1 / 41

Processamento de Imagens Médicas

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

yasir-hill
Télécharger la présentation

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. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Processamento de Imagens Médicas Prof. Dr. Paulo Mazzoncini de Azevedo Marques (pmarques@fmrp.usp.br) MSc. Lucas Ferrari de Oliveira (lferrari@cci.fmrp.usp.br) 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)

  2. 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.

  3. 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)

  4. 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.

  5. 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)

  6. PROCESSAMENTO DE IMAGENS

  7. (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.

  8. 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.

  9. INSPEÇÃO VISUAL • Visão Computacional e Visualização Científica • co-registro e fusão de imagens, • realce, • segmentação, • quantificação • visualização 3D de estruturas • - Exemplo: Neurologia

  10. INSPEÇÃO VISUALNeuroCAD Exemplo de Co-registro e Fusão de Imagens

  11. INSPEÇÃO VISUALNeuroCAD Exemplo de Volumetria e Visualização 3D

  12. INSPEÇÃO VISUALNeuroCAD Exemplo de Volumetria e Visualização 3D

  13. 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)

  14. 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.

  15. 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

  16. 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)

  17. 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

  18. 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

  19. 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

  20. PRÉ-PROCESSAMENTO (realce da componente horizontal)  Filtro de Prewitt - horizontal

  21. PRÉ-PROCESSAMENTO (realce da componente vertical)  Filtro de Prewitt - vertical

  22. PRÉ-PROCESSAMENTO (soma das componentes) 

  23. 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)

  24. PRÉ-PROCESSAMENTO (realce da imagem)

  25. PRÉ-PROCESSAMENTO (realce da imagem) Realce de microcalcificações através da aplicação de Transformada Wavelet

  26. 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

  27. SEGMENTAÇÃO

  28. 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.

  29. 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

  30. QUANTIFICAÇÃO DE ATRIBUTOS Representação funcional unidimensional de uma fronteira Digital Image Processing. Gonzalez RC, Woods RE. Addison-Wesley Publishing Company, New York, USA, 1992.

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

  32. QUANTIFICAÇÃO DE ATRIBUTOS

  33. 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

  34. CLASSIFICAÇÃO DE PADRÕES Esquema de uma rede neural artificial multi-camadas do tipo “feedforward”

  35. CADEXEMPLOS

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

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

  38. 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)

  39. 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.

  40. 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

  41. 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

More Related