Análise de Imagens Médicas através de Sistemas Computacionais Inteligentes para Apoio ao Diagnóstico Clínico

Authors

  • Anderson Alvarenga de Moura Meneses
  • Christiano Jorge Gomes Pinheiro
  • Onair José Laudelino Valente
  • Tarcísio Nunes Cardoso
  • João Victor Barbosa Alves
  • Roberto Schirru Schirru
  • Regina Cely Barroso
  • Delson Braz Braz
  • Luiz Fernando Oliveira

DOI:

https://doi.org/10.21727/teccen.v1i2.218

Keywords:

Redes Neurais Artificiais, Microtomografia Computadorizada por Raios X, Histomorfometria Óssea

Abstract

Histomorfometria óssea é uma importante análise na prevenção e tratamento de câncer e osteoporose, fornecendo informação quantitativa para diagnóstico clínico. A Microtomografia Computadorizada por Raios X é uma técnica de imagens não-destrutiva e não-invasiva com uma alta resolução que permite imagens ampliadas. Na análise histomorfométrica de tais imagens, é possível usar técnicas de tratamento tais como filtros morfológicos e binarização. Tais técnicas, no entanto, podem causar perda de informação relevante para a quantificação da massa óssea. Neste trabalho é descrita a aplicação de Redes Neurais Artificiais (RNA) para reconhecimento de tecido ósseo como parte de uma pesquisa sobre análise histomorfométrica em imagens cuja aquisição foi feita no Laboratório ELETTRA, em Trieste, Itália, na linha de pesquisa SYRMEP (Synchrotron Radiation for Medical Physics – Radiação Síncrotron para Física Médica). Nestes testes iniciais, uma RNA Perceptron Multi-Camadas (PMC) Feed- Forward (FF) com algoritmo de aprendizagem de Retro-Propagação de Erro foi utilizada na tarefa de reconhecimento. A qualidade dos resultados na tarefa da classificação de subimagens foi verificada através de Curvas ROC (Receiver Operating Characteristic). Para este tipo de RNA obtivemos uma area sob a curva de 1,000, o que significa que a arquitetura e o treinamento da RNA se mostraram adequados para a tarefa de reconhecimento de tecido ósseo. As imagens obtidas também são mostradas neste trabalho. Os resultados dos testes demonstraram a viabilidade de aplicação metodológica de Redes Neurais Artificiais e sua adequação às características das imagens obtidas por Microtomografia Computadorizada por Raios X, para evitar perdas ocasionadas por outras técnicas de manipulação e tratamento de imagens. Também apresentamos uma breve descrição das principais tecnologias de implementação do projeto.

Downloads

Download data is not yet available.

References

G. N. Hounsfield. “Computerized transverse

axial scanning (tomography)”. Br. J. Radiol. 46, pp. 1016-1022, 1973.

M. Stampanoni, P. Wyss, R. Abela, G. Borchert,

D. Vermeulen, U. Sennhausen, P. Rüegsegger.

“Computer Microtomography”. SLSAR, 2000.

C. J. G. Pinheiro, R. C. Barroso, D. Braz, G.

Tromba, D. Dreossi. “3D Histomorphometric

Quantification of Cortical Bone Architecture

Using MicroCT with Synchrotron Radiation”.

Technical Report. The Abdus Salam

International Centre for Theoretical Physics,

L. D. Carbonare, M. T. Vallenti, F. Bertoldo, M.

Zanatta, S. Zenari, G. Realdi, V. L. Cascio, S.

Giannini. “Bone microarchitecture evaluated by

histomorphometry”. Micron 36, pp. 609-616,

Haykin, S. Neural Networks: a Comprehensive

Foundation. India: Pearson Education, 2005.

M. Egmont-Petersen, D. de Ridder, H. Handels.

“Recognition of radiopaque markers in X-ray

images using a neural network as a nonlinear

filter”. Pattern Recognition Letters 20 , pp. 521-

, 1999.

M. Egmont-Petersen, D. de Ridder, H. Handels.

“Image processing with neural networks - a

review”. Pattern Recognition 35, pp. 2279-2301,

D. E. Rumelhart, G.E. Hinton, R. J. Williams.

“Learning representations by back-propagating

errors,” Nature 323, 1986.

Published

2016-10-03