Centro : coordenadas do ponto onde ocorre a máxima correlação.
25. Conclusões
1. Ganho de performance de 736 vezes com erro médio inferior.
• Intervalo entre quadros: 33,333333 ms
• Tempo de processamento: 6,00 ms
2. Resultados mais confiáveis:
26. Conclusões
3. Fácil de utilizar;
4. Capacidade de exportar resultados em modo texto;
5. Utilizando o Hórus é possível estabelecer classificação do quadro do
paciente de acordo com outros exames.
27. Trabalhos Futuros
1. Utilizar threshold automático e adaptativo;
2. Correção automática da detecção no pós-processamento;
3. Paralelismo fornecido pela Intel Threading Building Blocks (TBB);
4. Melhoria no Método da Correlação;
5. Melhoria no Método da Assinatura;
6. Análise espectral da curva Raio x Tempo.