ads:
UNIVERSIDADE DE SÃO PAULO
ESCOLA DE ENGENHARIA DE SÃO CARLOS
Departamento de Engenharia Elétrica
SEGMENTAÇÃO DE IMAGENS
ULTRASSONOGRÁFICAS PARA DETECÇÃO DE
NÓDULOS
PAULA ZITKO ALVES RAMOS
Orientador: Prof. Homero Schiabel
São Carlos
2010
ads:
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
ads:
UNIVERSIDADE DE SÃO PAULO
ESCOLA DE ENGENHARIA DE SÃO CARLOS
Departamento de Engenharia Elétrica
SEGMENTAÇÃO DE IMAGENS
ULTRASSONOGRÁFICAS PARA DETECÇÃO DE
NÓDULOS
PAULA ZITKO ALVES RAMOS
Dissertação apresentada à Escola de
Engenharia de São Carlos, da
Universidade de São Paulo, como
requisito para obtenção do Título de
Mestre em Engenharia Elétrica.
Orientador: Prof. Homero Schiabel
São Carlos
2010
AUTORIZO A REPRODUÇÃO E DIVULGAÇÃO TOTAL OU PARCIAL DESTE
TRABALHO, POR QUALQUER MEIO CONVENCIONAL OU ELETRÔNICO, PARA
FINS DE ESTUDO E PESQUISA, DESDE QUE CITADA A FONTE.
Ficha catalográfica preparada pela Seção de Tratamento
da Informação do Serviço de Biblioteca – EESC/USP
Ramos, Paula Zitko Alves
R175s Segmentação de imagens ultrassonográficas para
detecção de nódulos / Paula Zitko Alves Ramos ;
Orientador Homero Schiabel. – São Carlos, 2010.
Dissertação (Mestrado=Programa de Pós=Graduação em
Engenharia Elétrica. Área de Concentração em
Processamento de Sinais e Instrumentação) – Escola de
Engenharia de São Carlos da Universidade de São Paulo,
2010.
1. Ultrassom. 2. Ruído. 3. Nódulo. 4. Segmentação.
5. Speckle. I. Título.
AGRADECIMENTOS
Em primeiro lugar, devo à Deus todo o meu agradecimento, toda a minha
força e inspiração.
Ao professor Dr. Homero Schiabel, meu orientador, devo agradecer
imensamente pela oportunidade, confiança depositada, pela sabedoria transmitida.
Aos amigos do LAPIMO:
Ana Cláudia Martinez, Angélica, Bruno, Débora, Jr,
Larissa, Leandro, Luciana, Maria Angélica, Paulo, Patrícia, Renata, pelos momentos de
descontração e amizade constante
, toda a minha gratidão e respeito.
Em especial a minha grande amiga Renata, seu otimismo e alegria
contagiante sempre foram muito importantes.
A querida Angélica, sua maturidade e esforço sempre me motivaram,
obrigada pela acolhida em sua casa.
A Débora, que sempre me ofertou ajuda nos momentos mais complicados.
Aos amigos dos laboratórios vizinhos: Eduardo e Evandra, muito obrigada
pela ajuda e força.
Ao Amós, que com competência e esforço me ajudou com muita dedicação.
Ao CIDI – Centro de Imagens e Diagnósticos por Imagem pela cooperação e
respeito em todos os momentos.
Dr. Juliana Lambertini, sua dedicação e disponibilidade foram essenciais na
realização deste trabalho.
Professora Dr. Roseli Sanches, seu carinho e entusiasmo me ajudaram a
acreditar que tudo é possível na vida.
Aos meus pais, presentes em todos os momentos, com carinho e dedicação
formaram meu alicerce.
A todas da minha família, que com compreensão sempre me fizeram
presentes nos momentos de ausência.
Meu esposo Luciano, seu apoio e dedicação me fazem a cada dia uma pessoa
melhor.
Aos funcionários da EESC pela ajuda quando necessária, em especial a
Marisa e a Jussara, pela atenção em todos os momentos.
Aos amigos do Instituto Noroeste de Birigüi, meu muito obrigado pelo apoio
e compreensão diante de meus imprevistos.
A todos que contribuíram de uma forma ou de outra para a realização deste
trabalho, meu muito obrigado.
“Você nunca sabe que resultados virão da sua ação.
Mas se você não fizer nada, não existirão resultados.”
Mahatma Gandhi
RESUMO
ALVES, P. Z. B. (2009) – Segmentação de imagens ultrassonográficas para detecção
de nódulos - (Mestrado) – Escola de Engenharia de São Carlos, Universidade de São
Paulo, São Carlos, 2009.
O câncer de mama é um dos maiores problemas de saúde para a população
feminina, devendo ser encarado como um importante problema de saúde pública. A
ultrassonografia é considerada o método mais efetivo na complementação de
diagnóstico de doenças mamárias, porém a forma de aquisição desse método
diagnóstico degrada a imagem sob diversas formas, destacando-se o ruído speckle, o
qual deixa a imagem com aspecto granulado, dificultando assim a separabilidade entre
os objetos da cena. Este trabalho apresenta uma técnica automática para segmentação de
nódulos mamários em imagens de ultrassom. O algoritmo permite a extração das bordas
nodulares, permitindo assim a obtenção de parâmetros clínicos utilizados no
diagnóstico mamário. Todo o processo se baseia em três etapas: minimização do ruído
speckle, aumento de contraste da imagem e por fim, a segmentação. A técnica
utilizada para minimização do ruído speckle baseia-se na Wavelet da família Symlet;
técnicas para aumento de contraste na imagem são aplicadas para a segmentação. A
partir daí, é aplicado o algoritmo de segmentação Asterisco, originalmente proposto para
a detecção de microcalcificações em mamografias por raios X, e que mostrou também
eficiência para os objetivos deste trabalho. A técnica Asterisco em conjunto com as de
pré-processamento (minimização de ruído e aumento de contraste) produziu taxa de
sensibilidade na detecção de nódulos da ordem de 90%. Em relação à qualidade da
segmentação, a técnica apresentada neste trabalho também se mostrou satisfatória,
superior às técnicas testadas, de acordo com a análise feita pelo cálculo de
Coeficientes de Correlação de Pearson. É possível concluir que o sistema desenvolvido
neste trabalho pode constituir-se numa ferramenta eficaz de segmentação de nódulos
mamários em imagens de ultrassom, auxiliando o conjunto de informações disponíveis
para um classificador automático em esquemas CAD em mamografia.
Palavras-chaves: ultrassom de mama, ruído speckle, nódulo mamário, esquema
CAD em mamografia.
ABSTRACT
ALVES, P. Z. B. (2009) – Segmentação de imagens ultrassonográficas para detecção
de nódulos- (Mestrado) – Escola de Engenharia de São Carlos, Universidade de São
Paulo, São Carlos, 2009.
Breast cancer is one of the main health problems of the female population and
should be faced as an important public health care issue. The ultrasound scanning is
considered the most effetctive in complementary method of breast diagnosis.
Nevertheless, the acquisition format of this sort degrades the images in various ways,
being the speckle noise of noticeably influence once it leaves the image with grainy
aspect. Therefore, the separability between objects of the scene is hindered. This work
presents an automatic technique of ultrasound image segmentation of breast lumps.
The algorithm allows the extraction of the nodular edges permitting the clinical
parameters to be obtained for the breast diagnosis. All the process is based on three
steps: speckle noise minimization, image contrast intensification and finally the
segmentation. The technique used on the speckle noise minimization is based on the
Wavelet transform of the Symlet family; image contrast intensifications are applied
for the segmentation. Thereafter the algorithm of segmentation Asterisco is applied,
which is originally proposed to detect micro calcifications in X-ray mammography,
and has also shown efficiency regarding the goals of the present work. The Asterisco
technique along with the pre processing techniques (noise minimizing and contrast
intensification) produced sensitivity rate in nodule detection by 90%. With regard to
the segmentation quality, the presented technique has also proved to be satisfactory as
it has superior quality to the ones tested according to the analysis made by the
Pearson’s Correlation Coefficients calculation. Thus, it is possible to conclude that the
system, which has been developed in this work, can constitute an efficient breast
lumps segmentation tool so as to aid the set of available information to an automatic
classifier in mammography CAD schemes.
Keywords: breast ultrasound, speckle noise, detection mass, mammography CAD
scheme
LISTA DE FIGURAS
Figura 1.1 – Imagens de mamogramas reais com diferentes densidades (a)
mama considerada densa–mulher com 21 anos de idade; (b) mama
considerada não densa–mulher com 67 anos de idade. (SANTOS, 2002)
8
Figura 2.1 – Glândulas do Tecido Mamário [Fonte: http://www.inca.org.br] 14
Figura 2.2 – Representação do sistema de drenagem linfática da mama
[Fonte: http://www.inca.org.br]
15
Figura 3.1 – Equipamento de ultrassom (Fonte:www.siemens.com.br) 24
Figura 3.2 - Diferentes tipos de transdutores 25
Figura 3.3 – Esquema de transdutor de um único elemento 26
Figura 3.4 – Esquema de transdutor matricial 1D (COSTA; MAIA, 2002) 27
Figura 3.5 – Esquema de transdutor matricial 2D (COSTA; MAIA, 2002) 27
Figura 3.6 – Transdutor enviando e recebendo pulsos elétricos (BISCEGLI,
2004)
30
Figura 3.7 – Esquema do sistema de ultrassom para operação no Modo A
(BISCEGLI, 2004)
30
Figura 3.8 – Sistema de ultrassonográfico típico (BISCEGLI, 2004) 31
Figura 3.9 - Imagem obtida no Modo-B para análise mamária 32
Figura 4.1 - Ultrassom mamário com ruído speckle 36
Figura 4.2 – Diagrama de decomposição 39
Figura 4.3 - Família Coiflets 41
Figura 4.4 - Família Daubechie 41
Figura 4.5 - Wavelets Symlets, função Psi 42
Figura 4.6 - Histograma com alto contraste 43
Figura 4.7 - Histograma com baixo contraste 43
Figura 4.8 - Exemplo de equalização de histograma 44
Figura 4.9 - Máscara de Roberts 46
Figura 4.10 - Máscara de Prewitt 46
Figura 4.11 - Fases do detector de bordas Canny 47
Figura 4.12 - Operador de Sobel na direção horizontal 47
Figura 4.13 - Operador de Sobel na direção vertical 47
Figura 4.14 - Passos fundamentais do algoritmo Pseudo Top-Hat (CHEN,
2002)
48
Figura 4.15 - Diagrama do modelo proposto para a segmentação (SILVA,
2009)
50
Figura 4.16 - Operador asterisco (SILVA, 2009) 52
Figura 5.1 –
Detectores de borda aplicados em imagem de ultrassom
mamário. Técnicas usadas (a) Imagem original e após a aplicaçãodas
técnicas de: (b) Canny, (c) Roberts, (d) Prewitt, (e) Sobel, (f) PTH
61
Figura 5.2 - Imagem ultrassonográfica da mama com ruído speckle 63
Figura 5.3 – Imagens resultantes da aplicação dos filtros de (a) Frost, (b)
Lee, (c) Wiener, (d) Wavelet
63
Figura 5.4 – Imagem do Toolbox Wavelet 65
Figura 5.5 – Janela de acesso às Wavelets2D 65
Figura 5.6 - Imagem de ultrassom da mama originalmente com ruído speckle 66
Figura 5.7 - Imagens resultantes da aplicação das famílias Wavelets: (a) Coif,
(b) Db, (c) Haar, (d) Sym
66
Figura 5.8 – Imagem com ruído minimizado pela técnica Symlet 68
Figura 5.9 - Imagens resultantes da aplicação das técnicas para aumento de
contraste (a) Equalização de histograma adaptativo limitado por contraste (b)
Equalização de histograma (c) Alargamento de Contraste (d) Clareada (e)
Escurecida (f) gama=1(g) gama<1(h) gama>1
68
Figura 5.10 - Imagens resultantes da aplicação das técnicas para detecção de
bordas (a) Canny, (b) Roberts, (c) Sobel, (d) Prewitts
69
Figura 5.11 – Imagem com Alargamento de Contraste 70
Figura 5.12 – Imagem com aplicação de tresholding 70
Figura 5.13 - Imagens resultantes da aplicação das técnicas para detecção de
bordas (a) Canny, (b) Roberts, (c) Sobel, (d) Prewitts
71
Figura 5.14 - - Imagens resultantes da aplicação dos algoritmos: (a)
Alargamento de Contraste, (b) Dilatação morfológica, (c) Filtro Asterisco
72
Figura 5.15 - Imagens resultantes da aplicação dos algoritmos: (a)
Alargamento de Contraste, (b) Imagem com inversão de cores, (c) Watershed
73
Figura 5.16 – Diagrama de blocos representando o sistema desenvolvido
73
Figura 6.1 – Menu Inicial 75
Figura 6.2 – Janela de abertura de imagem 76
Figura 6.3 – Imagens resultantes da aplicação dos algoritmos de minimização
de ruído e aumento de contraste.
76
Figura 6.4 – Imagens resultantes da aplicação dos algoritmos de minimização
de ruído e aumento de contraste.
77
Figura 6.5 – Imagem resultante da aplicação do algoritmo de threshold 77
Figura 6.6 – Imagem segmentada 78
Figura 6.7 – Janela de confirmação 78
Figura 6.8 – Resultados obtidos a partir das funções de avaliação aplicadas as
técnicas: Frost, Lee, Wiener, Wavelet
80
Figura 6.9 – Resultados obtidos a partir das funções de avaliação aplicadas às
técnicas: Coif5, Db12, Haar1, Sym11
81
Figura 6.10 – Resultados obtidos a partir das funções de avaliação aplicadas
às técnicas: Equalização de Histograma Limitado, Alargamento de Contraste,
Clareamento, Escurecimento, Gama<1, Gama>1, Gama=1
82
Figura 6.11– (a) Imagem original, (b) Imagem pré- segmentada pela
minimização de ruído Symlet11, (c) Imagem com Alargamento de Contraste,
(d) Imagem segmentada pelo filtro Asterisco
82
Figura 6.12– (a) Imagem original, (b) Imagem pré- segmentada pela
minimização de ruído Symlet11, (c) Imagem com Alargamento de Contraste,
(d) Imagem segmentada pelo filtro Asterisco.
83
Figura 6.13 – (a) Imagem original, (b) Imagem pré-segmentada pela
minimização de ruído Symlet11, (c) Imagem com Alargamento de Contraste,
(d) Imagem segmentada pela técnica Watershed.
83
Figura 6.14 – (a) Imagem original, (b) Imagem pré-segmentada pela
minimização de ruído Symlet11, (c) Imagem com Alargamento de Contraste,
(d) Imagem segmentada pela técnica Watershed.
