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.
Defesa do meu Mestrado: Segmentação de Imagens 3D com Crescimento de Regiões
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. 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
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. 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. 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. 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. 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
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. 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. 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. 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. 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)
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. 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. Microsoft Kinect®
Programa de Pós-Graduação em Tecnologia 18
Figura 9 - Apresentação dos recursos do Microsoft Kinect® (CARDOSO; 2013)
19. 3. ESTRATÉGIAS PARA SEGMENTAÇÃO DE IMAGENS 3D DO
EXAME EXPERIMENTAL DE SUDORESE IODO-AMIDO
Programa de Pós-Graduação em Tecnologia
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. 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. 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. 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. 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. 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. 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. 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).
29. 29
Figura 23 - Diagrama de atividades das
etapas dos experimentos.
PROTOCOLO
EXPERIMENTAL
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. 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. IMAGEM 3D SEGMENTADA VIA K-MEANS
32
Figura 22 – Imagem 3D segmentada pelo CHECS após a remoção de ruídos e do
fundo.
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. 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. 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. 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. 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. 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. 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. 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. 5. CONCLUSÕES E TRABALHOS FUTUROS
41Programa de Pós-Graduação em Tecnologia
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. 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. Programa de Pós-Graduação em Tecnologia 44
Universidade Estadual de Campinas
Faculdade de Tecnologia
Programa de Pós-Graduação em Tecnologia
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