Processamento de imagens m dicas
Download
1 / 41

Processamento de Imagens Médicas - PowerPoint PPT Presentation


  • 114 Views
  • Uploaded on

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 )

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' Processamento de Imagens Médicas' - beth


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)



(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.


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


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


PRÉ-PROCESSAMENTO

(realce da componente horizontal)

Filtro de Prewitt - horizontal


PRÉ-PROCESSAMENTO

(realce da componente vertical)

Filtro de Prewitt - vertical


PRÉ-PROCESSAMENTO

(soma das componentes)


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)


PRÉ-PROCESSAMENTO

(realce da imagem)


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



  • 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


QUANTIFICAÇÃO DE ATRIBUTOS

Representação funcional unidimensional de uma fronteira

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


QUANTIFICAÇÃO DE ATRIBUTOS

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



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


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.


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


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


ad