84
Figura 6.15 – Curva ROC das imagens processadas com algoritmo Asterisco
completo
86
Figura 6.16 – Curva ROC das imagens processadas com algoritmo
Watershed (SANTOS, 2002)
87
Figura 6.17 – Curva ROC das imagens processadas com algoritmo Asterisco
incompleto
87
Figura 6.18 - Índice de correlação de imagens - grupo 1 89
Figura 6.19 - Índice de correlação de imagens - grupo 2 90
Figura 6.20 - Índice de correlação de imagens – grupo 3 90
Figura 6.21 - Índice de correlação de imagens – grupo 4 91
Figura 6.22 - Índice de correlação de imagens – grupo 5 92
Figura 6.23 – Imagens: (a) original com cisto, (b) segmentada pelo filtro
Asterisco
92
Figura 6.24 – Imagens: (a) original com nódulo, (b) segmentada pelo filtro
Asterisco
93
Figura 6.25 – Imagens: (a) original dentro dos limites da normalidade, (b)
segmentada pelo filtro Asterisco
93
Figura 6.26 – Imagens: (a) original com prótese, (b) segmentada pelo filtro
Asterisco
94
Figura 6.27 – Imagens: (a) original com cisto, (b) segmentada 94
Figura 6.28 – Imagens: (a) original com nódulo, (b) segmentada 95
LISTA DE ABREVIATURAS
CAD - Diagóstico Auxiliado por computador, do inglês: Computer – Aided Diagnosis
DWT - Transformada Discreta Wavelet
INCA - Instituto Nacional de câncer
INPE - Instituto Nacional de Pesquisas Espaciais
LAPIMO – Laboratório de Análise e Processamento de Imagens Médicas e
Odontológicas
MAD - Median Absolute Deviation
MHz – megahertz
OMS - Organização Mundial da Saúde
PET-scan - Tomografia por emissão de pósitrons
PTHT - Pseudo Top-Hat
PSNR - Relação Sinal Ruído de Pico (Peak Signal to Noise Ratio)
RMSE - Erro Médio Quadrático (Root Mean Square Error)
SAR - Radar de Abertura Sintética
SNRrms - Relação Sinal Ruído (Signal to Noise Ratio )
TRH - Terapia de reposição Hormonal
USG - Ultrassom Mamário
USP - Universidade De São Paulo
LISTA DE TABELAS
Tabela 1.1 - Estimativas, para o ano 2008, das taxas brutas de incidência
por 100 mil e de número de casos novos por câncer, em mulheres, segundo
localização primária.*
4
Tabela 1.2 - Fatores de risco para o câncer mamário 5
Tabela 3.1 - Velocidade da propagação do som em diversos meios 28
Tabela 3.2 - Impedância acústica de alguns materiais 29
Tabela 3.3 - Critérios Ecográficos mais importantes de diferenciação entre
nódulos quísticos, benignos e malignos (Pasqualette et al., 1998)
33
Tabela 5.1 - Funções de avaliação 64
Tabela 5.2 - Funções de avaliação aplicadas nas famílias wavelets (Coif,
Db, Haar, Sym)
66
Tabela 5.3 - Comparativo das técnicas para aumento de contraste 69
Tabela 6.1 – Resultados comparativos dos exames ultrassonográficos
usados nos testes
79
Tabela 6.2 – Conclusões a partir dos laudos mamários 79
Tabela 6.3 – Resultados obtidos com o processamento das imagens 84
Tabela 6.4 - Índice de correlação de imagens - grupo1 89
Tabela 6.5 - Índice de correlação de imagens - grupo 2 89
Tabela 6.6 - Índice de correlação de imagens – grupo 3 90
Tabela 6.7 - Índice de correlação de imagens – grupo 4 91
Tabela 6.8 - Índice de correlação de imagens – grupo 5 91
Tabela A.1 – Resultados das funções de avaliação aplicadas às imagens
com ruído minimizado pela Wavelet da família Coiflets
117
Tabela A.2 – Resultados das funções de avaliação aplicadas às imagens
com ruído minimizado pela Wavelet da família Daubecheis
118
Tabela A.3 – Resultados das funções de avaliação aplicadas às imagens
com ruído minimizado pela Wavelet da família Haar
119
Tabela A.4 – Resultados das funções de avaliação aplicadas às imagens
com ruído minimizado pela Wavelet família Symlets
119
SUMÁRIO
RESUMO
ABSTRACT
LISTA DE FIGURAS
LISTA DE ABREVIATURAS
LISTA DE TABELAS
CAPÍTULO 1 – INTRODUÇÃO
1.1 - Câncer de Mama 1
1.2 - Justificativa do trabalho 7
1.3 - Disposição do trabalho 10
CAPÍTULO 2 – DENSIDADE MAMÁRIA
2.1 Estrutura mamária 13
2.2 Sistema linfático 14
2.3 Densidade mamária 16
2.4 Nódulos mamários 17
CAPÍTULO 3 – ULTRASSOM
3.1 Histórico 21
3.2 Ultrassom 22
3.3 O equipamento de Ultrassom 23
3.4 O Exame de Ultrassom da mama 29
3.5 Alcance e limitação do Ultrassom 32
CAPÍTULO 4 – TECNICAS PARA MINIMIZAÇÃO DE RUÍDO E
SEGMENTAÇÃO DE IMAGENS
4.1 Processamento de imagens 35
4.2 Técnicas para minimização de ruído speckle 36
4.2.1 Filtro de Frost 37
4.2.2 Filtro de Lee 37
4.2.3 Filtro de Wiener 37
4.2.4 Wavelets 38
4.2.4.1 Famílias Wavelets 40
4.3 Aumento de Contraste 42
4.3.1 Equalização de histograma 43
4.3.2 Mapeamento das variações de cinza 44
4.3.3 Correção Gama 45
4.4 Segmentação e Detecção de bordas 45
4.4.1 Detector de Roberts 46
4.4.2 Detector de Prewitt 46
4.4.3 Detector de Canny 46
4.4.4 – Detector de Sobel 47
4.4.5 Detector Pseudo-Top-Hat (PTHT) 48
4.4.6 Segmentação Asterisco 50
4.4.7 Segmentação Watershed 53
4.5 Figuras de Mérito 55
CAPÍTULO 5 – MATERIAIS E MÉTODOS
5.1 Plano de Trabalho 59
5.1.1 Detectores de borda 60
5.1.2 Minimização de ruído 62
5.1.3 Aumento de Contraste 67
5.1.4 Segmentação Asterisco 71
5.1.5 Segmentação Watershed 72
CAPÍTULO 6 – RESULTADOS
6.1. Dados dos exames utilizados nos testes 78
6.2. Resultados do processamento 80
CAPÍTULO 7 – DISCUSSÕES E CONCLUSÃO
7.1 Desempenho do Sistema Desenvolvido 101
7.2 Conclusão 102
7.3 Sugestões para Pesquisas Futuras 104
REFERÊNCIAS BIBLIOGRÁFICAS 105
Anexo1 117
Capítulo 1 - Introdução
1
C
C
C
A
A
A
P
P
P
Í
Í
Í
T
T
T
U
U
U
L
L
L
O
O
O
1
1
1
–
–
–
I
I
I
N
N
N
T
T
T
R
R
R
O
O
O
D
D
D
U
U
U
Ç
Ç
Ç
Ã
Ã
Ã
O
O
O
Neste capítulo são apresentados dados estatísticos de incidência do câncer de
mama no Brasil e no mundo, além de um breve comentário a respeito dos fatores de
risco e rastreamento populacional.
1.1 Câncer de Mama
A palavra Câncer, do grego Karkinos, que significa caranguejo, é o nome
genérico usado para designar neoplasias malignas. É caracterizado dessa forma, pois
as células doentes atacam e infiltram nas células sadias como se fossem os tentáculos
de um caranguejo.
O câncer é um acúmulo anormal de células de uma classe específica que pode
advir de uma proliferação aumentada ou de um erro na diferenciação celular,
ocasionando muitas vezes o impedimento fatal dos órgãos ou tecidos afetados
(BRETANI, 1994).
Os tumores aparecem no organismo a partir de células em crescimento
desordenado, em função de um problema nos genes. A causa dessa mutação pode ter
três origens: genes que provocam alterações na seqüência do DNA; radiações que
quebram os cromossomos e alguns vírus que introduzem nas células DNAs estranhos.
Para se manter, o tumor desenvolve um conjunto de redes de vasos sanguíneos
e através da corrente sanguínea ou linfática, as células malignas chegam até outros
órgãos, desenvolvendo assim a doença nestes. Esse processo de expansão da doença é
conhecido como metástase. O fato de possuir esta eficiente capacidade de
disseminação, reprodução e colonização em áreas reservadas a outras células o torna
tão temido e perigoso.
Capítulo 1 - Introdução
2
Os tumores da mama já eram descritos pelos egípcios centenas de anos antes
de Cristo. Médicos gregos e romanos na antiguidade descreviam tumores letais da
mama, mas não comentavam sobre sua frequência e causa de mortalidade (GOMES,
1999).
O câncer de mama origina-se a partir de células que formam as paredes dos
lóbulos e dos ductos de drenagem (DIXON; LEONARD, 2001). Por isso, o câncer de
mama mais comum se chama carcinoma ductal, podendo este ser in situ
1.1
, quando
não passa das primeiras camadas de célula, ou ainda invasor, quando acomete os
tecidos em volta. Carcinoma lobular é o nome dado aos cânceres que se iniciam nos
lóbulos da mama e considerados menos comuns que o primeiro. Este tipo de câncer
muito freqüentemente acomete as duas mamas. O carcinoma inflamatório de mama é
um câncer mais raro e normalmente se apresenta de forma agressiva, comprometendo
assim toda a mama.
O câncer de mama é provavelmente o mais temido pelas mulheres, devido à
sua alta freqüência e, sobretudo, pelos seus efeitos psicológicos, que afetam a
percepção da sexualidade e a própria imagem pessoal. Ele é relativamente raro antes
dos 35 anos de idade, mas acima desta faixa etária sua incidência cresce rápida e
progressivamente (INCA, 2008). A maior incidência ocorre em mulheres entre
quarenta e cinqüenta anos, não impedindo que ocorra em mulheres mais novas e,
apesar de considerado raro, também acomete homens.
Segundo Thompson (2000), a resposta para o que causa o câncer não se
encontra ainda definida. Ao que tudo indica, o câncer de mama é o resultado da
interação de fatores genéticos com o estilo de vida, hábitos reprodutivos e meio
ambiente. Considera-se que compreende uma série de influências de fatores externos
ambientais, que agem direta ou indiretamente em modificações no componente
genético das células. Estudos comprovam que exposição a agentes químicos
encontrados no meio ambiente como pesticidas, herbicidas, inseticidas e subprodutos
da indústria, podem causar rupturas endócrinas nos humanos, alterando a função
hormonal normal no organismo (PHIPPS et al., 1987). As alterações genéticas podem
ser hereditárias e os tumores de determinadas famílias transmitidos de geração a
geração. Portanto, é correto afirmar que todo câncer é originado por modificações nos
1.1
O termo carcinoma in situ foi introduzido para indicar as lesões em que células displásicas
ocupavam a espessura total do epitélio, sem ruptura da membrana basal.
Capítulo 1 - Introdução
3
genes, podendo estas serem herdadas ou adquiridas ao longo da vida, em genes que
controlam o crescimento celular (COTAIT, 2000).
Bilmoria (2001) no estudo “The woman at increased risk for breast cancer:
evaluation and management strategies”, afirma que todos os cânceres de mama têm
origem genética. Acredita que 90% - 95% deles sejam esporádicos (não-familiares) e
decorram de mutações somáticas que se verificam durante a vida, e que 5%-10%
sejam hereditários (familiares) devido à herança de uma mutação germinativa ao
nascimento, que confere a estas mulheres suscetibilidade ao câncer de mama.
O câncer de mama representa nos países ocidentais uma das principais causas
de morte em mulheres. As estatísticas indicam o aumento de sua frequência tanto nos
países desenvolvidos quanto nos países em desenvolvimento. Segundo a Organização
Mundial da Saúde (OMS), nas décadas de 60 e 70 registrou-se um aumento de 10
vezes nas taxas de incidência ajustadas por idade nos Registros de Câncer de Base
Populacional de diversos continentes (INCA, 2008).
Fonseca (1995) observa que, em 1950, as mortes dividiam-se em 14,2%
relacionadas a doenças do coração; 5,7% a cânceres e 35,9% a doenças infecciosas e
parasitárias. No final da década de 80, essas proporções foram alteradas,
respectivamente, para 32,4%, 12,6% e 6,0%.
A incidência dessa neoplasia vem aumentando nas últimas décadas, mesmo
em áreas de tradicional baixa incidência, em grande parte devido às mudanças nos
hábitos de vida e no perfil epidemiológico da população (PAULINELLI, 20003).
No Brasil, as estimativas para o ano de 2008 e válidas também para o ano de
2009, apontam que ocorrerão 466.730 casos novos de câncer. Os tipos mais
incidentes, à exceção do câncer de pele do tipo não melanoma, serão os cânceres de
próstata e de pulmão no sexo masculino e os cânceres de mama e de colo do útero no
sexo feminino, acompanhando o mesmo perfil da magnitude observada no mundo. O
câncer de mama é o segundo tipo de câncer mais freqüente no mundo e o mais
comum entre as mulheres. A cada ano, cerca de 22% dos casos novos de câncer em
mulheres são de mama (INCA, 2008). É a neoplasia mais comum do sexo feminino
no Brasil, sendo assim indiscutível a importância do diagnóstico precoce do câncer de
mama, para garantir a terapêutica mais efetiva e maior sobrevida.
O número de casos novos de câncer de mama esperados para o Brasil, no ano
de 2008, é de 49.400, com um risco estimado de 51 casos a cada 100 mil mulheres
Capítulo 1 - Introdução
4
(INCA, 2008). A tabela 1.1 apresenta o número estimado de novos casos de câncer
em mulheres.
Tabela 1.1 - Estimativas, para o ano 2008 de novos casos de câncer em
mulheres.
Qualquer mulher pode desenvolver o câncer de mama, e os fatores de risco
relacionados à vida reprodutiva da mulher (menarca precoce, nuliparidade, idade da
primeira gestação a termo acima dos 30 anos, anticoncepcionais orais, menopausa
tardia e terapia de reposição hormonal) estão bem estabelecidos em relação ao
desenvolvimento do câncer de mama. Além desses, a idade continua sendo um dos
mais importantes fatores de risco. As taxas de incidência aumentam rapidamente até
os 50 anos, e posteriormente o mesmo se dá de forma mais lenta. Essa mudança no
comportamento da taxa é conhecida na literatura como "Clemmesen´s hook", e tem
sido atribuída à menopausa (INCA, 2008). São conhecidos inúmeros fatores de risco
e a tabela 1.2 apresenta um sumário destes fatores
.
Capítulo 1 - Introdução
5
Tabela 1.2 – Fatores de risco para o câncer mamário (BARROS; BARBOSA;
GEBRIM, 2001).
Risco muito elevado
Mãe ou irmã com câncer de mama na pré-menopausa
Antecedente de hiperplasia epitelial atípica ou neoplasia lobular in situ
Suscetibilidade genética comprovada (mutação BRCA1-2)
Risco mediamente elevado
Mãe ou irmã com câncer de mama na pós-menopausa
Nuliparidade
Antecedente de hiperplasia epitelial sem atipia ou micro cistos apócrifos
Risco pouco elevado
Menarca precoce (<=12 anos)
Menopausa tardia (>=55 anos)
Primeira gestação a termo depois de 34 anos
Obesidade
Dieta gordurosa
Sedentarismo
Terapia de reposição hormonal por mais de 5 anos
Ingestão alcoólica excessiva
A simples presença dos fatores de risco não indica que a mulher irá
necessariamente desenvolver o câncer, apenas indicam um risco maior que as outras
mulheres para o desenvolvimento da doença.
A sobrevida das pacientes depende, fundamentalmente, do tamanho do tumor
diagnosticado inicialmente e a presença ou ausência de metástases em linfonodos
axilares. Assim, o objetivo precípuo é realizar um diagnóstico precoce, contribuindo
diretamente para um melhor prognóstico, permitindo uma cirurgia menos radical
(mastectomia) e proporcionando melhores índices de intervalo livre de recidiva.
As medidas disponíveis para o seu controle, que incluem prevenção primária,
rastreamento e tratamento adequado, devem ser estimuladas, com o propósito de
reverter à situação vigente, a qual é de diagnósticos tardios, acarretando grande
número de mutilações e alto índice de mortalidade (CHAVES; SILVA, 2001).
Capítulo 1 - Introdução
6
A prevenção primária dessa neoplasia ainda não é totalmente possível devido à
variação dos fatores de risco e as características genéticas que estão envolvidas na sua
etiologia. Novas estratégias de rastreamento factíveis para países com dificuldades
orçamentárias têm sido estudadas, uma vez que até o momento é recomendado a
mamografia para mulheres com idade entre 50 e 69 anos como método efetivo para
detecção precoce (INCA, 2008).
Os sintomas do câncer de mama palpável são o nódulo ou tumor na mama,
acompanhado ou não de dor mamária. Podem surgir alterações na pele que recobre a
mama, como abaulamentos ou retrações ou um aspecto semelhante à casca de uma
laranja. Podem também surgir nódulos palpáveis na axila (INCA, 2008). Existindo
algum desses sintomas, a mulher deve procurar um médico, que, a partir do exame
físico das mamas, axilas e a região do pescoço e clavículas poderá então solicitar uma
mamografia como forma de exame complementar, além de outros exames como a
ultrassonografia.
A mamografia é apontada como o principal método diagnóstico do câncer de
mama em estágio inicial, capaz de detectar alterações ainda não palpáveis e
favorecendo, assim, o tratamento precoce, mais efetivo, menos agressivo, com
melhores resultados estéticos e eventos adversos reduzidos (BOYLE, 2002).
Entretanto, embora vários estudos mostrem redução da mortalidade por câncer de
mama por meio do rastreamento mamográfico em massa, ele também é alvo de
controvérsias quanto a sua efetividade, sobretudo em mulheres abaixo dos 50 anos
(GOTZSCHE, 2000).
No Brasil o Ministério da Saúde recomenda como principais estratégias de
rastreamento populacional um exame mamográfico, pelo menos a cada dois anos, para
mulheres de 50 a 69 anos e o exame clínico anual das mamas, para mulheres de 40 a
49 anos. O exame clínico da mama deve ser realizado em todas as mulheres que
procuram o serviço de saúde, independente da faixa etária, como parte do atendimento
à saúde da mulher. Para mulheres de grupos populacionais considerados de risco
elevado para câncer de mama (com história familiar de câncer de mama em parentes
de primeiro grau) recomenda-se o exame clínico da mama e a mamografia,
anualmente, a partir de 35 anos (INCA, 2008).
O tratamento do câncer é tão antigo quanto a medicina e a cirurgia. A
quimioterapia das neoplasias tem suas origens há mais de 1500 anos e, no período da
Renascença, muitas combinações terapêuticas utilizavam metais com benefícios
Capítulo 1 - Introdução
7
importantes, não sob a via sistêmica, mas muito mais topicamente em tumores
cutâneos. Na atualidade, as principais formas de tratamento oncológico são:
tratamento clínico, cirúrgico, radioterápico e quimioterápico (LOBO et al., 2006).
