Processamento de imagens m dicas
This presentation is the property of its rightful owner.
Sponsored Links
1 / 41

Processamento de Imagens Médicas PowerPoint PPT Presentation


  • 55 Views
  • Uploaded on
  • Presentation posted in: General

Processamento de Imagens Médicas. Prof. Dr. Paulo Mazzoncini de Azevedo Marques ( [email protected] ) MSc. Lucas Ferrari de Oliveira ( [email protected] ) Centro de Ciências das Imagens e Física Médica – CCIFM ( http://cci.fmrp.usp.br )

Download Presentation

Processamento de Imagens Médicas

An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


Processamento de imagens m dicas

Processamento de Imagens Médicas

Prof. Dr. Paulo Mazzoncini de Azevedo Marques

([email protected])

MSc. Lucas Ferrari de Oliveira

([email protected])

Centro de Ciências das Imagens e Física Médica – CCIFM

(http://cci.fmrp.usp.br)

Faculdade de Medicina de Ribeirão Preto – FMRP/USP

(http://www.fmrp.usp.br)


Diagn stico

DIAGNÓSTICO

Teoria da Detecção de Sinal - Matriz de Decisão

The Essential Physics Of Medical Imaging. Bushberg JT, Seibert JA, Leidholdt Jr. EM, Boone JM. Lippincott Williams  Wilkins, Philadelphia, USA, 2002.


Diagn stico medidas de desempenho

DIAGNÓSTICOMEDIDAS DE DESEMPENHO

Teoria da Detecção de Sinal - Matriz de Decisão

Sensibilidade = TP/(TP+FN) = TPF

Fração de verdadeiro-positivo (TPF)

TPF = TP/(TP+FN)

Especificidade = TN/(TN+FP) = (1-FPF)

Acuracia = (TP+TN)/(TP+TN+FP+FN)

Fração de falso-positivo (FPF)

FPF = FP/(FP+TN)

Valor Preditivo Positivo = TP/(TP+FP)

Valor Preditivo Negativo = TN/(TN+FN)


Diagn stico medidas de desempenho1

DIAGNÓSTICOMEDIDAS DE DESEMPENHO

Curvas ROC (receiver operating characteristic curves)

The Essential Physics Of Medical Imaging. Bushberg JT, Seibert JA, Leidholdt Jr. EM, Boone JM. Lippincott Williams  Wilkins, Philadelphia, USA, 2002.


Processamento de imagens m dicas1

Processamento de Imagens Médicas

  • INSPEÇÃO VISUAL

  • DIAGNÓSTICO AUXILIADO POR COMPUTADOR (CAD – Computer-aided diagnosis)

  • RECUPERAÇÃO DE IMAGEM BASEADA EM CONTEÚDO (CBIR – Content-based image retrieval)


Processamento de imagens

PROCESSAMENTO DE IMAGENS


Processamento de imagens m dicas

(0,0) (0,1) (0,2) (0,3)

(1,0) (1,1) (1,2) (1,3)

(2,0) (2,1) (2,2) (2,3)

121 133 57

45 212 134

0 86 214

=

f(x,y) =

Modelo para Imagens Digitais

Imagem = f(x,y)

Para cada elemento (x,y) na imagem(pixel) temos um valor f(x,y) correspondente à intensidade luminosa naquele ponto.


Processamento de imagens m dicas

AQUISIÇÃO DA IMAGEM

Resolução Espacial

Resolução de Contraste

The Essential Physics Of Medical Imaging. Bushberg JT, Seibert JA, Leidholdt Jr. EM, Boone JM. Lippincott Williams  Wilkins, Philadelphia, USA, 2002.


Inspe o visual

INSPEÇÃO VISUAL

  • Visão Computacional e Visualização Científica

    • co-registro e fusão de imagens,

    • realce,

    • segmentação,

    • quantificação

    • visualização 3D de estruturas

  • - Exemplo: Neurologia


Inspe o visual neurocad

INSPEÇÃO VISUALNeuroCAD

Exemplo de Co-registro e Fusão de Imagens


Inspe o visual neurocad1

INSPEÇÃO VISUALNeuroCAD

Exemplo de Volumetria e Visualização 3D


Inspe o visual neurocad2

INSPEÇÃO VISUALNeuroCAD

Exemplo de Volumetria e Visualização 3D


Processamento de imagens m dicas2

Processamento de Imagens Médicas

  • INSPEÇÃO VISUAL

  • DIAGNÓSTICO AUXILIADO POR COMPUTADOR (CAD – Computer-aided diagnosis)

  • RECUPERAÇÃO DE IMAGEM BASEADA EM CONTEÚDO (CBIR – Content-based image retrieval)


Diagn stico auxiliado por computador cad

DIAGNÓSTICO AUXILIADO POR COMPUTADOR(CAD)

  • Diagnóstico feito por especialista que utiliza a saída de uma análise computadorizada de imagens como “segunda opinião” no processo de detecção de lesões e tomadas de decisões diagnósticas.

