| Summary: | Conselho Nacional de Desenvolvimento CientÃfico e TecnolÃgico === Entre todos os tipos de cÃncer, o de pulmÃo (CP) à um dos mais comuns de todos os tumores malignos, apresentando aumento de 2% por ano na sua incidÃncia mundial. No Brasil, para o ano de 2014 sÃo estimados 27.330 casos novos de CP, sendo destes 16.400, em homens e 10.930 em mulheres. Neste contexto, à de fundamental importÃncia para saÃde pÃblica realizar e determinar diagnÃsticos precoces e mais precisos para detectar os estÃgios reais das doenÃas pulmonares. O auxÃlio ao diagnÃstico mostra-se importante tanto do ponto de vista clÃnico quanto em pesquisa. Dentre os fatores que contribuem para isto, pode-se citar o aumento da precisÃo do diagnÃstico do mÃdico especialista à medida que aumenta o nÃmero de informaÃÃes sobre o estado do paciente. Deste modo, certas doenÃas podem ser detectadas precocemente, aumentando as chances de cura. O tratamento inicial para esta doenÃa consiste na lobectomia. Nesse contexto, costuma-se realizar a segmentaÃÃo dos lobos pulmonares em imagens de Tomografia Computadorizada para extrair dados e auxiliar no planejamento da lobectomia. A segmentaÃÃo dos lobos a partir de imagens de TC à geralmente obtida atravÃs da detecÃÃo das fissuras pulmonares. Nesse sentido, com o intuito de obter uma segmentaÃÃo da fissura pulmonar mais eficaz e realizar um processo totalmente independente das demais estruturas presentes no exame de TC, o presente trabalho possui o objetivo de realizar a segmentaÃÃo das fissuras utilizando medidas de textura LBP e Redes Neurais Artificiais (RNA). Para a implementaÃÃo do algoritmo foi utilizado uma MLP (Multilayer Perceptron) com 60 entradas, 120 neurÃnios na camada oculta e 2 neurÃnios de saÃda. Os parÃmetros de entrada para a rede foi o histograma LBP do voxel a ser analisado. Para o treinamento da rede foi necessÃrio criar um sistema para identificaÃÃo das classes fissuras e nÃo-fissuras de forma manual, onde o usuÃrio seleciona os pixels da classe fissura e da nÃo-fissura. Para realizar as validaÃÃes do algoritmo foi criado um padrÃo-ouro que foi extraÃdo um total de 100 imagens de 5 exames do banco de dados LOLA11. Nessas imagens, as fissuras foram destacadas por 2 especialistas. A partir do padrÃo-ouro, o as imagens foram processadas pelo algoritmo e assim os resultados obtidos. Para o conjunto de imagens testadas, o classificador obteve um melhor desempenho quando o tamanho, 15x15 pixels, da janela utilizada para gerar o histograma do LBP. Para chegar atà essa definiÃÃo foram testados os tamanhos 11x11, 15x15, 17x17 e 21x21 e os resultados foram comparados utilizando as mÃtricas de Especificidade Es(\%), Coeficiente de Similaridade CS(%), Sensibilidade S(\%), distÃncia mÃdia e desvio padrÃo da distÃncia. A primeira abordagem de anÃlise dos resultados à atravÃs dos voxels}definidos como fissura no final da metodologia proposta. Para a metodologia proposta, detecÃÃo automÃtica utilizando LBP ( extit{Local Binary Pattern}) e MLP, as taxas obtidas foram CS = 96,7%, S = 69,6% e Es = 96,8% para o mÃtodo proposto antes do afinamento e CS = 99,2%, S = 3% e Es = 99,81% para o mÃtodo proposto com o afinamento no fim, considerando a incidÃncia de falsos positivos e falsos negativos. Outra abordagem utilizada na literatura para avaliaÃÃo de mÃtodos de segmentaÃÃo de fissuras à baseado na distÃncia mÃdia entre a fissura delineada pelo especialista e a fissura resultante do algoritmo proposto. Desta forma, o algoritmo proposto neste trabalho foi comparado com o algoritmo de Lassen(2013) atravÃs da abordagem da distÃncia mÃdia entre a fissura segmentada manual e a fissura segmentada de forma automÃtica. O algoritmo proposto com afinamento no final obteve uma menor distÃncia no valor de e um menor desvio padrÃo comparado com o mÃtodo de Lassen(2013). Por fim, sÃo apresentados os resultados da segmentaÃÃo automÃtica das fissuras pulmonares. A baixa incidÃncia de detecÃÃes falso negativas, juntamente com a reduÃÃo significativa de detecÃÃes falso positivas, resultam em taxa de acerto elevada. Conclui-se que a tÃcnica de segmentaÃÃo de fissuras pulmonares à um algoritmo Ãtil para segmentar fissuras pulmonares em imagens de TC, e com o potencial de integrar sistemas que auxiliem o diagnÃstico mÃdico. === Among all cancers, lung cancer (LC) is one of the most common tumors, an increase