Apesar de ser considerado um câncer de relativamente bom prognóstico, se
diagnosticado e tratado oportunamente, as taxas de mortalidade por câncer de mama
continuam elevadas no Brasil, muito provavelmente porque a doença ainda é
diagnosticada em estádios avançados. Na população mundial, a sobrevida média após
cinco anos é de 61% (INCA, 2008).
1.2 Justificativa do trabalho
O câncer de mama é um dos maiores problemas de saúde para a população
feminina, devendo ser encarado como um importante problema de saúde pública. As
medidas disponíveis para o seu controle, que incluem prevenção primária,
rastreamento e tratamento adequado, devem ser estimuladas, com o propósito de
reverter a situação vigente, a qual é de diagnósticos tardios, acarretando grande
número de mutilações, enormes gastos com mortalidade (CHAVES; SILVA, 2001).
A maior parte dos protocolos disponíveis para o tratamento do câncer de
mama baseia-se no diagnóstico estabelecido nas fases iniciais da doença. A não
realização de exames precoces de mama não pode ser justificada somente pela falta de
conhecimento ou recusa das pacientes em submeter-se a esse tipo de exame.
O’MALLEY (2001) observa que, 90-99% das mulheres têm o conhecimento sobre
como examinar suas mamas, porém somente 15-40%, realizam o auto-exame
mensalmente
.
Além da redução do índice de mortalidade, o diagnóstico precoce facilita o
tratamento do câncer, diminui sua morbidade e possibilita cirurgias mais
conservadoras e mais estéticas (PAULINELLI, 2003).
Exames, testes laboratoriais e de imagem são utilizados na detecção precoce
de um determinado tipo de câncer. A mamografia é um método já reconhecidamente
eficaz na redução da mortalidade por câncer de mama, em especial na pós-
menopausa, e acredita-se ser um dos motivos principais para a redução da mortalidade
por esta doença na Europa e nos EUA. Metanálise incluindo os oito maiores estudos
relativos ao rastreamento mamográfico da população mostrou redução de 24% nas
mortes por câncer de mama em mulheres na pós-menopausa, e de 18%, na pré-
Capítulo 1 - Introdução
8
menopausa, nos grupos que faziam mamografia periódica, anual ou bienal (JATOI,
1999).
A interpretação mamográfica é fortemente influenciada pela variação na
densidade mamária, fatores como período do ciclo menstrual, idade, paridade, estado
hormonal, tipo físico influenciam nessa variação, sendo fator limitador no diagnóstico
de afecção mamária, pois a maioria dos nódulos tumorais apresenta densidade
semelhante à da água, confundindo-se com tecido fibroglandular, sendo de melhor
identificação em mamas gordurosas. Evidências apontam que mulheres nulíparas ou
aquelas com menos de duas gestações apresentam mamas radiologicamente mais
densas (URSIN et al., 2000), (VALDIVIA; ORTEGA, 2000).
A figura 1.1 demonstra a variação de densidade mamária, observada a partir de
mamografias de mulheres com 21 e 67 anos, mama densa e não densa,
respectivamente.
(a) (b)
Figura 1.1 – Imagens mamográficas reais com diferentes densidades. (a) mama
considerada densa–mulher com 21 anos de idade; (b) mama considerada não densa–
mulher com 67 anos de idade. (SANTOS, 2002)
Variação brusca no peso corpóreo é fator que certamente está associado com
mudanças súbitas na densidade radiológica das mamas, já que está diretamente
relacionada com aumento ou diminuição do tecido adiposo na glândula mamária
(KOPANS, 2000). Vários estudos têm demonstrado por meio dos exames
mamográficos, associação entre o uso da Terapia de reposição Hormonal - TRH e o
Capítulo 1 - Introdução
9
aumento da densidade mamária (LEUNG et al., 1998), (EL-BASTAWISSI et al.,
2000).
Um peso muito grande tem sido atribuído à mamografia em detrimento de
outros métodos propedêuticos
1.2
. Talvez seja esse um dos motivos da ainda pequena
atenção dispensada à ultrassonografia mamária. Acredita-se que esse método tem sido
subtilizado e que pode contribuir muito para o diagnóstico das doenças da mama
(PAULINELLI et al., 2005).
Os aparelhos atuais de ultrassom não conseguem detectar microcalcificações,
o que limita sua utilização isolada como método de rastreamento. Por outro lado, de
15% a 25% dos tumores mamários não são detectados pela mamografia: são
descobertos através do exame físico e de outros exames complementares
(KERLIKOWSKE et al., 1998).
Kolb (LICHY; NEWHOUSE, 1998) registrou uma taxa de detecção precoce
de tumores mamários com a ultrassonografia semelhante à encontrada na mamografia.
A ultrassonografia tem pouco a oferecer a mulheres com mamas lipossubstituídas
(menos de 25% de tecido fibroglandular), e tem maior chance de falsos negativos,
mas certamente é de grande utilidade em mamas densas, onde a sensibilidade da
mamografia fica prejudicada (GORDON, 2002).
Vários critérios ultrassonográficos que possibilitam a caracterização do nódulo
mamário estão incorporados ao cotidiano dos ultrassonografistas, no entanto, isso não
impede que ainda sejam frequentes as dúvidas no diagnóstico final (MAUAD, 2009).
Dessa forma, aplicações que permitam a melhora na qualidade da imagem de forma a
ampliar a capacidade diagnóstica são de grande valia.
O uso de imagem na medicina é considerado um recurso importante na
elaboração dos diagnósticos médicos. Por isso, o Laboratório de Análise e
Processamento de Imagens Médicas e Odontológicas (LAPIMO/EESC/USP
1.3
) vem
desenvolvendo há cerca de vinte anos diversas técnicas computacionais de
processamento de imagens, as quais visam ao reconhecimento automático de padrões
anátomo-patológicos de interesse clínico, assim como o desenvolvimento de
esquemas para auxílio ao diagnóstico precoce do câncer de mama na área de CAD
1.4
1.2
Propedêutico = Que serve de introdução a uma arte ou ciência; preliminar.
1.3
LAPIMO/EESC/USP- Departamento de Engenharia Elétrica - Escola de Engenharia de São Carlos,
Universidade de São Paulo, São Carlos
1.4
CAD: Diagnóstico Auxiliado por Computador - do inglês: “Computer-Aided Diagnosis”
Capítulo 1 - Introdução
10
("computer-aided diagnosis") cujo intuito fundamental é facilitar o diagnóstico
mamário.
Dessa forma, este trabalho propõe o desenvolvimento de um sistema que
permita a segmentação de nódulos mamários em imagens de ultrassom, auxiliando
assim a acurácia diagnóstica. A combinação de técnicas para melhora da qualidade da
imagem e a segmentação da mesma se faz necessária, como forma de se adaptar aos
problemas encontrados em imagens ultrassonográficas, não havendo uma técnica
específica para tal solução.
A segmentação se refere ao processo de dividir uma imagem digital em
múltiplas regiões, ou objetos, com o objetivo de simplificar e/ou mudar a
representação de uma imagem para facilitar a sua análise. Segmentação de imagens é
tipicamente usada para localizar objetos e formas (linhas, curvas, etc) em imagens. O
resultado da segmentação de imagens é um conjunto de regiões/objetos ou um
conjunto de contornos extraídos da imagem, sendo assim, possível a facilitação do
diagnóstico.
Assim, a presente pesquisa se insere no contexto de desenvolvimento de um
esquema CAD em mamografia como um procedimento complementar à análise
computacional do exame. Propõe-se aqui o desenvolvimento de uma técnica que
opere sobre a imagem ultrassonográfica digital da mama, obtida como efeito do
exame complementar, muitas vezes indicado para o completo diagnóstico de cada
caso.
1.3 Disposição do trabalho
Este trabalho está disposto em sete capítulos, e os assuntos são descritos da
seguinte forma:
Capítulo 1: são apresentados dados estatísticos de incidência do câncer de
mama no Brasil e no mundo, além de um breve comentário a respeito dos
fatores de risco e rastreamento populacional.
Capítulo 2: neste capítulo são apresentados conceitos relativos à estrutura e
densidade mamária, uma breve descrição do sistema linfático mamário, assim
como dos diferentes tipos de nódulos mamários.
Capítulo 1 - Introdução
11
Capítulo 3: neste capítulo são introduzidos conceitos relativos ao pioneirismo
no uso do ultrassom diagnóstico, definição das características do ultrassom,
assim como do equipamento e do exame ultrasonográfico;
Capítulo 4: definição de técnicas para minimização de ruído speckle e
segmentação de imagens de ultrassom mamário;
Capítulo 5: descreve a metodologia usada para o desenvolvimento do
trabalho.
Capítulo 6: apresenta resultados e discussões sobre o trabalho desenvolvido.
Capítulo 7: apresenta a conclusão acerca do trabalho desenvolvido.
Referências Bibliográficas: apresenta a citação das referências bibliográficas
estudadas para a revisão apresentada nos capítulos anteriores.
Capítulo 1 - Introdução
12
Capítulo 2 - Estrutura mamária
13
C
C
C
A
A
A
P
P
P
Í
Í
Í
T
T
T
U
U
U
L
L
L
O
O
O
2
2
2
–
–
–
E
E
E
S
S
S
T
T
T
R
R
R
U
U
U
T
T
T
U
U
U
R
R
R
A
A
A
M
M
M
A
A
A
M
M
M
Á
Á
Á
R
R
R
I
I
I
A
A
A
Neste capítulo são apresentados conceitos relativos à estrutura e densidade
mamária, uma breve descrição do sistema linfático mamário, assim como dos
diferentes tipos de nódulos mamários.
2.1 Estrutura mamária
A mama é um órgão externo, formando por tecido glandular e revestido por
tecido gorduroso, e encontra-se situada na parede anterior do tórax. Existem
modificações no seu tecido, de acordo com variações hormonais, produzidas pelos
ovários.
A figura 2.1 representa as glândulas mamárias, e sua composição está descrita
nos itens abaixo:
Ácino - menor parte da glândula e responsável pela produção do leite
durante a lactação;
Lóbulo mamário - conjunto de ácinos;
Lobo mamário - conjunto de lóbulos mamários que se liga à papila
através de um ducto;
Ductos mamários - em número de 15 a 20 canais, conduzem a secreção
(leite) até a papila;
Tecido glandular - conjunto de lobos e ductos;
Papila - protuberância elástica onde desembocam os ductos mamários;
Aréola - estrutura central da mama onde se projeta a papila;
Capítulo 2 - Estrutura mamária
14
Tecido adiposo - todo o restante da mama é preenchido por tecido
adiposo ou gorduroso, cuja quantidade varia com as características
físicas, estado nutricional e idade da mulher.
Figura 2.1
–
Glândulas do Tecido Mamário [Fonte: http://www.inca.org.br]
A mama é formada por componentes epiteliais e estruturais, o componente
epitelial é composto de 15 a 25 lóbulos. Todos os lóbulos terminam em dezenas de
pequenos bulbos produtores de leite, e se conectam a uma rede de dutos chamados de
seios lactíferos, responsáveis pelo transporte do leite para fora da mama. O
componente estrutural da mama é compreendido principalmente de tecido gorduroso.
Não existe músculo na mama real, mas existe uma série de músculos atrás e por baixo
das mamas. Estes músculos trabalham em conjunto com um ligamento que se chama
ligamento de Cooper, e juntos agem como um sutiã natural, que suporta o peso das
mamas na parte dianteira do corpo da mulher. Os homens também possuem glândulas
mamárias e mamilos, mas não há produção de leite devido à falta do hormônio
feminino estrogênio.
2.2 Sistema linfático
O sistema linfático permite que os líquidos dos espaços intersticiais possam
fluir para o sangue sob a forma de linfa, sendo uma parte do sistema circulatório,
Capítulo 2 - Estrutura mamária
15
constituído por uma extensa rede de capilares. Possui duas funções: função
imunológica e a condução da linfa
2.1
.
Aproximadamente 75% da linfa de origem nas mamas viaja a partir da mama
aos linfonodos na axila do mesmo lado. O resto viaja para os nódulos linfáticos
paraesternais, para a mama no lado oposto e finalmente para os linfonodos
abdominais.
A drenagem linfática das mamas drena os linfonodos da axila. Esta drenagem
é particularmente importante na oncologia, porque as mamas são um local comum de
desenvolvimento de câncer; se células malignas são derivadas do tecido mamário,
poderiam se espalhar para outras partes do corpo através do sistema linfático para
produzir metástases. O fato dos vasos linfáticos percorrerem o tecido transmuscular
do peitoral maior é justificativo para a remoção da mesma no tratamento cirúrgico do
câncer de mama - chamada de mastectomia radical. A figura 2.2 representa o sistema
de drenagem linfática da mama.
Figura 2.2 – Representação do sistema de drenagem linfática da mama [Fonte:
http://www.inca.org.br]
Segundo (STANTON et al., 2001), após a obstrução linfática, os coletores
linfáticos do braço necessitam trabalhar com uma resistência aumentada, e a
2.1
A linfa é um líquido transparente e esbranquiçado, levemente amarelado ou rosado, alcalino e de sabor salgado, constituído
essencialmente pelo plasma sanguíneo e por glóbulos brancos. A linfa é transportada pelos vasos linfáticos em sentido
unidirecional e filtrada nos linfonodos (também conhecidos como nódulos linfáticos ou gânglios linfáticos). Após a filtragem, é
lançada no sangue, desembocando nas grandes veias torácicas.
Capítulo 2 - Estrutura mamária
16
instalação do edema dependerá da fadiga e do fracasso de bombeamento dos vasos
linfáticos. Quando instalado, causa importantes alterações físicas, psicológicas e
sociais, que afetam a qualidade de vida das pacientes tratadas para câncer de mama
(PASSIK; MCDONALDS, 1998).
Quando os linfonodos na axila (linfonodos axilares) estão envolvidos, a taxa de
sobrevivência cai para aproximadamente 40 a 50% em 5 anos e provavelmente para
menos que 25% em 10 anos, dependendo do número de linfonodos envolvidos.
2.3 Densidade mamária
A mama é composta por quantidade variável de tecidos adiposo, conjuntivo e
epitelial, que vão compor a sua densidade radiológica (BYRNE, 1995).
Baseado na proporção dos tecidos que compõem a mama, (WOLFE, 1976)
classificou os padrões mamográficos em quatro categorias: N1, P1, P2 e DY. Os
padrões P2 e DY são os que apresentam maior densidade mamográfica e são
considerados de alto risco para o desenvolvimento de câncer de mama (OZA; BOYD
1993), (SALA et al., 1998). Ainda segundo (WOLFE, 1976), N1 (menor
radiopacidade), é o padrão predominantemente adiposo com mama composta quase
inteiramente por gordura; P1 é o padrão fibroductoglandular com ductos proeminentes
ocupando até um quarto do volume da mama; P2 é o padrão fibroductoglandular com
ductos proeminentes ocupando mais que um quarto do volume da mama; DY (maior
radiopacidade) é o padrão fibroglandular ocupando quase toda a mama. Estes padrões
foram agrupados, e a densidade mamográfica foi categorizada como não densa (N1/
P1) e densa (P2/DY).
As mamas densas (ricas em tecido fibro-glandular) reduzem a sensibilidade da
mamografia e normalmente são encontradas em mulheres jovens. Santos (1997)
observou que o uso de reposição hormonal esteve associado significativamente ao
aumento de densidade mamográfica em relação ao não uso, concluindo dessa forma
que o uso de TRH na pós-menopausa aumenta a densidade mamográfica das
mulheres. Sabe-se também que, dentre entre outros fatores de risco, o padrão do
parênquima mamário está intimamente relacionado ao baixo e alto risco para o
desenvolvimento de neoplasia maligna da mama.
A densidade mamária sofre modificações gradativas em função da idade,
estado menopausal, paridade, altura, peso corpóreo e uso de terapia de reposição
hormonal (TRH). Possíveis associações com o estado nutricional, prática de
Capítulo 2 - Estrutura mamária
17
exercícios, alcoolismo e história familiar de câncer de mama foram relatadas (BOYD,
1998). (STOMPER et al., 1996) observaram mudanças na densidade mamária em
função da idade, havendo substituição gradual do tecido fibroglandular por tecido
adiposo. Estes autores verificaram que mulheres com menos de duas gestações
apresentavam tendência a ter mamas densas. A importância do estudo da densidade
mamária baseia-se em dois aspectos: no aumento do risco para câncer de mama e na
diminuição da sensibilidade e especificidade da mamografia (VAN, 1999), (MA et al.,
1992).
É necessário afirmar o fato de que não existe uma correlação perfeita entre a
faixa etária e a lipossubstituição, sendo possível encontrar mamas densas em mulheres
idosas com pouca ou nenhuma substituição e mamas predominantemente adiposas em
mulheres jovens. Algumas mulheres não sofrem grandes alterações no seu
parênquima mamário, constituindo assim um grupo de risco para o desenvolvimento
do câncer de mama.
A mamografia é a melhor forma de se observar variações na composição
histológica da mama, pois a interpretação mamográfica é fortemente influenciada pela
variação na densidade mamária, sendo fator limitador no diagnóstico de afecção
mamária, pois a maioria dos nódulos tumorais apresenta densidade semelhante à da
água, confundindo-se com tecido fibroglandular, dessa forma sendo então os nódulos
com melhor identificação em mamas gordurosas.