Doi K. Computer-aided diagnosis and its potential impact on diagnostic radiology. In: Doi k, MacMahon H, Giger ML, Hoffmann KR, eds. Computer-aided diagnosis in medical imaging. Amsterdam: Elsevier Science, 1999:11-20.


Cad tipos de aux lio

CADTIPOS DE AUXÍLIO

  • Auxílio à Detecção

    • Localização de regiões suspeitas

      • CAD – Computer Assisted Detection

        • aprovado pela FDA-USA

  • Auxílio ao Diagnóstico

    • Classificação dos achados

      • extração de informações pelo computador

      • extração de informações pelo especialista


Cad principais reas de aplica o

CADPRINCIPAIS ÁREAS DE APLICAÇÃO

  • Mamografia

    • Detecção de agrupamentos de calcificações

    • Detecção de nódulos

    • Medidas de densidade

    • Detecção de assimetrias

    • Caracterização de lesões mamográficas

  • Radiografia de Tórax

    • Detecção de nódulos pulmonares

    • Diagnóstico diferencial de lesões intersticiais

    • Detecção de anormalidades (pneumotórax, tamanho do coração, assimterias, outras)


Cad principais reas de aplica o1

CADPRINCIPAIS ÁREAS DE APLICAÇÃO

  • Angiografia

    • Detecção e avaliação de aneurismas

    • Detecção e avaliação de estenoses

    • Quantificação de fluxos

  • Neurologia

    • Morfometria de estruturas cerebrais

    • Fusão de imagens multimodais

    • Avaliação de assimetrias


Cad conhecimentos envolvidos

CADCONHECIMENTOS ENVOLVIDOS

  • Visão Computacional(extração de atributos)

    • Pré-processamento (realce)

    • Segmentação (regiões, fronteiras, bordas ou linhas)

    • Quantificação de atributos (métricos, topológicos e de textura)

  • Inteligência Artificial(classificação de padrões)

    • Seleção de atributos

    • Classificação


Processamento de imagens m dicas

PRÉ-PROCESSAMENTO

(realce da imagem)

Métodos no domínio espacial (manipulação dos píxels da imagem)

transformações de intensidade

processamento do histograma

subtração e média de imagens.

filtragens espaciais

de fundo (background)

de suavização

de realce


Processamento de imagens m dicas

PRÉ-PROCESSAMENTO

(realce da componente horizontal)

Filtro de Prewitt - horizontal


Processamento de imagens m dicas

PRÉ-PROCESSAMENTO

(realce da componente vertical)

Filtro de Prewitt - vertical


Processamento de imagens m dicas

PRÉ-PROCESSAMENTO

(soma das componentes)


Processamento de imagens m dicas

PRÉ-PROCESSAMENTO

(realce da imagem)

Métodos no domínio da freqüência

(modificação da Transformada de Fourier da imagem)

filtragem passa-baixa

filtragem passa-alta

filtragem passa-banda

Métodos no domínio espaço-freqüência

(modificação da Transformada "Wavelet" da imagem)


Processamento de imagens m dicas

PRÉ-PROCESSAMENTO

(realce da imagem)


Processamento de imagens m dicas

PRÉ-PROCESSAMENTO

(realce da imagem)

Realce de microcalcificações através da aplicação de Transformada Wavelet


Cad conhecimentos envolvidos1

CADCONHECIMENTOS ENVOLVIDOS

  • Visão Computacional(extração de atributos)

    • Pré-processamento (realce)

    • Segmentação (regiões, fronteiras, bordas ou linhas)

    • Quantificação de atributos (métricos, topológicos e de textura)

  • Inteligência Artificial(classificação de padrões)

    • Seleção de atributos

    • Classificação


Processamento de imagens m dicas

SEGMENTAÇÃO


Processamento de imagens m dicas

  • Exemplo de Segmentação de Imagem

  • ROI original com cluster (b) imagem após realce (c) imagem diferença

  • (d) imagem segmentada (após aplicação de threshold adaptativo)

SEGMENTAÇÃO

Ferrari RJ et al. Characterization of breast cancer using statistical approaches. In: Doi K, MacMahon H, Giger ML and Hoffmann KR, eds. Computer-Aided Diagnosis in Medical Imaging. Amsterdan: Elsevier Science, 1999:281-6

  • Exemplo de Segmentação de Imagem

  • ROI original com nódulo (b) imagem segmentada após aplicação de threshold adaptativo e morfologia matemática

Kinoshita SK et al. Characterization of breast masses using texture and shape features. In: Doi K, MacMahon H, Giger ML and Hoffmann KR, eds. Computer-Aided Diagnosis in Medical Imaging. Amsterdan: Elsevier Science, 1999:265-70.