of 2% per year on its worldwide incidence. In Brazil, for the year of 2014, 27,330
new cases of LC are estimated, these being 16,400 in men and 10,930 in women. In
this context, it is of fundamental importance for public health the identication on early
stages of lung diseases. The diagnosis assistance shows to be important both from a clinical standpoint as in research. Among the factors contributing to this scene, one important is the increasing accuracy of diagnosis of a medical expert as you increase the number of information about the patient's condition. Thus, certain disorders might be detected early, including saving lives in some cases. The initial treatment for this disease consists of lobectomy. In this context, it is customary to perform the segmentation of lung lobes in CT images to extract data and assist in planning for lobectomy. The segmentation of the lobes from CT images is usually obtained by detection of pulmonary fissures. Thus, in order to obtain a more effective segmentation of pulmonary fissures, and perform a completely independent process from the other structures present in the CT scan, the present work has the objective to perform the fissure segmentation using LBP texture measures and Neural Networks (NN). To implement the algorithm we used one MLP with 60 inputs, 120 hidden neurons and 2 output neurons. The input parameters for the network was the LBP histogram of the voxel being analyzed. For network training, it was necessary to create a system to label the features as fissures and non-fissures manually, where the user selects the fissure pixels class. To perform the validation of the algorithm was necessary to create a "gold standard"in which it was extracted a total of 100 images from 5 exams from the dataset LOLA11, where these images were the fissures were highlighted by two experts. From the gold standard, the proposed algorithm was processed and the results were obtained. For all tested images, the classifier obtained a better performance when the size of 15x15 pixels of the window was used to generate the histogram of the LBP. To get to this definition were tested sizes of 11x11, 15x15, 17x17 and 21x21 and the results were based on metrics comaprados ACC (%), TPR (%), SPC (%) distance mean and standard deviation of the distance. The first approach to analyze the results is through the voxels defined as fissure at the end of the proposed methodology. For the proposed methodology, using automatic detection and MLP LBP before thinning, the rates were obtained ACC= 96.7 %, TPR = 69.6 % and SPC = 96.8 % and ACC = 99 2 % TPR = 3 % and SPC = 99.81 % for the proposed method with the thinning in the end, considering the
incidence of false positives and false negatives. Another approach used in the literature for
evaluating methods of fissure segmentation is based on the average distance between the fissure delineated by the expert and the resulting fissure through the algorithm. Thus, the
algorithm proposed in this paper was compared with the algorithm Lassen et al. (2013)
by the average distance between the manual segmented and the automatically segmented fissure. The proposed algorithm with the thinning in the end achieved a shorter distance
average value and a lower standard deviation compared with the method of (LASSEN et al., 2013). Finally, the results obtained for automatic segmentation of lung fissures are
presented. The low incidence of false negative detections detection results, together with
the significant reduction in false positive detections result in a high rate of settlement. We
conclude that the segmentation technique for lung fissures is a useful target for pulmonary fissures on CT images and has potential to integrate systems that help medical diagnosis.
|
|---|