Observam-se duas densidades na mamografia: densidade de gordura, que
reflete a quantidade de tecido adiposo e densidade de água, que reflete o conteúdo de
tecidos conjuntivo e glandular da mama. Quanto maior o conteúdo de gordura da
mama, menor a densidade mamográfica, ao passo que a maior proporção de tecidos
conjuntivo e epitelial aumenta a densidade radiológica da mama (BRIGHT, 1988).
2.4 Nódulos mamários
A detecção de um nódulo palpável na mama é, para a maioria das mulheres,
um fator de impacto emocional, em parte pela conotação negativa associada ao
tratamento, que altera a imagem e a sexualidade da paciente. Por esta razão, é
importante ressalvar que cerca de 80% dos tumores mamários palpáveis são alterações
benignas e que não aumentam, significativamente, o risco de desenvolvimento de
câncer de mama, (NAZÁRIO; REGO; OLIVEIRA, 2007).
Capítulo 2 - Estrutura mamária
18
Segundo o INCA (2008), o limite da normalidade no tecido mamário é difícil de
ser definido devido às modificações dinâmicas verificadas nas mamas ao longo da vida
das mulheres. Daí surgiu o conceito de alterações funcionais benignas da mama,
antigamente denominadas doença fibrocística ou displasia mamária. Embora tais termos
antigos ainda sejam utilizados pelos médicos, é importante entender que eles são
sinônimos.
O nódulo mamário difere dependendo da idade e do sexo, uma vez que alguns
nódulos e algumas alterações são considerados normais. Por exemplo, nódulos
encontrados nos mamilos de crianças recém-nascidas é dilatação considerada normal
e também esperada. Nas garotas com aproximadamente 6 anos de idade, geralmente,
há uma "protuberância mamária" indicando o início da puberdade. Outra forma de
dilatação comum ocorre em garotos durante a puberdade, conhecida como
ginecomastia, onde a dilatação pode ser pequena ou bem significativa, sendo uma
reação à alteração de hormônios e desaparece no decorrer de alguns meses.
Diferentemente dos exemplos citados, o nódulo, ao aparecer na mama de uma
mulher adulta, não deve ser considerado normal e sempre deve ser verificado por um
médico. Embora a maioria não apresente perigo (menos de um quarto de todos os
nódulos mamários são considerados cancerosos), o diagnóstico logo no início e o
tratamento do carcinoma mamário aumentam significativamente as possibilidades de
um bom resultado.
Alterações fibrocísticas benignas que podem ocorrer em uma ou nas duas
mamas são observadas com frequência. Os nódulos benignos normalmente são
arredondados com bordas lisas ou elásticos ou levemente flutuantes (capazes de sofrer
depressões ou alterações na forma) e não são fixos. Há sempre uma secreção do
mamilo que ocorre apenas após a sua manipulação. A secreção é leitosa e
normalmente pode ser produzida por ambas as mamas.
O tumor benigno, também conhecido como fibroadenoma, é comumente
encontrado em mamas femininas, ocorrendo mais frequentemente em mulheres
férteis, sendo a neoplasia mamária mais comum em pacientes com menos de 35 anos
(NAZÁRIO, 2007)
.
Os fibroadenomas não são sensíveis e normalmente não são
malignos. Embora estes sejam inofensivos, a remoção cirúrgica ainda é recomendada.
Há duas razões principais para esta recomendação. A não ser que o tumor seja
removido e estudado em um microscópio, não há como garantir que este não seja
Capítulo 2 - Estrutura mamária
19
canceroso e, embora o nódulo não envolva o tecido mamário, ele pode crescer
bastante e deformar a mama.
A doença fibrocística é caracterizada por um número de pequenos cistos (sacos
cheios de líquido ao redor do tecido fibroso) também é comum e ocorre com mais
frequência durante os anos reprodutivos, constituindo uma das causas mais freqüentes
de tumores mamários A aspiração com agulha é utilizada para diagnosticar e tratar
esta doença. Se o líquido que estiver sendo retirado for de uma cor parda ou
amarelada e contiver sangue e os nódulos desaparecerem por completo após o
procedimento, não há necessidade de estudos mais detalhados.
Um papiloma intraductal é caracterizado por um pequeno crescimento dentro
do ducto mamário. É inofensivo e frequentemente pode não ser sentido, havendo em
alguns casos uma secreção aquosa e rosa do mamilo. Uma vez que a secreção aquosa
ou com sangue possa estar associada a câncer (muito raramente), um exame
microscópico do líquido e normalmente uma mamografia são recomendados para
avaliar as possibilidades. Neste caso a remoção cirúrgica é recomendada.
Potencialmente, os nódulos mamários malignos podem ser acompanhados de
secreção espontânea dos mamilos em apenas um ducto em uma mama. A secreção
ocorre em aproximadamente 4% dos cânceres mamários.
Enquanto menos de 20% dos nódulos mamários representam um risco de vida,
os sinais clínicos de câncer mamário não são facilmente distinguidos desta doença de
mama benigna.
Capítulo 2 - Estrutura mamária
20
Capítulo 3 Ultrassom
21
C
C
C
A
A
A
P
P
P
Í
Í
Í
T
T
T
U
U
U
L
L
L
O
O
O
3
3
3
–
–
–
U
U
U
L
L
L
T
T
T
R
R
R
A
A
A
S
S
S
S
S
S
O
O
O
M
M
M
Neste capítulo são introduzidos conceitos relativos ao uso do ultrassom
diagnóstico, definição das características do ultrassom, assim como do equipamento
e do exame.
3.1 Histórico
De acordo com Stuart Blume (1992), a história da pesquisa e do
desenvolvimento do ultrassom como ferramenta diagnóstica foi a resultante de uma
prolongada história de colaboradores variados, programas de desenvolvimento e
histórias de negócios que refletiram circunstâncias locais muito específicas. Em 1794,
Lazzaro Spallanzini demonstrou que os morcegos se orientavam mais pela audição
que pela visão para localizar obstáculos e presas. Em 1880 Jacques e Pierre Curie
deram uma contribuição valiosa para o estudo do ultrassom, descrevendo as
características físicas de alguns cristais.
O austríaco Karl Theodore Dussik foi o pioneiro no uso do ultrassom em
medicina, em 1942, tendo realizado experimentos na detecção de tumores cerebrais.
Seu trabalho influenciou vários pesquisadores, como George D. Ludwig, médico
militar do Instituto Naval de Pesquisas Médicas, em Bethesda, Maryland (EUA), que
por volta de 1949 pesquisou tecidos animais, com interesse especial em cálculos
biliares, utilizando um detector industrial de "modo A" (DUSSIK, 1942).
Em 1948 ou 1949, o médico angloamericano John Julian Wild juntamente com
Donald Neal, engenheiro, no Massachusetts Institute of Technology (MIT), nos
Estados Unidos, desenvolveram o "ultrassom modo A unidirecional" para
diagnosticar neoplasias intestinais e mamárias (WOO, 2006).
Capítulo 3 Ultrassom
22
Em 1953, John J. Wild em conjunto com John Reid, engenheiro eletrônico,
idealizaram o "ultrassom modo B linear". Eles também cunharam os termos
"ecografia" e "ecometria", sugerindo o aspecto quantitativo do exame (WOO, 2006).
Douglas Howry, William Roderic Bliss, e Gerald J Posakony, em 1954,
criaram o sistema de ultrassom em tanque de imersão, que foi o primeiro scanner de
modo linear B bidimensional e, mais tarde, idealizaram o "Somascope" motorizado,
um scanner de circunferência. Douglas Howry foi condecorado pela Sociedade
Americana de Radiologia em 1957 e algumas fontes de referência o consideram como
o "pai da ultrassonografia diagnóstica". O "modo M" para ecocardiografia fetal foi
introduzido por Xin-Fang Wang e Ji-Peng Xiao, em 1963 (GOLDBERG, 1993).
A grande inovação na área foi a criação dos scanners em tempo real, em 1965,
por W. Krauser e R. Soldner.
Em 1967, a Siemens lançou no mercado o Vidoson®, adequado para exames
ginecológicos e abdominais. A tecnologia se desenvolvera de um modo bastante
diferente do pretendido por Howry, que visava ao controle do ultrassom pela
radiologia, e para cada especialidade ocorreram diversas adaptações técnicas e sociais
radicalmente diferentes (BLUME, 1992).
3.2 Ultrassom
Um som é caracterizado por vibrações (variação de pressão) no ar. O som
audível tem uma frequência que oscila entre 20 e 20.000Hz. Acima deste intervalo, os
sinais são conhecidos como ultrassons e abaixo dele, infrassons. O ultrassom
ultrapassa a frequência percebida pelo ouvido humano, excedendo os 20.000Hz
(KREMKAU, 1996).
Alguns animais, como o cão, golfinho e o morcego, têm um limite de
percepção sonora superior ao do ouvido humano, podendo, assim, ouvir ultrassons.
Os morcegos emitem o som em forma de pulsos ultrassônicos, que podem
variar de 7 000 Hz a 100 000 Hz e durar de 1 a 5 milissegundos, dependendo se o
animal estiver voando para se alimentar ou para desviar de obstáculos pequenos ou
perto do solo (DURÁN, 2003).
O ultrassom é uma energia mecânica que depende da matéria para se
transmitir, ao contrário da energia iônica, como o raio X, transmitido também no
vácuo. Por não ser uma energia iônica, o ultrassom não demonstrou efeitos biológicos
nocivos com as intensidades utilizadas na prática clínica (KREMKAU, 1996). Além
Capítulo 3 Ultrassom
23
disso, a possibilidade de gerar imagens em tempo real, prover informações das
propriedades elásticas dos tecidos, ser um método não invasivo e não ionizante,
tornam seu uso cada vez mais freqüente em aplicações da medicina.
A partir da década de 1980, com o aparecimento de ecógrafos em tempo real e
com melhora na resolução da imagem sonográfica, a USG mamária assumiu um papel
de destaque na propedêutica mamária. Esse método apresenta as vantagens de ser um
procedimento não-invasivo, bem tolerado pelas pacientes e que pode trazer
informações importantes, complementares ao exame físico e à mamografia
(GORDON, 2002). Amplamente usado como auxiliar no diagnóstico médico dentro
da obstetrícia e ginecologia, oftalmologia, neurologia e cardiologia além de sua
utilização como ferramenta comum em procedimentos terapêuticos (AL-KARMI et
al., 1994).
O ultrassom pode ser usado em alta ou baixa intensidade. Quando usado em
alta intensidade provoca modificações no meio atingido. Por outro lado, usado em
baixa intensidade, é usado para obtenção de informações do meio no qual foi
aplicado, como por exemplo, seu uso em diagnósticos mamários.
O uso do ultrassom para realizar diagnósticos é feito a partir da reflexão das
ondas ultrassônicas, que possibilita ser verificada a estrutura interna dos órgãos
estudados. Em exames pré natais, é recomendado o seu uso, por ser mais seguro que
outras formas de diagnóstico que utilizem radiação.
3.3 O equipamento de Ultrassom
Um equipamento básico de ultrassom é formado por uma unidade de geração e
transmissão dos pulsos elétricos para excitação dos transdutores, uma unidade de
recepção e amplificação dos sinais captados, uma unidade de controle e
processamento que é utilizada para configurar os parâmetros das unidades de
transmissão e recepção e uma unidade para visualização dos resultados do
processamento. O tipo de análise e de processamento efetuados nos sinais enviados e
recebidos pelos transdutores depende das informações requeridas pelo médico, que
podem ser a apresentação de um órgão interno em um monitor, a atenuação ou
velocidade de propagação da onda ultra-sônica em um determinado órgão, a
estimação de fluxo sanguíneo ou o deslocamento de determinadas estruturas em
relação às suas posições normais (WEBSTER, 1992), (WELLS, 1977).
A figura 3.1 ilustra um aparelho de ultrassom.
Capítulo 3 Ultrassom
24
Figura 3.1 – Equipamento de ultrassom (Fonte:www.siemens.com.br)
Nos últimos anos observaram-se grandes inovações no que diz respeito à
instrumentação biomédica. Os equipamentos de imagem passaram a disponibilizar
informações não só das estruturas anatômicas como do estado funcional dos diversos
sistemas, com qualidade de imagem cada vez melhor. Isso decorreu da modernização
dos transdutores e, principalmente, da utilização de eletrônica digital e de
microprocessadores cada vez mais rápidos e potentes e da utilização de técnicas de
processamento digital de sinais e de imagens, o que tem permitido um avanço sem
precedentes nas técnicas de diagnóstico por ultrassom.
O ultrassom lança ondas de som em um corpo, as quais são refletidas e
capturadas pelo equipamento, este as transforma, por sua vez em imagem, a qual pode
ser lida e interpretada. Neste tipo de exame não são usadas quaisquer formas de
radiação ou de matérias contrastantes que possibilitem a formação de imagens.
Os aparelhos de ultrassom em geral utilizam uma frequência variada
dependendo do tipo de transdutor, desde 2 até 14 Mhz, emitindo através de uma fonte
de cristal piezoelétrico que fica em contato com a pele e recebendo os ecos gerados.
Quanto maior a frequência maior a resolução obtida.
Existem diferentes tipos de transdutores, cada um adequado para um diferente
tipo de exame. O transdutor convexo é o mais adequado para o exame de abdômen e
pelve, e o linear, para o exame da tireóide e mamas. Na figura 3.2 são apresentados
diferentes tipos de transdutores.
Capítulo 3 Ultrassom
25
Figura 3.2 - Diferentes tipos de transdutores
Na prática, os transdutores de menor frequência (de 3,5MHz) são utilizados
para o exame de tecidos profundos, como, por exemplo, o abdômen (fígado, vesícula,
baço, rins...), e a pelve (bexiga, útero, ovários, próstata, obstétrico...). Os transdutores
de frequência elevada (maiores que 7,5MHz) são utilizados para exame de tecidos
superficiais, como a mama, tireóide, pele, testículo, etc.
Quanto maior a frequência do transdutor, menor o comprimento da onda
sonora e melhor a resolução espacial. Em um meio homogêneo, o ultrassom se
propaga em linha reta, sendo que a velocidade de propagação depende da densidade
deste meio. Em um meio heterogêneo, as ondas sonoras são refletidas a cada
densidade diferente, retornando ecos para o transdutor.
Quando o ultrassom passa de um meio para outro com densidade diferente,
parte de sua energia é refletida e parte penetra no novo meio. Ambas as ondas
ultrassônicas, refletida e transmitida, sofrem desvio de propagação (WEBB, 1988;
BRONZINO, 1986; CHRISTENSEN, 1988).
O emissor de ultrassom ou transdutor é constituído por uma cerâmica piezo-
elétrica que responde a estímulos elétricos, emitindo uma onda curta que se propaga
nos tecidos e é refletida nas diversas interfaces (OLIVEIRA, 2003). O mesmo emissor
registra o eco de retorno, de modo que é também um receptor. Apenas os ecos
provenientes de interfaces perpendiculares às ondas sonoras são recebidos. Entre a
emissão do ultrassom e a recepção do seu eco correspondente há um intervalo de
tempo que aumenta com a distância entre o transdutor e a interface refletora. Assim
Capítulo 3 Ultrassom
26
sendo, é possível estabelecer a profundidade desta interface de acordo com este
intervalo.
Os transdutores de ultrassom são construídos a partir do material piezoelétrico
e podem ter um único elemento (Figura 3.3) ou ser multielementos (Figura 3.4),
(Figura 3.5). Os elementos básicos deste tipo de transdutor são: cerâmica piezoelétrica
(transdutor), camada de retaguarda (para absorção da energia acústica que se propaga
no sentido contrário ao da face frontal), camada frontal (para casamento de
impedância acústica com o meio de propagação da onda acústica gerada pela
cerâmica), elementos de casamento de impedância elétrica, cabos e material de
encapsulamento do transdutor.
Dependendo da aplicação, o elemento piezoelétrico é quem determina a
frequência de operação do transdutor. Em geral, os transdutores são acondicionados
em um suporte plástico para lhes dar proteção mecânica e elétrica. Na superfície por
onde emergem as ondas ultrassônicas há uma camada especial para permitir o perfeito
acoplamento acústico e também para dar proteção ao elemento piezoelétrico. Os
transdutores são hermeticamente fechados e têm externamente o dispositivo para a
conexão elétrica com o módulo eletrônico do equipamento.
O transdutor de um único elemento da Figura 3.3 é usado para o Modo A,
pulsado.
Figura 3.3 – Esquema de transdutor de um único elemento (COSTA; MAIA, 2002)
Capítulo 3 Ultrassom
27
Figura 3.4 – Esquema de transdutor matricial 1D (COSTA; MAIA, 2002)
Figura 3.5 – Esquema de transdutor matricial 2D (COSTA; MAIA, 2002)
As ondas ultra-sônicas podem sofrer reflexão, refração ou difração quando o
feixe encontra uma interface entre meios com características acústicas diferentes.
Baseados nesse comportamento, dois métodos experimentais são geralmente
utilizados para caracterização de meios biológicos e não biológicos por ultrassom: o
método transmissão-recepção e o método pulso-eco (reflexão). A combinação desses
dois métodos permite obter informações sobre distância entre objetos, velocidade de
propagação e atenuação de ondas ultra-sônicas nos meios (MAIA, 2001).