Cad conhecimentos envolvidos2

CADCONHECIMENTOS ENVOLVIDOS

  • Visão Computacional(extração de atributos)

    • Pré-processamento (realce)

    • Segmentação (regiões, fronteiras, bordas ou linhas)

    • Quantificação de atributos (métricos, topológicos e de textura)

  • Inteligência Artificial(classificação de padrões)

    • Seleção de atributos

    • Classificação


Processamento de imagens m dicas

QUANTIFICAÇÃO DE ATRIBUTOS

Representação funcional unidimensional de uma fronteira

Digital Image Processing. Gonzalez RC, Woods RE. Addison-Wesley Publishing Company, New York, USA, 1992.


Processamento de imagens m dicas

QUANTIFICAÇÃO DE ATRIBUTOS

Giger ML, MacMahon H. Radiologic Clinics Of North America, V.34, No 3, p.565-96, 1996.


Processamento de imagens m dicas

QUANTIFICAÇÃO DE ATRIBUTOS


Cad conhecimentos envolvidos3

CADCONHECIMENTOS ENVOLVIDOS

  • Visão Computacional(extração de atributos)

    • Pré-processamento (realce)

    • Segmentação (regiões, fronteiras, bordas ou linhas)

    • Quantificação de atributos (métricos, topológicos e de textura)

  • Inteligência Artificial(classificação de padrões)

    • Seleção de atributos

    • Classificação


Processamento de imagens m dicas

CLASSIFICAÇÃO DE PADRÕES

Esquema de uma rede neural artificial multi-camadas do tipo “feedforward”


Cad exemplos

CADEXEMPLOS


Cad exemplos1

CADEXEMPLOS

Castellino RA. Computer-aided detection: An overview. Applied Radiology, Suplement November 2001:4-8.


Cad exemplos2

CADEXEMPLOS

Castellino RA. Computer-aided detection: An overview. Applied Radiology, Suplement November 2001:4-8.


Processamento de imagens m dicas3

Processamento de Imagens Médicas

  • INSPEÇÃO VISUAL

  • DIAGNÓSTICO AUXILIADO POR COMPUTADOR (CAD – Computer-aided diagnosis)

  • RECUPERAÇÃO DE IMAGEM BASEADA EM CONTEÚDO (CBIR – Content-based image retrieval)


Recupera o de imagem baseada em conte do cbir

O Sistema SRIS-HC

CT

Imagens DICOM

?

MÉDICO

BD ORACLE

RECUPERAÇÃO DE IMAGEM BASEADA EM CONTEÚDO (CBIR)

Rosa NA, Traina AJM. Uma abordagem prática e eficiente de consultas por similaridade para suporte ao diagnóstico por imagem. Dissertação de mestrado, ICMC/USP, 2002.


Processamento de imagens m dicas

PROJETO cbPACS

CT

SRIS-HC - SISTEMA DE RECUPERAÇÃO DE IMAGENS SIMILARES

-- ARMAZENAMENTO --

PROCESSA

ARQUIVO

DICOM

EXTRAÇÃO

DE CARACTERÍS-TICAS

Imagens DICOM

com nº exame

Nºexame gerado

ARMAZENA

IMAGENS

TÉCNICO

Vetores de

Características

extraídas

Imagens

associadas

ao exame

Nºexame gerado

BD ORACLE

Dados do exame

Radiologia

Dados do exame

Características

Imagens


Processamento de imagens m dicas

PROJETO cbPACS

Imagem de Ref. DICOM

SRIS-HC - SISTEMA DE RECUPERAÇÃO DE IMAGENS SIMILARES

-- CONSULTA POR SIMILARIDADE --

PROCESSA

ARQUIVO

DICOM

EXTRAÇÃO DE CARACTERÍSTICAS

BUSCA NA BASE O VETOR DE CARACTERÍSTICA QUE CONTÉM O OID DA IMAGEM DE REF. INFORMADA

CONVERTE VETOR DE CARACTERÍSTICA EM OBJETO DE BUSCA DA SLIM-TREE

Oid Im.

Ref.

PESQUISA NA SLIM-TREE O OBJETO DE BUSCA

BUSCA NA BASE AS IMAGENS ASSOCIADAS AOS OIDs DOS OBJETOS ENCONTRADOS E RESPECTIVAS INFORMAÇÕES TEXTUAIS

MÉDICO

OIds

Imagens similares

e respectivos

exames, laudos médicos,

pacientes

Objetos com Oids

das Imagens e

Distâncias da Im. Ref.

BD ORACLE

Radiologia

Características

Imagens


  • Login