As estruturas de densidade hídrica permitem propagar facilmente os ecos
emitidos pelo ultrassom, ao contrário do que ocorre com estruturas ósseas ou gasosas,
quando a variação de impedância acústica entre água e osso ou água e ar é tamanha
que há total reflexão das ondas sonoras. Por isso o estudo ultrassonográfico de áreas
com estas características (cérebro, pulmões) é muito pobre. É esta diferença de
Capítulo 3 Ultrassom
28
impedância acústica que obriga o contato apropriado entre o transdutor e a pele do
paciente.
O ultrassom, em geral, se propaga através de líquidos, tecidos e sólidos.
Apresenta as seguintes velocidades de propagação, nos mais diferentes meios, sendo
essa característica inerente ao processo de interação das ondas ultrassônicas
(mecânicas) com o meio em particular (Tabela 3.1).
Tabela 3.1 - Velocidade da propagação do som em diversos meios
Meio Velocidade (m/s)
Ar 330
Água doce 1435
Sangue 1560
Músculo 1570
Gordura 1580
A impedância acústica está relacionada com a resistência ou a dificuldade do
meio à passagem do som, é o produto da densidade do material pela velocidade do
som no mesmo. Quando o feixe sonoro atravessa uma interface entre dois meios com
a mesma impedância acústica, não há reflexão e a onda é toda transmitida ao segundo
meio. A diferença de impedância acústica entre dois tecidos define a quantidade de
reflexão na interface, promovendo sua identificação na imagem. Um nódulo no fígado
por exemplo, será mais facilmente identificado se sua impedância acústica for
bastante diferente do parênquima hepático ao redor; ao contrário, quanto mais
próxima sua impedância acústica do parênquima hepático normal, mais dificuldade
teremos em identificá-lo, porque pouca reflexão sonora ocorrerá. Ou seja, quanto
maior for a diferença de impedância entre duas estruturas, maior será a intensidade de
reflexão. Na tabela 3.2 pode ser vista a impedância de alguns materiais.
Capítulo 3 Ultrassom
29
Tabela 3.2 - Impedância acústica de alguns materiais
Material (106 Rayls)
Ar 0,0004
Gordura 1,38
Água 1,48
Músculo 1,70
Outros tecidos moles 1,63
Osso 7,80
3.4 O Exame de Ultrassom da mama
Diversas modalidades propedêuticas de imagens têm sido estudadas na
avaliação dos linfonodos axilares na tentativa de melhorar a sensibilidade e
especificidade do exame clínico da mama. Entretanto, os resultados expostos na
literatura demonstram que a mamografia, a tomografia computadorizada e a
tomografia por emissão de pósitrons (PET-scan) também apresentam baixo
desempenho nos diagnósticos mamários (PAMILO; SOIVA; LAVAST, 1989),
(WAHL et al., 2004).
Nesse sentido, a ultra-sonografia, que tem custo relativamente baixo, tem
mostrado desempenho superior à mamografia e ao exame físico na identificação de
linfonodos comprometidos (PAMILO; SOIVA; LAVAST, 1989), (YANG et al.,
1996), (STAVROS, 2004).
A técnica de ultrassom para diagnóstico compreende basicamente três modos:
o Modo A (de Amplitude), o Modo B (de Brilho) e o Modo M (de Movimento).
Os princípios básicos do Modo A (Amplitude) referem-se à simplicidade de
operação de um sistema de ultrassom. Pulsos de ultrassom de curta duração são
enviados por um único transdutor que também funciona como receptor dos ecos
refletidos nas interfaces, conforme esquema mostrado na Figura 3.6. A amplitude do
eco retroespalhado é registrada em função do tempo. Neste método de apresentação
de informações, a distância alvo-transdutor é representada no eixo horizontal e a
amplitude do eco, no eixo vertical na tela de um monitor de vídeo (IEC1390, 1996).
Na Figura 3.7 está esquematizado de forma simplificada o sistema de ultrassom para
operação no Modo A.
Capítulo 3 Ultrassom
30
Figura 3.6 – Transdutor enviando e recebendo pulsos elétricos (BISCEGLI, 2004)
Figura 3.7 – Esquema do sistema de ultrassom para operação no Modo A
(BISCEGLI, 2004).
O Modo-A foi bastante usado para detectar tumores cerebrais, localizando a
linha mediana do cérebro, que normalmente separa seus ventrículos simetricamente.
Capítulo 3 Ultrassom
31
O deslocamento dessa linha pode indicar presença de um tumor. Esse procedimento é
chamado ecoencefalografia. Pela varredura-A podem-se também distinguir diferentes
tipos de tecido; por exemplo, o tecido mole produz ecos de baixa amplitude, enquanto
que o líquido de um cisto não produz eco (COIADO, 2008).
Os Princípios básicos do Modo B (Brilho) baseiam-se em um sistema
comumente mais usado para obtenção de imagens do interior do corpo humano ou de
animais. Sistemas mais sofisticados permitem o uso de vários transdutores,
multifrequência, e inúmeros recursos de pré-processamento na geração da imagem e
de pós processamento da imagem congelada no monitor.
O princípio de funcionamento baseia-se na obtenção dos ecos como no modo-
A, mas o sinal é tratado diferentemente. O modo-B pode ser estático ou dinâmico. No
modo-B, os ecos são representados por pontos brilhantes na tela. A intensidade do
brilho (geralmente apresentada numa escala de cinza) corresponde à amplitude dos
ecos do modo-A. O modo-B produz uma imagem bidimensional do meio sob estudo
pela combinação dos sinais do modo-A em várias direções (varredura ou B-scan).
A Figura 3.8 apresenta um diagrama simplificado de um sistema de ultra-
sonografia típico.
Figura 3.8 – Sistema de ultra-sonografia típico (BISCEGLI, 2004)
Capítulo 3 Ultrassom
32
O Modo-B é amplamente utilizado em obstetrícia, onde a taxa de crescimento
fetal, orientação de estruturas, e anormalidades podem ser mapeadas sem o risco da
exposição do feto ‘a radiação ionizante. Outras aplicações importantes: exames
abdominais para localização de tumores e análise da imagem de órgãos internos; em
ginecologia, para localização de cistos e tumores no ovário e mamas, em músculo
esquelético para observação dos membros inferiores e superiores; e em cardiologia, na
visualização das paredes e válvulas cardíacas (ZUCATTI, 2003).
A figura 3.9 exibe a imagem de um ultrassom mamário no Modo-B.
Figura 3.9 - Imagem obtida no Modo-B para análise mamária
O Modo-M (Movimento) é utilizado para analisar qualitativa e
quantitativamente o movimento de estruturas como válvulas cardíacas. Este modo
possui algumas características do Modo A e algumas do Modo B. Como no Modo B,
o brilho da linha mostrada é modulado de acordo com a amplitude do sinal recebido e
ele é similar ao Modo A porque os ecos são coletados em apenas uma direção e
apresentados na direção horizontal do monitor (IEC1390, 1996).
3.5 Alcance e limitação do Ultrassom
A ultrassonografia mamária diagnóstica e intervencionista tem grande
participação como exame complementar à mamografia e à clínica, tornando-se
método valioso e bem estabelecido no diagnóstico das doenças mamárias
(PAULINELLI, 2004)
Capítulo 3 Ultrassom
33
É um exame que permite obter informações da textura e conteúdo de nódulos
mamários. Não é utilizado como método de rastreamento do câncer de mama porque
não tem condições para detectar microcalcificações que, muitas vezes, representam a
única forma de expressão dessa doença. Outra limitação importante é a identificação
de tumores menores que 1 cm, quando estes estão localizados profundamente em
mamas volumosas e com grande quantidade de tecido adiposo, a identificação se torna
precária, porque pequenos tumores e lojas de gordura geram imagens semelhantes.
Por isso, na maioria dos casos é usado como método complementar da mamografia.
A ultra-sonografia tem grande aplicação na diferenciação entre tumores císticos e
sólidos e também é capaz de identificar lesões no interior de um cisto, indicando sua
retirada através de cirurgia (ROCHA; BAUADM,1995).
Na tabela 3.3 é possível verificar os critérios ecográficos usados na caracterização
nodular.
Tabela 3.3 - Critérios Ecográficos mais importantes de diferenciação entre nódulos
quísticos, benignos e malignos (Pasqualette et al., 1998).
Este exame tem melhor resultado quando feito em mamas densas, com tecido
glandular exuberante, como as mamas das mulheres jovens.
Capítulo 3 Ultrassom
34
Capítulo 4
- Técnicas para minimização de ruído e segmentação de imagens
35
CAPÍTULO 4 – TÉCNICAS PARA
MINIMIZAÇÃO DE RUÍDO E
SEGMENTAÇÃO DE IMAGENS
ULTRASSÔNICAS
Neste capítulo são apresentadas algumas técnicas que permitem a
minimização de ruído speckle, aumento de contraste e segmentação de nódulos
mamários em imagens por ultrassom.
4.1 Processamento de imagens
O objetivo do uso do processamento digital de imagens consiste em melhorar
o aspecto visual de certas feições estruturais, a fim de fornecer subsídios para que o
analista humano possa realizar a interpretação da imagem de maneira confiável, além
do fato de gerar imagens que possam ser posteriormente submetidas a processamentos
realizados de forma automática.
Técnicas responsáveis pelo processamento de imagens têm tido um
crescimento abundante nos últimos anos, porque hoje dispomos de um conjunto cada
vez maior de imagens, provenientes de diversos tipos de fontes. A medicina é uma das
áreas que mais se tem beneficiado da interação com a computação, através da análise
de imagens principalmente para diagnóstico.
O interesse em métodos de processamento digital de imagens surgiu,
principalmente, da necessidade de melhorar a qualidade da informação pictorial para
interpretação humana. Uma das primeiras aplicações das técnicas de processamento
de imagens foi a melhoria de ilustrações de jornais enviados por cabo submarino entre
Londres e New York por volta de 1920 (GONZALEZ, 2000).
Capítulo 4
- Técnicas para minimização de ruído e segmentação de imagens
36
4.2 Técnicas para minimização de ruído speckle
Todas as técnicas de formação de imagens estão sujeitas a algum tipo de
degradação, seja causada por defeitos do equipamento ou por distorções no
processamento dos sinais.
Os ruídos introduzidos pelos artefatos da coleta de sinais biomédicos podem
causar degradação do sinal em imagem de diferentes modalidades. Entre os ruídos
predominantes nas imagens formadas através de energia coerente, como o ultrassom,
são destacados o ruído branco e o ruído do tipo speckle (ZONG; LAINE; GEISER,
1998).
Speckle é um ruído multiplicativo proporcional à intensidade do sinal
recebido, está sempre associado a sistemas de imageamento coerente, tais como os
obtidos por microondas, laser, ou ultrassonografia. Considera-se que em uma célula
de resolução de uma cena, exista um número muito grande de elementos difusores,
aleatoriamente distribuídos, de tal forma que esses elementos podem interferir uns nos
outros construtivamente e destrutivamente, fazendo aparecer variações súbitas na
intensidade da imagem, caracterizando o ruído Speckle (INPE, 1997).
O efeito visual deste ruído proporciona uma textura granulosa que pode
dificultar a interpretação das imagens, reduzindo a separabilidade entre os objetos da
cena, e impossibilitando muitas vezes a análise automática das imagens. Na figura 4.1
é possível ver tal ruído em uma imagem de ultrassom mamário.
Figura 4.1: Ultrassom mamário com ruído speckle
Muitos filtros têm sido desenvolvidos no sentido de reduzir o ruído speckle e
aumentar a relação sinal-ruído, com vistas a melhorar a separabilidade dos alvos na
superfície da imagem, com o mínimo de perda de dados. Tais filtros devem preservar
as bordas presentes na imagem e as informações de textura.
Capítulo 4
- Técnicas para minimização de ruído e segmentação de imagens
37
Os filtros tratados neste trabalho são os de: Frost, Lee, Wiener além das
Wavelets das famílias: Haar, Daubecheis, Coiflets e Symlets, os quais são
comparados a fim de se encontrar a melhor técnica pra minimização do ruído speckle.
4.2.1 Filtro de Frost
Proposto por (FROST et al.,1982), este é um filtro de Wiener
adaptativo baseado no modelo de ruído multiplicativo, e incorpora a dependência
estatística do sinal original, isto é, considera uma função de correlação exponencial
entre pixels vizinhos
É um filtro de convolução linear, derivado da minimização do erro médio
quadrático sobre o modelo multiplicativo do ruído. Neste filtro incorpora-se a
dependência estatística do sinal original, uma vez que se supõe uma função de
correlação espacial exponencial entre os pixels. É um filtro adaptativo que preserva a
estrutura das bordas (FROST et al.,1982).
4.2.2 Filtro de Lee
O filtro de Lee adota um modelo multiplicativo para o ruído e obedece o
critério de menor erro médio quadrático local e linear. Local, porque utiliza
estatísticas locais do pixel a ser filtrado, admitindo a não estacionariedade da média e
da variância do sinal; linear, porque realiza uma linearização por expansão em série
de Taylor da multiplicação do sinal e do ruído em torno da média, utilizando apenas
os termos lineares. O resultado da linearização transforma o modelo multiplicativo do
ruído em aditivo, ou seja, o ruído e o sinal tornam-se independentes; e, finalmente,
menor erro médio quadrático linear, porque minimiza o erro médio quadrático através
do filtro de Wiener. É um filtro adaptativo e geral (LEE, 1981).
4.2.3 Filtro de Wiener
Filtro baseado no critério de mínimo erro médio quadrático. O filtro de Wiener
é tipicamente um filtro de passa baixa, é implementado em um domínio do espaço ou
da frequência e muito utilizado na remoção de ruídos.
Os elementos básicos da filtragem Wiener descritos por (ROBINSON, 1980;
TREITEL, 1966), são sinal de entrada p(t), sinal de saída desejado d(t) e sinal de saída
verdadeiro y(t). Deseja-se encontrar um filtro h(t) que convoluído com o sinal de
entrada p(t) fornece a melhor aproximação do sinal de saída desejado d(t), de acordo
Capítulo 4
- Técnicas para minimização de ruído e segmentação de imagens
38
com o critério de mínimos quadrados, minimizando a energia da diferença entre a
saída desejada e a verdadeira. O filtro será aquele que fornece o valor mínimo para a
soma das diferenças ao quadrado entre as saídas desejada e verdadeira.
4.2.4 Wavelets
A transformada discreta de Wavelet (DWT) foi previamente utilizada em áreas
que envolvem detecção de bordas, redução de ruído, análise de textura e realce de
imagens. Aqui a ferramenta em questão é utilizada para reduzir o ruído speckle
(ANDRADE, 2006).
A idéia fundamental das Wavelets é a análise de dados de acordo com a
escala. Algoritmos Wavelets processam dados em diferentes escalas ou resoluções.
Similarmente ao zoom de uma câmera, ao se examinar um sinal com uma grande
janela, ou seja, sem zoom, notam-se somente as características mais grosseiras dele.
No entanto, ao se olhar através de uma pequena janela, ou seja, com um grande zoom,
podem-se perceber as características mais finas, os detalhes. Fazendo uma analogia, o
resultado de uma análise Wavelet é ver tanto a floresta como suas árvores (FAYAL,
2008).
Wavelet (ou ondaleta
4.1
) é uma função capaz de decompor e descrever outras
funções no domínio da frequência, de forma a podermos analisar estas funções em
diferentes escalas de frequência e de tempo. A decomposição de uma função com o
uso de wavelets é conhecida como transformada de wavelet e tem suas variantes
contínua e discreta. Graças à capacidade de decompor as funções tanto no domínio da
frequência quanto no domínio do tempo, as funções wavelet são ferramentas
poderosas para a análise de sinais e compressão de dados.
As Wavelets são funções que satisfazem certos requisitos matemáticos e
usadas na representação de outras funções. Elas apresentam os dados contidos em
diferentes componentes de frequência e estudam cada componente com uma
resolução relacionada à sua escala (SILVA; EYNG, 2002).
Segundo GRAPS (1995), Wavelets são funções matemáticas que decompõem
dados em diferentes componentes de freqüência, e então estudam cada componente
com uma resolução de acordo com a sua escala. Elas levam vantagem sobre o
tradicional método de Fourier na análise de situações físicas quando o sinal contiver
4.1
Termo usado por Pedro A. Morettin em MORETTIN, Pedro A.. Ondas e Ondaletas: da Análise de
Fourier à Análise de Ondaletas. São Paulo: Editora da Universidade de São Paulo, 1999.
Capítulo 4
- Técnicas para minimização de ruído e segmentação de imagens
39
descontinuidades e picos. Wavelets foram desenvolvidas de forma simultânea e
independente nos campos da matemática, física quântica, engenharia elétrica e
geologia sísmica. Intercâmbios entre esses campos durante os últimos dez anos têm
produzido diversas novas aplicações para Wavelets, tais como na compressão de
imagens, visão humana, radar e até em previsão de terremotos.
Segundo Amara, (1995) a forma mais simples de filtrar o ruído de imagens via
wavelet constitui-se de três etapas: a decomposição, threshold e reconstrução da
imagem.
A função [c,S]=wavedec2(X,j,’wname’) decompõe a matriz X (imagem que se
deseja filtrar) em um determinado nível j, onde j é o número de decomposições
efetuadas, usando uma das funções discretas da wavelet mãe para efetuar uma
filtragem. Ela retorna um vetor C, que contém os coeficientes da decomposição e uma
matriz S onde será escrita a nova imagem.
A decomposição é feita em quatro componentes: a aproximação no nível j+1, e
os detalhes em três orientações (horizontal, vertical e diagonal). Por exemplo, se a
decomposição é feita usando filtros passa-baixa e passa-alta, o resultado será
conforme descrito no diagrama a seguir.
Figura 4.2 – Diagrama de decomposiçao (Misiti et al., 2000)
Onde Lo_D e Hi_D correspondem aos filtros de passa-baixa e passa-alta,
respectivamente.
Os coeficientes correspondem aos detalhes da imagem e estão dispostos em
uma matriz que é aplicada em um vetor linha. Eles são ordenados usando dois padrões
Capítulo 4
- Técnicas para minimização de ruído e segmentação de imagens
40
(threshold) dominantes, o de escala (resolução) e o de movimento (transladação), que
irão compor um filtro gerado por um banco conhecido como filtros de quadratura
conjugada definindo os valores como sendo zero para todos os coeficientes que são
menores que o threshold padrão. Se os detalhes forem pequenos, eles podem ser
omitidos sem afetar substancialmente a imagem final.
A função a0=waverec2(C,S,’wname’) é a função inversa da wavedec2. Ela
reconstrói a imagem original a partir dos coeficientes C gerados na decomposição e
retorna a imagem original filtrada. O resultado é uma imagem mais limpa (a0) e que
mantêm os detalhes da imagem original.
A função de base da transformada wavelet, denominada função “mãe”, pode
ser contínua ou discreta. A contínua é usada para análise e caracterização de detalhes
em imagens, e a discreta, na compressão e reconstrução de imagem. Para realce de
imagens mamográficas, normalmente, são empregados métodos baseados na versão
discreta (PEREIRA, 2008).
É possível escolher diferentes funções que denominam a wavelet “mãe”, com
características distintas e melhor adaptadas a determinados contextos. As famílias de
wavelets são determinadas pelo número de coeficientes que elas geram, a relação
entre estes coeficientes e o nível das iterações. A função Symlet11 é definida como
uma função complexa cujas raízes são diferentes de 1, aos pares, resultando em um filtro
de matriz simétrica de dimensão 11x11.
4.2.4.1 Famílias Wavelets
Existem diferentes tipos de Famílias Wavelets. Veremos os tipos de bases
Wavelets usadas neste trabalho que são as Wavelets: Haar, Daubecheis, Coiflets e
Symlets. Na figura 4.5, o eixo horizontal representa o tempo ou posição e o eixo
vertical a amplitude das Wavelets.
A Wavelet de Coiflets é denominada pelo nome CoifN, onde Coif descreve
seu nome e N é o número de sua ordem (FONSECA, 2004).
As Coiflets têm função Wavelet mãe, ou seja, Psi com 2N momentos iguais a
0 (zero) e função escala, Phi, com 2N-1 momentos iguais a 0 (zero). Ambas funções
têm suporte com comprimento 6N-1. Abaixo, na figura 4.3 seguem as Coiflets de
ordem 1 a 5.
Capítulo 4
- Técnicas para minimização de ruído e segmentação de imagens
41
Figura 4.3 – Família Coiflets
A família que foi criada por Ingrid Daubechies tem como principal
característica sua ortonormalidade e seu suporte compacto. O índice n em dbn indica a
ordem, que teoricamente pode variar de 1 a infinito. Abaixo, na figura 4.4 seguem as
daubechies de ordem 2 a 9, tendo em vista que a db2 é igual à wavelet mãe de Haar.
Figura 4.4 - Família Daubechies
A Transformada de Haar é uma transformada matemática discreta usada no
processamento e análise de sinais, na compressão de dados e em outras aplicações de
engenharia e ciência da computação. Ela foi proposta em 1909 pelo matemático
húngaro Alfred Haar, é a primeira e mais simples das bases (TOOLBOX, 2001). A
transformada de Haar é um caso particular de transformada discreta de wavelet, onde
o wavelet é um pulso quadrado definido pela função apresentada na Equação 4.1:
(4.1)
Capítulo 4
- Técnicas para minimização de ruído e segmentação de imagens
42
Apesar de ter sido proposta muito antes do termo wavelet ser cunhado, a
wavelet de Haar é considerada como um caso particular das wavelets de Daubechies,
conhecida por isso como wavelet de Daubechies D2.
SymN (FONSECA, 2004) denomina a Família Wavelet Symlets, onde Sym é
o nome e N é a ordem. As Symlets são próximas das wavelets simétricas propostas
por Daubechies, como uma modificação da família db. Ela apresenta as mesmas
propriedades da família dB. Abaixo, na figura 4.5 seguem as Symlets de ordem 2 a 8.
Figura 4.5 - Wavelets Symlets, função Psi
4.3 Aumento de Contraste
A melhora do contraste nas imagens é de extrema importância, pois permite o
realce na intensidade entre os componentes da imagem,
objetivando melhorar a
qualidade visual sob critérios subjetivos ao olho humano
.
Esse processo não aumenta a
quantidade de informação contida na imagem, mas torna mais fácil a sua percepção.
A imagem possui baixo contraste quando, devido à má iluminação, defeitos do
sensor entre outros problemas, o intervalo de valores de intensidade ocupados pelos
pixels nela presentes, pode ser muito menor que o intervalo máximo (0 até 255, por
exemplo), tornando assim, a sua visualização ou interpretação comprometida.
Várias técnicas podem ser aplicadas para realce de contraste. Neste trabalho
são aplicadas técnicas para aumento de contraste através da equalização do
histograma, mapeamento das variações dentro do intervalo de tons de cinza e correção
gama.
Capítulo 4
- Técnicas para minimização de ruído e segmentação de imagens
43
4.3.1 - Equalização de histograma
O histograma de uma imagem é simplesmente um conjunto de números
indicando o percentual de pixels naquela imagem que apresentam um determinado
nível de cinza, através do número de pixels para cada nível de cinza. Estes valores são
normalmente representados por um gráfico de barras que fornece para cada nível de
cinza o número (ou o percentual) de pixels correspondentes na imagem. Através da
visualização do histograma de uma imagem obtemos uma indicação de sua qualidade
quanto ao nível de contraste e quanto ao seu brilho médio (se a imagem é
predominantemente clara ou escura) (MARQUES; VIEIRA, 1999).
Nas
barras
verticais justapostas apresentadas no histograma, a base de cada uma delas
corresponde ao intervalo de classe e a sua altura à respectiva frequência.
Em relação ao contraste, a avaliação é feita de acordo com o posicionamento
das barras verticais. Por exemplo: o histograma de uma imagem com contraste bom
possui barras dispersas ao longo de todo o intervalo escalar.
Exemplos de histogramas de imagens com alto contraste (figura 4.6) e baixo
contraste (figura 4.7).
Figura 4.6 - Histograma com alto contraste
Figura 4.7 - Histograma com baixo contraste
Capítulo 4
- Técnicas para minimização de ruído e segmentação de imagens
44
A equalização do histograma distribui os níveis de cinza de acordo com a
função de distribuição acumulada da distribuição de probabilidades da imagem
original. Exemplo de imagem de equalização de histograma pode ser visto na figura
4.8.
Figura 4.8 - Exemplo de equalização de histograma
4.3.2 – Mapeamento das variações de cinza
Um realce de contraste pode ser feito mapeando as variações dentro do
intervalo de tons de cinza [Vmin-Vmax] da imagem original para a variação máxima
do dispositivo de visualização que, geralmente, é [0, 255]. Vmin e Vmax são os
valores de níveis de cinza mínimos e máximos, respectivamente, presentes na imagem
original.
Isso pode ser realizado através de uma função de mapeamento. Cada valor de
nível de cinza na imagem original é mapeado para um novo valor de acordo com uma
função de transferência, que pode ser definida como: y =f(x), onde: x é o nível de
cinza original e y é o novo valor correspondente.
A escolha da função f determina qual será o efeito visual obtido, e deve ser
escolhida de acordo com a imagem original e o efeito desejado. Em uma
transformação linear, os valores de níveis de cinza dos pixels são escalonados de tal
forma que todos os pixels com valores Vmin e Vmax são mapeados para 0 e 255,
respectivamente. Da mesma forma, os outros valores de níveis de cinza são mapeados
para valores entre 0 e 255. Dessa forma, permitindo obter-se uma imagem clareada,
escurecida, de baixo ou alto contraste (MINISTÉRIO DA CIÊNCIA E
TECNOLOGIA).
Capítulo 4
- Técnicas para minimização de ruído e segmentação de imagens
45
4.3.3 – Correção Gama
A correção gama (GONZALEZ, 2000) é um método desenvolvido para manter
a claridade ou o escurecimento de uma imagem em vários dispositivos de saída
(geralmente telas de computador). Há muitos métodos diferentes e tipos de correção
de gama.
Basicamente, quando uma imagem com um valor gama atribuído for exibida
ela poderá ser corrigida para representar melhor a claridade ou o escurecimento que
apresenta no dispositivo ou aplicativo original de visualização. É feito um ajuste de
valores de intensidade de imagem através de um mapeamento de novos valores a
partir dos anteriores. O valor gama especifica o formato da curva descrita entre a
relação dos novos e antigos valores mapeados. Se o valor gama for menor que 1, o
resultado do mapeamento será mais luminoso, se gama for maior que 1, o resultado do
mapeamento direcionará os resultados para valores mais escuros.
4.4 Segmentação e Detecção de bordas
A separação dos pixels relativos a cada objeto, ou região, é uma etapa
fundamental para o sucesso do processo de análise da imagem.
Entre as diversas formas e categorias que pode ser alvo da aplicação de um
processo de segmentação, nesse trabalho daremos mais atenção às técnicas de
detecção de bordas em função dos objetivos principais dessa pesquisa.
A detecção de bordas é uma técnica para determinar pontos de uma imagem
digital em que a intensidade luminosa muda repentinamente (GONZALEZ, 2000).
Sua utilização reduz significativamente a quantidade de dados a serem processados, e
descarta informação que é considerada menos relevante, ainda que preservando
importantes propriedades estruturais de uma imagem.
O processo de dividir a imagem permite a simplificação na sua representação,
facilitando assim sua análise. Como resultado, temos um conjunto de contornos ou
regiões extraídos da imagem. Cada um dos pixels de uma região é similar com
referência a alguma característica ou propriedade computacional, cor, intensidade,
textura ou continuidade. Regiões adjacentes devem possuir diferenças significativas
com respeito à mesma característica(s).
Os detectores de borda a ser considerados neste trabalho são: Roberts, Sobel,
Prewit, Canny, Pseudo Top-Hat, descritos a seguir.
Capítulo 4
- Técnicas para minimização de ruído e segmentação de imagens
46
4.4.1 Detector de Roberts
Detector de bordas de Roberts (ROBERTS, 1965) é mais antigo e simples,
publicado em 1965, é uma máscara pequena, de fácil implementação e cálculo rápido. A
desvantagem baseia-se na problemática de que as respostas são muito sensíveis ao ruído
da imagem. O operador de Roberts faz o gradiente cruzado, isto é, em vez de calcular
as diferenças de valores de brilho na direção vertical e horizontal, o faz numa direção
rodada de 45º. A máscara do detector de bordas Roberts pode ser vista na figura 4.9.
Figura 4.9 – Máscara de Roberts
4.4.2 Detector de Prewitt
Detector de bordas de Prewitt (GONZALEZ, 2002) além de diferenciar, suaviza
a imagem, atenuando os efeitos negativos do ruído e não tem o enviesamento do
gradiente digital. É considerado semelhante ao operador Sobel. A máscara do detector
de bordas Prewitt pode ser vista na figura 4.10.
Figura 4.10 - Máscara de Prewitt
4.4.3 Detector de Canny
Detector de bordas de Canny, desenvolvido por John F. Canny em 1986
(CANNY, 1986), é baseado no Filtro gaussiano. Tem como base o gradiente da
imagem (a fase e o quadrado da amplitude) . Seu objetivo é minimizar a probabilidade
de não detecção de uma orla, minimizar a distância da orla detectada à real e
minimizar a probabilidade de detecção de múltiplas orlas por cada uma. As três fases
do detector de Canny encontram-se esquematizadas na figura 4.11:
Capítulo 4
- Técnicas para minimização de ruído e segmentação de imagens
47
Figura 4.11 – Fases do detector de bordas Canny
4.4.4 – Detector de Sobel
O detector de bordas de Sobel (MILLER, 1993) tem como objetivo destacar
bordas de uma imagem no sentido horizontal e vertical. Está baseado na aproximação
de Sobel para a derivada retornando a borda onde o gradiente é máximo.
A desvantagem deste método é que o deslocamento da máscara é realizado ou
no eixo horizontal (eixo X) ou no eixo vertical (eixo Y), ou seja, só detecta bordas nas
duas direções.
Na figura 4.12 apresenta-se o operador de Sobel na direção horizontal, e na
figura 4.13 o operador de Sobel na direção vertical.
O detector de bordas de Sobel é considerado mais sofisticado que o detector de
Roberts, porém em imagens ruidosas o resultado é considerado insatisfatório.
Figura 4.12 – Operador de Sobel na direção horizontal
Figura 4.13 - Operador de Sobel na direção vertical
Nas regiões onde os valores são constantes a resposta do operador no local é
zero.
Convolução
Supressão de não-
máximos
Tresholding
suavização
realce
detecção
Capítulo 4
- Técnicas para minimização de ruído e segmentação de imagens
48
4.4.5 Detector Pseudo Top-Hat (PTHT)
No detector Pseudo Top-Hat (CHEN, 2002), o algoritmo se baseia em três
passos fundamentais representados na figura 4.14 e são descritos abaixo.
Figura 4.14- Passos fundamentais do algoritmo Pseudo Top-Hat (CHEN,
2002)
Passo 1: Detecção de bordas por resíduo morfológico:
Operação morfológica matemática de dilatação, definida por:
(4.2)
Essa imagem contém bordas de diversos tipos de força, suaves e extremas. As
suaves seriam facilmente eliminadas num processo simples de limiarização. O PTHT
é usado para evitar tal efeito.
Passo 2: Transformação Pseudo Top-Hat
De acordo com a teoria do PTHT, é definida a transformação:
(4.3)
Capítulo 4
- Técnicas para minimização de ruído e segmentação de imagens
49
Essa imagem contém bordas suaves agora destacadas, na presença de sombras
e bordas extremas. O fundo da imagem perde sua homegeneidade e para recuperá-la e
dar maior destaque às bordas é realizado um processo quadtree recursivo.
Passo 3: Processo Quadtree Recursivo
O teste do quadtree verificava se o fator de homogeneidade (H) era
suficientemente alto. Se fosse esse o caso, a subdivisão naquela subimagem seria
realizada. O fator de homogeneidade (H) é definido de acordo com a fórmula abaixo,
onde representa a média da subimagem e , o desvio padrão.
(4.4)
Esse fator define o quão homogêneo é o fundo da imagem. Uma área onde ocorre
diferenças significativas entre os níveis dos pixels possui um maior desvio e, por
consequência, um maior H, ao contrário das áreas sem variação que possuem H baixo.
Em áreas escuras, esse fator é ainda mais significativo, uma vez que a média nessa
área é baixa.
O quadtree recursivo divide as áreas com alto fator de homogeneidade até o
limite estabelecido pelo usuário. Depois disso, somente as áreas que foram
subdivididas até esse limite são processadas, uma vez que as áreas com baixo H
representam, teoricamente, regiões homogêneas onde não se espera encontrar bordas.
O processamento é uma simples limiarização que destaca todos os pixels que se
encontram acima do valor dado pela soma de média e desvio padrão locais.
4.4.6 Segmentação Asterisco
Segundo o método proposto por Silva (2009), esquematizado na fig. 4.14, o
mesmo é composto de dois módulos – conforme descrição abaixo.
O primeiro utiliza uma série de técnicas associadas de modo a refinar a
representação da imagem inicial, simplificando a identificação de nódulos por região.
Capítulo 4
- Técnicas para minimização de ruído e segmentação de imagens
50
Figura 4.15 - Diagrama do modelo proposto para a segmentação (SILVA, 2009)
Primeiramente, a imagem inicial é normalizada de modo que um pixel com
valor 0 corresponda à cor preta (fundo da imagem) e 1 à branca (maior nível de
saturação aceitável) na primeira segmentação para a detecção de bordas através de um
filtro diferencial (O'ROURKE et al., 1994), dado pela expressão:
(4.5)
S( x, y) é a imagem segmentada;
U( x, y) é a imagem original; e
∇
u (x, y) é o operador gradiente aplicado em u .
Paralelamente, é gerada outra versão da imagem inicial segmentada por uma
filtragem clássica com o operador de Sobel (GONZALEZ , 2000) na forma:
Capítulo 4
- Técnicas para minimização de ruído e segmentação de imagens
51
(4.6)
T( x, y) é a imagem segmentada; e h( x, y) são as máscaras do operador dadas por
, representando a clássica operação de filtragem por transposição
GONZALEZ , 2000) com a associação dos templates:
(4.7)
Ambas as versões são binarizadas por limiarização para posterior associação,
observando-se que os parâmetros utilizados na limiarização foram os que produziram
os melhores resultados são, entretanto, passíveis de alteração, de forma que um pixel
indicativo de agrupamento (valor 1) está presente na imagem segmentada resultante
se, e somente se, estão presentes nas duas versões descritas anteriormente. Isso pode
ser representado pela função:
(4.8)
Tal procedimento mescla as principais características de cada um dos filtros
utilizados (Figura 4.15), ou seja, compara uma versão com alto grau de detalhamento
no processo de segmentação, que é o filtro diferencial, com uma segmentação mais
“grosseira” que porém, seleciona regiões mais compactas (mais agrupadas em seus
conjuntos de pixels), representada pela filtragem de Sobel.
No final dessa etapa, as bordas detectadas encontram-se relativamente espúrias
(pouco definidas e descontínuas), o que pode comprometer tanto a demarcação correta
das microcalcificações – gerando regiões topologicamente abertas, descontínuas ou
sem preenchimento – quanto a contagem da densidade das regiões, ou seja, número de
pixels significativos (considerados os pixels com valor 1) por região de n × n pixels.
Capítulo 4
- Técnicas para minimização de ruído e segmentação de imagens
52
Foram aplicados dois filtros morfológicos para melhor delineamento das
estruturas.
Primeiramente, foi proposto um algoritmo morfológico de delineamento
visando a uma expansão local das bordas das estruturas de interesse, principalmente
das microcalcificações, de modo a manter a integridade e ressaltar a nitidez dos
contornos, dado por:
(4.9)
Onde:
Morf1( x, y) , a imagem resultante;
Ast(
β
) um filtro em forma de asterisco; e
β
, a amplitude do filtro.
(4.10)
Este filtro possui o formato de um asterisco, como pode ser visto na figura
4.16, cuja característica principal é expandir ou contrair estruturas nas imagens
verticalmente (para cima e para baixo), na horizontal (esquerda e direita), e
diagonalmente em 45º, 135º, 225º e 315 º em ambos os sentidos.
Figura 4.16 – Operador asterisco (SILVA, 2009)
u
i+3,,j+3
u
i+3,,j
u
i+3,,j-3
u
i,,j+3
u
i-3,,j+3
u
i+1,,j+2
u
i+2,,j
u
i+2,,j-2
u
i+1,,j+1
u
i,,j+1
u
i-1,,j+1
u
i,,j+2
u
i-2,,j+2
u
i+1,,j
u
i+1,,j-1
u
i,,j
u
i,,j-1
u
i,,j-2
u
i,,j-3
u
i-1,,j
u
i-1,,j-1
u
i-2,,j
u
i-2,,j-2
u
i-3,,j
u
i-3,,j-1
u
i+3,,j+3
u
i+3,,j
u
i+3,,j-3
u
i,,j+3
u
i-3,,j+3
u
i+1,,j+2
u
i+2,,j
u
i+2,,j-2
u
i+1,,j+1
u
i,,j+1
u
i-1,,j+1
u
i,,j+2
u
i-2,,j+2
u
i+1,,j
u
i+1,,j-1
u
i,,j
u
i,,j-1
u
i,,j-2
u
i,,j-3
u
i-1,,j
u
i-1,,j-1
u
i-2,,j
u
i-2,,j-2
u
i-3,,j
u
i-3,,j-1
O
O
N
N
M
M
L
L
Capítulo 4
- Técnicas para minimização de ruído e segmentação de imagens
53
Através de um parâmetro, o algoritmo verifica a presença de pixels de
valor 0 em conectividade lateral, horizontal e diagonal, de acordo com as direções
citadas. Se tal condição for verdadeira, então o pixel permanece com valor 0, de
acordo com a direção. Caso contrário, assume valor 1, ou seja, é considerado fundo da
imagem.
Como resultado, um conjunto de pixels como uma região nodular é expandido
em suas direções cardeais, mantendo a forma e delineando-se mais adequadamente.
O filtro proporciona também a redução de ruído na imagem, uma vez que, para
conjuntos muito pequenos de pixels significativos, tais pixels são eliminados, ou seja,
é atribuído a eles valor 0 (fundo preto da imagem binária).
Em seguida, o operador morfológico de dilatação (morf
1
( x, y) ) é aplicado a
essa última imagem gerada a fim de preencher estruturas morfologicamente abertas,
da seguinte forma:
(4.11)
Onde:
morf2( x, y) é a imagem resultante;
morf1( x, y) é a imagem processada pela equação (4.9); e
B é a operação de dilatação, segundo o processo de adição de Minkowsky
(GONZALEZ , 2000) com o elemento estruturante B, dado pelo template:
Figura 4.17 – elemento estruturante
A imagem resultante desse primeiro módulo de processamento está binarizada,
com agrupamentos de pixels bem delimitados, topologicamente fechados e bordas
pouco espúrias (SILVA, 2008).
4.4.7 Segmentação Watershed
A técnica de segmentação Watershed, originalmente proposto por Digabel
(1978) e Lantuéjoul (1978) e posteriormente elaborado por Beucher (1979) e
Capítulo 4
- Técnicas para minimização de ruído e segmentação de imagens
54
Lantejoul (1979) é um dos principais métodos de segmentação por crescimento de
regiões. Esse método baseia-se no princípio de “inundação de relevos topográficos”
(RUSS, 1998).
A idéia básica desta técnica consiste em observar uma imagem digital em tons
de cinza como se ela fosse uma superfície montanhosa, sendo que a altitude de cada
ponto está diretamente relacionada ao nível de cinza do pixel correspondente. A
transformada Watershed é normalmente aplicada sobre a transformada gradiente de
uma imagem. Isto porque os contornos da imagem serão reforçados após a aplicação
do gradiente, tornando mais fácil o processo de segmentação (SANTOS, 2002).
Segundo Santos (2002), a transformada Watershed pode ter vários tipos de
implementações, de acordo com o tipo de imagem a ser processada e o tipo de
marcador utilizado. O método analisa os níveis de cinza do histograma da imagem, já
que é baseado no princípio de que as estruturas de interesse correspondem a uma
mesma freqüência destes níveis, sendo que gradiente e bordas correspondem a altas
freqüências (BEUCHER, 1979). Na transformada Watershed original, a gota “cai” até
o ponto de mínimo, enchendo a bacia. Beucher e Meyer propuseram a inversão da
transformada, onde o ponto de mínimo seria um furo por onde a água inundaria a
bacia (BEUCHER, 1990).
Inicialmente a técnica implementada por (SANTOS, 2002) segue as etapas:
Imagem Original é mostrada no monitor;
Cálculo do gradiente interno (objeto) e externo (fundo) para toda a imagem;
Cálculo e armazenamento dos pixels mais brilhantes, (pontos de mínimo), que
serão os marcadores da imagem;
Inversão do gradiente e cálculo de distâncias (Hit-and-Miss: elimina o objeto
para trabalhar com o fundo; Seqüência de tining no fundo; SKIZ: tickening no
1º plano), para montar o esqueleto através da análise da vizinhança, para
eliminar pontos, gerando as zonas de influência. Utilizando o valor absoluto
do gradiente, constrói-se uma espécie de "topografia";
Regiões homogêneas compõem as regiões planas da "topografia";
"Inundação das regiões baixas", a partir dos pontos de mínimo agindo como
pontos sementes para o crescimento de regiões, onde a parada é o gradiente da
imagem;
Capítulo 4
- Técnicas para minimização de ruído e segmentação de imagens
55
As áreas marcadas com diferentes "níveis de água" formam os segmentos
separados pelas linhas da transformada Watershed;
A imagem é então binarizada e o nódulo destacado do restante da imagem;
A fim de corrigir defeitos residuais foi aplicada na etapa denominada de pós-
processamento a técnica de rotulação. Rotular uma imagem binária significa atribuir
uma única cor para pixels pertencentes a uma mesma região conectada (SANTOS,
2002).
4.5 Figuras de Mérito
Para quantificar a perda de dados nas imagens para cada técnica utilizada,
foram usadas as seguintes funções de avaliação (CONCI, 1998; AQUINO, 1998):
Erro Médio Quadrático (Root Mean Square Error - RMSE)
Relação Sinal Ruído rms (Signal to Noise Ratio rms - SNRrms)
Relação Sinal Ruído de Pico (Peak Signal to Noise Ratio - PSNR) em decibel.
O Erro Médio Quadrático (RMSE) consiste em uma medida de boa precisão
das diferenças entre a imagem original e a imagem filtrada efetuada a partir do cálculo
da raiz quadrada do desvio padrão entre os pixels das duas imagens, sendo
relacionado por:
(4.12)
onde: F(x,y) representa a imagem original; G(x,y) a imagem filtrada; M e N
são as dimensões das matrizes dos pixels de ambas as imagens. A função RMSE deve
ser menor o quanto possível, pois representa o erro da filtragem realizada.
A Relação Sinal Ruído (SNRrms) é definida como a relação entre o valor
médio dos pixels e o seu desvio quadrático médio, comparando, assim, os valores de
pixel da imagem com o nível de ruído nela produzido, conforme a Equação 4.13:
(4.13)
Capítulo 4
- Técnicas para minimização de ruído e segmentação de imagens
56
Dessa forma, quanto maior a SNRrms, menor é o efeito do ruído sobre a
imagem.
A Relação Sinal Ruído de Pico (PSNR) é dada pela Equação 4.7:
(4.14)
onde p é o número de bits por pixel.
Esta relação é usada para se estimar a fidelidade da técnica de filtragem
realizada, pois relaciona os valores máximos de pixel da imagem com o poder de
corromper o ruído gerado na imagem. Portanto, o seu valor deve ser maior o quanto
possível resultando em menores perdas.
Entre diversos autores, (LI; BANON, 1988), no estudo comparativo do
desempenho entre várias filtros para a redução do ruído speckle em imagens de radar,
utilizam entre outros filtros o de Lee e Frost para retirada de ruído speckle em
imagens de satélite. Os resultados obtidos são analisados visualmente, e tem-se como
resultado que, mesmo após a aplicação dos filtros, o ruído permaneceu nas imagens,
observando-se uma pequena suavização.
No estudo de redução de ruído em imagens SAR pelo uso de filtros robustos,
os autores (FRERY E SANT’ANNA, 1993) fazem um comparativo entre filtros para
minimização de ruído speckle em imagens de radar, os filtros usados foram
denominados convolucionais (frost e média) e filtros pontuais (Sigma de Lee, Lee,
Kuan) e ainda filtros chamados de robustos por possuírem propriedades de robustez e
baseados nas equações correspondentes aos estimadores MAD (Median Absolute
Deviation), como resultado foi possível observar que os filtros robustos permitiram o
aumento da relação sinal-ruído e simultaneamente, tornaram o histograma final mais
normal.
No estudo “A Model-based Algorithm for Mass Segmentation in
Mammograms”, (XU, 2005), um novo algoritmo de segmentação de massa é
apresentado. Ele implementa modelos para representar os variados tipos de massas.
Nesta proposta faz-se uso do thresholding iterativo para extrair a área suspeita, e
Capítulo 4
- Técnicas para minimização de ruído e segmentação de imagens
57
aplica-se uma aproximação baseada em Transformada Discreta Wavelet (DWT) para
a localização das massas. Finalmente, um processo de crescimento por região limitado
pelo detector de bordas de Canny é executado para extrair o rascunho das regiões de
massa, e o modelo de contornos ativos é utilizado na segmentação de massas com
precisão. Os resultados da aplicação do algoritmo em casos clínicos apresentam um
melhor desempenho, quando comparados aos dos métodos convencionais.
Autores como (ANDRADE, et. al, 2006), utilizam wavelets para minimização
de ruído em imagens de ultrassom como parte do pré-processamento das imagens. A
segmentação é feita utilizando a técnica watershed e procedimentos de morfologia
matemática são utilizados para detecção e extração do contorno, Os resultados
experimentais mostraram um bom desempenho do método, mesmo em imagens de
baixa qualidade, sendo esses resultados superiores aos de outros métodos
apresentados na literatura.
(SILVA, F.J.V.; ALVES, C.H.F., 2008), fazem um comparativo entre técnicas
de detecção de bordas aplicadas a imagens ultrassonográficas de rins humanos. Os
detectores de bordas aplicados foram: Roberts, Sobel, Prewitt e Canny a fim de
destacar as bordas, a nitidez e o formato do órgão. A validação das imagens foi feita a
partir de uma comparação destes operadores a partir de uma imagem de mesma
amplitude. As imagens foram equalizadas ao longo de uma escala de cinza e então
aplicados os detectores de borda. O resultado demonstrou que o detector de Canny foi
o que mais contribui de forma positiva para tal fim.
Capítulo 4
- Técnicas para minimização de ruído e segmentação de imagens
58
Capítulo 5 Materiais e Métodos
59
C
C
C
A
A
A
P
P
P
Í
Í
Í
T
T
T
U
U
U
L
L
L
O
O
O
5
5
5
–
–
–
M
M
M
A
A
A
T
T
T
E
E
E
R
R
R
I
I
I
A
A
A
I
I
I
S
S
S
E
E
E
M
M
M
É
É
É
T
T
T
O
O
O
D
D
D
O
O
O
S
S
S
Neste capítulo são apresentadas as formas de aplicação dos métodos destacados
no capítulo anterior.
5.1 Introdução
O presente trabalho tem por objetivo o processamento de imagens de
ultrassonografia mamária para a detecção e segmentação de nódulos. As 256 imagens
utilizadas neste trabalho foram adquiridas a partir de 83 exames de ultrassonografia
mamária, utilizando monitoramento de 5 a 12 MHz em 59% dos casos e os demais
utilizando monitoramento de 5 a 10 MHz, modo B, harmônico com transdutor linear,
em um aparelho de ultrassom Siemens G50.
As imagens foram fornecidas pelo Centro Integrado de Diagnóstico por Imagem
Irmandade Santa Casa da Misericórdia de São Carlos.
As regiões de interesse utilizadas neste trabalho foram selecionadas de forma
manual, guiadas a partir dos laudos de cada exame de ultrassom mamário, sendo então
gravadas em arquivos separados.
O trabalho utiliza uma técnica para segmentação de nódulos mamários proposta
inicialmente para imagens de mamografia (SILVA, E. C. JR, 2009), denominada
“Asterisco” por trabalhar nas direções horizontal, vertical e nas diagonais (45
o
, 135
o
, 225
o
,
315
o
), criando, assim, o formato de um asterisco. Dessa forma, permite a obtenção de
parâmetros clínicos utilizados no diagnóstico de patologias mamárias.
O processo todo é constituído de três etapas: minimização de ruído speckle,
aumento de contraste e segmentação. O processo de minimização de ruído é necessário
Capítulo 5 Materiais e Métodos
60
pelo fato das imagens ultrassonográficas apresentarem alta taxa de ruído speckle, o qual
cria uma aparência granular nas imagens e dificulta a separabilidade entre os artefatos
encontrados na mesma. O aumento de contraste possibilita maior realce nos componentes
da imagem para que, assim, possa ser aplicado o algoritmo de segmentação do nódulo
mamário.
Com o intuito de incluir um limiar comparativo com a técnica utilizada, foi
aplicada em cerca de 25 % das imagens a técnica de segmentação Watershed (SANTOS,
2002) - originalmente aplicada em imagens de mamografia a fim de segmentar nódulos em
imagens de mama densa. O método analisa os níveis de cinza do histograma da imagem, já
que é baseado no princípio de que as estruturas de interesse correspondem a uma mesma
frequência destes níveis, sendo que gradiente e bordas correspondem a altas frequências
(BEUCHER, 1979).
Todas as técnicas foram aplicadas utilizando ambiente Matlab 7.0 para o
processamento das imagens, visto que este disponibiliza funções que agilizam o
processo de programação das funções.
5.1.1 Detectores de borda
Preliminarmente, foram aplicados detectores de bordas clássicos utilizados em
processamento de imagens, como: Roberts, Prewitt, Sobel e Canny, os quais são
conhecidos também como filtros por derivadas. As técnicas foram aplicadas a fim de se
verificar a qualidade dos resultados diante de uma imagem rica em ruído branco e
speckle.
O operador de Roberts faz o gradiente cruzado, calculando os valores de brilho
numa direção rodada de 45º. Com o operador de Prewitt, é possível suavizar a imagem,
atenuando os efeitos negativos do ruído. O operador de Sobel é muito semelhante ao de
Prewitt, só que dá mais pesos aos pontos mais próximos do pixel central. Em relação ao
Prewitt, tem a vantagem de ter respostas nas orlas diagonais, menos atenuadas por dar
mais peso aos pontos centrais. O operador de Canny, baseado na utilização de um
operador gaussiano, é a técnica apontada por alguns autores como a que apresenta
resultados mais consistentes na determinação de contornos de regiões.
Depois de aplicados os detectores citados acima, aplicou-se a técnica de
detecção de bordas Pseudo Top-Hat, a fim de se fazer uma comparação com os
detectores considerados triviais. A técnica Pseudo Top-Hat (PTHT) foi utilizada por
Capítulo 5 Materiais e Métodos
61
apresentar a possibilidade de realizar uma detecção de bordas eficiente mesmo em
imagens com baixo contraste (CHEN et al., 2001). Seu algoritmo baseia-se em três
passos: (a) detecção de bordas por resíduo morfológico (operação morfológica
matemática de dilatação), (b) transformação Pseudo Top-Hat (a imagem gerada no
passo anterior aqui é subtraída da imagem que contém os pixels invariantes, gerando
uma nova imagem), (c) processo Quadtree Recursivo (onde ocorre a divisão da
imagem seguidas vezes, dividindo as áreas com alto fator de homogeneidade até o
limite estabelecido pelo usuário. Depois disso, somente as áreas que foram subdivididas
até esse limite são processadas).
Os resultados obtidos estão representados na figura 5.1
Figura 5.1 – Detectores de borda aplicados em imagem de ultrassom mamário.
Técnicas usadas (a) Imagem original e após a aplicação das técnicas de: (b) Canny,
(c) Roberts, (d) Prewitt, (e) Sobel, (f) PTHT.
A partir da comparação visual das imagens resultantes da aplicação das técnicas
de detecção de borda, foi possível observar que todas foram bem deficientes do ponto
de vista do objetivo proposto, isto é, segmentar o nódulo que aparece na figura 5.1(a),
visto que nenhum deles conseguiu delimitar de maneira adequada a borda nodular.
Porém, entre todos os detectores, o detector de bordas Canny foi o que apresentou um
resultado visualmente mais adequado, pois detectou de maneira sutil as bordas do
nódulo (visíveis entre outros artefatos provenientes do ruído, comum em imagens de
ultrassom). O detector de bordas Pseudo Top-Hat demonstrou uma variação substancial
Capítulo 5 Materiais e Métodos
62
na presença de ruído speckle, diminuindo consideravelmente sua capacidade como
detector.
A incapacidade de detecção de bordas demonstradas pelos detectores permitiu
perceber a necessidade da inclusão de técnicas que possibilitem a minimização de ruído
speckle nas imagens. Dessa forma, técnicas para tal condição foram aplicadas e
descritas no item a seguir.
5.1.2 Minimização de ruído
Os filtros descritos a seguir foram aplicados nas imagens de ultrassonografia
mamária com o intuito de reduzir os sinais ruidosos do tipo speckle, os quais são
provenientes da forma de aquisição daquelas imagens.
O primeiro a ser aplicado foi o Filtro de Frost: um filtro convolucional linear,
derivado da minimização do erro médio quadrático sobre o modelo multiplicativo do
ruído. Neste filtro incorpora-se a dependência estatística do sinal original, uma vez que
se supõe uma função de correlação espacial exponencial entre pixels. É um filtro
adaptativo que preserva a estrutura de bordas (FROST, 1982).
O segundo filtro aplicado na imagem original foi o Filtro de Lee, o qual adota
um modelo multiplicativo para o ruído e obedece ao critério de "menor erro médio
quadrático local e linear". Local, porque utiliza estatísticas locais do pixel a ser filtrado,
admitindo a não estacionariedade da média e da variância do sinal. É um filtro linear
porque realiza uma linearização por expansão em série de Taylor da multiplicação do
sinal e do ruído em torno da média, utilizando apenas os termos lineares. O resultado da
linearização transforma o modelo multiplicativo do ruído em aditivo, ou seja, o ruído e
o sinal tornam-se independentes; e, finalmente, minimiza o erro médio quadrático
através do filtro de Wiener. O filtro de Lee é um filtro adaptativo e geral (LEE, 1981).
Em seguida, o filltro de Wiener, que apesar de não ser relatado na literatura
como filtro adequado para redução de ruído speckle, foi utilizado como forma de se
criar um limiar dentro da comparação a ser feita.
Por último, foi aplicada a Transformada Discreta Wavelet (DWT) a qual tem
sido utilizada em áreas que envolvem detecção de bordas, redução de ruído, análise de
textura e realce de imagens (LAINE, ZONG,1996).
Capítulo 5 Materiais e Métodos
63
Estudos prévios (ZONG, 1998) mostram que, para imagens de ecocardiografia
bidimensional, a transformada wavelet da família Daubechies se adapta às
características das imagens, descorrelacionando adequadamente a informação no espaço
transformado. Após várias simulações computacionais, optou-se pela Daubechies de
ordem 12 (ANDRADE, 2004).
O fato da transformada se adaptar às características das imagens de
ecocardiografia influenciou fortemente na decisão de aplicá-la às imagens
ultrassonográficas de mama, alvo dessa pesquisa. Assim, o teste foi aplicado utilizando
a técnica de minimização de ruído da transformada wavelet, também conhecida como
de-noising.
A figura 5.2 representa a imagem original adquirida do exame ultrassonográfico.
Nela foram aplicadas as técnicas de Frost, Lee, Wiener e a transformada discreta
wavelet da família Daubechies de ordem 12, e os resultados são mostrados na figura
5.3.
Figura 5.2 - Imagem ultrassonográfica da mama com ruído speckle.
Figura 5.3 – Imagens resultantes da aplicação dos filtros de (a) Frost, (b) Lee, (c)
Wiener, (d) Wavelet.
Capítulo 5 Materiais e Métodos
64
A diferença entre os resultados não é perceptível visualmente. Dessa forma, para
quantificar a perda de dados nas imagens para cada técnica utilizada, foram usadas as
seguintes funções de avaliação: Erro Médio Quadrático (Root Mean Square Error -
RMSE), que indica que quanto maior o valor resultante, pior a qualidade da imagem;
Relação Sinal Ruído rms (Signal to Noise Ratio rms - SNRrms), indicativa de que
quanto maior o valor obtido, melhor a técnica usada; e a Relação Sinal Ruído de Pico
(Peak Signal to Noise Ratio - PSNR) em decibel, (quanto maior o valor resultante,
melhor a técnica aplicada). Nas três funções de avaliação é feita uma comparação entre
os valores da imagem original com a imagem alterada pelo filtro.
A partir das funções de avaliação foi possível obter o seguinte resultado
apresentado na tabela 5.1:
Tabela 5.1: Funções de avaliação
TÉCNICAS RMSE SNRMS PSNR
Frost 15,6021 33,7335 24,2671
Lee 14,6435 37,3484 24,8179
Wiener 20,0025 20,8044 22,1091
Wavelet 7,2868 133,5644 30,8801
A partir dos testes realizados, foi possível verificar que a técnica da
Transformada Discreta Wavelet (DWT) foi a que mais reduziu o ruído speckle
(ALVES, 2009a), demonstrando assim que outros testes devem ser realizados
utilizando-se de outras técnicas Wavelet, a fim de verificar qual a família de wavelets
melhor proporcionará a redução de ruído.
Por isso, foram avaliados diferentes tipos de Famílias Wavelets: Haar,
Daubechies, Coiflets e Symlets. A partir da ferramenta Wavelet Toolbox do próprio
Matlab 7.0, foram testadas as Wavelets nos seus diversos níveis.
A figura 5.4 exibe a janela principal do Wavelet Toolbox, e a figura 5.5 exibe a
janela de acesso às Wavelets 2D para minimização do ruído.
Capítulo 5 Materiais e Métodos
65
Figura 5.4 – Imagem do Toolbox Wavelet
Figura 5.5 – Janela de acesso às Wavelets2D
Na figura 5.6 é possível ver a imagem de ultrassom mamário originalmente com
ruído e na figura 5.7 as imagens resultantes das aplicações das famílias Wavelets com
melhores resultados obtidos. A tabela 5.2 mostra os resultados com maior nível de
relevância em cada família Wavelet, sendo que os mesmos foram obtidos a partir das
funções de avaliação: RMSE, SNRrms, e PSNR.
.
Capítulo 5 Materiais e Métodos
66
Figura 5.6 - Imagem de ultrassom da mama originalmente com ruído speckle
Figura 5.7 - Imagens resultantes da aplicação das famílias Wavelets: (a) Coif 5, (b) Db
12, (c) Haar 1, (d) Sym11
Tabela 5.2: Funções de avaliação aplicadas nas famílias Wavelets (Coif, Db, Haar,
Sym)
TÉCNICA
USADA
Grau RMSE SNRMS PSNR
Coif 5 6,8702 150,8396 31,3914
DB 12 6,8734 150,7065 31,3874
Haar 1 8,4153 100,2475 29,6294
Sym 11 6,8629 151,1542 31,4007
A partir dos testes realizados, foi possível observar que, apesar dos valores das
funções de avaliação terem sido aproximados, a Wavelet da família Symlet de grau 11
foi a que apresentou os resultados contundentes de acordo com as funções de avaliação
Capítulo 5 Materiais e Métodos
67
citadas acima. No apêndice 1 são apresentados os resultados detalhando todos os níveis
das famílias Wavelets testadas.
Depois de observada qual a melhor wavelet para minimização de ruído, nos
testes realizados a função Sym 11 foi aplicada utilizando as funções wavedec2 e
waverec2 do Matlab, as quais são wavelets de decomposição e reconstrução multinível
de 2 dimensões.
Após a minimização do ruído, é necessário o aumento de contraste da imagem.
Assim sendo, várias técnicas foram aplicadas e comparadas para verificação de qual é
mais eficiente para tal fim.
5.1.3 Aumento de Contraste
O aumento de contraste permite o realce na intensidade entre os componentes da
imagem,
objetivando melhorar a qualidade visual sob critérios subjetivos ao olho humano
.
Para tal fim, foram aplicadas na imagem com ruído minimizado pela técnica Wavelet da
família Symlet as seguintes técnicas de realce: equalização de histograma com e sem
limitação, correção gama, alargamento de contaste, alteração do mapeamento das
variações do intervalo de tons de cinza (clareamento e escurecimento).
Ao equalizar o histograma de uma imagem, é possível obter sua máxima
variância, obtendo assim uma imagem com o melhor contraste. Esta pode ser feita de
forma trivial, utilizando a função do Matlab (histeq), ou utilizando-se uma equalização
adaptativa com contraste limitado (adapthisteq). A principal diferença entre as duas
formas é que, na equalização adaptativa, o algoritmo age em pequenas regiões da
imagem; dessa forma é possível obter melhores resultados que na sua forma trivial.
A correção gama é uma correção em que a intensidade do valor de cada cor é
ajustada a uma curva que compensa irregularidades. O Matlab possui uma função pré-
estabelecida (imadjust) que permite a aplicação da correção gama, através do ajuste da
intensidade da imagem.
O aumento de contraste também pode ser feito através de alterações no
mapeamento de uma imagem, a partir de uma função na qual os níveis de cinza são
reajustados de forma que a imagem seja escurecida, ou clareada.
A finalidade do alargamento de contraste consiste no aumento da escala
dinâmica dos níveis de cinza da imagem. As posições dos pontos (r1, s1) e (r2, s2)
controlam a forma da função de transformação. Se r1 = s1 e r2 = s2, a transformação
será uma função linear que não produz mudanças nos níveis de cinza. Entretanto, se r1
Capítulo 5 Materiais e Métodos
68
= r2, r1 = 0 e s2 = (L – 1), a transformação resultará em uma função de limiarização,
criando assim uma imagem binária. Os valores intermediários de (r1, s1) e (r2, s2)
produzem vários graus de espalhamento nos níveis de cinza da imagem resultante,
criando variações do seu contraste (GONZALES; WOODS, 2000).
Com a aplicação dos algoritmos para aumento de contraste, foi possível fazer
uma comparação entre as técnicas a partir das funções de avaliação anteriormente
usadas. Os resultados das mesmas são apresentados na tabela 5.3.
A figura 5.8 exibe a imagem de ultrassom com ruído minimizado pela técnica
Wavelet da família Symlet. Na figura 5.9 é possível ver as imagens resultantes da
aplicação das técnicas para aumento de contraste: Equalização de histograma,
Equalização de histograma adaptativo limitado por contraste, Alargamento de
Contraste, Clareamento, Escurecimento, gama=1, gama<1, gama>1.
Figura 5.8 – Imagem com ruído minimizado pela técnica Symlet
Figura 5.9 - Imagens resultantes da aplicação das técnicas para aumento de
contraste (a) Equalização de histograma adaptativo limitado por contraste (b)
Equalização de histograma (c) Alargamento de Contraste (d) Clareada (e) Escurecida (f)
gama=1(g) gama<1(h) gama>1
Capítulo 5 Materiais e Métodos
69
Tabela 5.3 – Comparativo das técnicas para aumento de contraste
TECNICA USADA RMSE SNRMS PSNR
Equalização de histograma
adaptativo limitado por
contraste
54, 2406 5, 3900 13, 4443
Equalização de histograma 67, 7454 4, 8068 11, 5132
Alargamento de Contraste 2, 4037 1, 2071e+003 40, 5130
Clareamento 31, 0636 13, 0209 18, 2858
Escurecimento 20, 8207 17, 2489 21, 7609
Gama=1 20, 7894 17, 6297 21, 7740
Gama<1 98, 0996 3, 0666 8, 2975
Gama>1 46, 9840 1, 0543 14, 6918
É possível observar através da tabela 5.3 que a técnica de Alargamento de
Contraste, conforme detalhada anteriormente, foi a que proporcionou os resultados mais
satisfatórios, destacando-se de forma positiva em relação às demais técnicas.
A fim de se observar a melhora ou não na qualidade das imagens, foram
aplicados os detectores de borda (Canny, Roberts, Sobel, Prewitts) nas imagens as quais
passaram pelos processos de minimização de ruído e aumento de contraste. Os
resultados podem ser observados na figura 5.10.
Figura 5.10 - Imagens resultantes da aplicação das técnicas para detecção de
bordas (a) Canny, (b) Roberts, (c) Sobel, (d) Prewitts
Capítulo 5 Materiais e Métodos
70
É possível observar que o detector de Canny visualmente produziu o melhor
resultado. No entanto, todos os detectores apresentaram resultados visualmente mais
positivos do que quando aplicados na imagem originalmente adquirida do exame de
ultrassom mamário sem qualquer tipo de aplicação de técnica de pré-processamento.
A fim de preparar a imagem para uma melhor segmentação dos nódulos
mamários, aplicou-se a técnica de treshold. A partir da binarização, a extração da área
suspeita é facilitada, permitindo que os nódulos possam ser localizados na área com
maior intensidade e contraste.
Na figura 5.11 é possível ver a imagem com aplicação da técnica de
Alargamento de Contraste e na figura 5.12, a imagem de Alargamento de Contraste com
aplicação da técnica de treshold.
Figura 5.11 – Imagem com Alargamento de Contraste
Figura 5.12 – Imagem com aplicação de treshold
A fim de se verificar o comportamento das técnicas de detecção de bordas já
mencionadas (Canny, Roberts, Sobel, Prewitts), estas foram aplicadas na imagem com
aumento de contraste. O resultado pode ser observado na figura 5.13.
Capítulo 5 Materiais e Métodos
71
Figura 5.13 - Imagens resultantes da aplicação das técnicas para detecção de
bordas: (a) Canny, (b) Roberts, (c) Sobel, (d) Prewitts
Visualmente, é possível observar que todos os detectores utilizados (Canny,
Roberts, Sobel, Prewitts), apresentaram um resultado visualmente positivo em relação
aos mesmos quando aplicados antes das técnicas de pré-procesamento das imagens,
demonstrando dessa forma que as técnicas de pré-processamento aplicadas às imagens
modificaram características as quais num primeiro momento impediam a perfomance de
tais técnicas.
A partir das técnicas de pré-processamento das imagens, foi possível melhorar a
qualidade das mesmas, minimizando características que pudessem diminuir ou impedir
a eficiência de algoritmos de segmentação. Na etapa a seguir, as imagens resultantes dos
processos de pré-processamento serão segmentadas pelo filtro Asterisco.
5.1.4 Segmentação Asterico
O filtro Asterisco (SILVA, 2009), é um filtro de delineamento de bordas,
expande ou contrai as estruturas contidas nas imagens nas direções vertical para cima,
vertical para baixo, horizontal à direita, horizontal à esquerda, e no sentido diagonal.
Através de um parâmetro, o algoritmo verifica a presença de pixels de valor 0 em
conectividade lateral, horizontal e diagonal, de acordo com as direções citadas. Se tal
condição for verdadeira, então o pixel permanece com valor 0, de acordo com a direção.
Caso contrário, assume valor 1, ou seja, é considerado fundo da imagem.
Capítulo 5 Materiais e Métodos
72
Como resultado, um conjunto de pixels como uma região nodular é expandido
em suas direções cardeais, mantendo a forma e delineando-se mais adequadamente.
O filtro proporciona também a redução significativa do ruído na imagem, uma
vez que, para conjuntos muito pequenos de pixels significativos, como o ruído quântico
(ruído gaussiano), tais pixels são eliminados.
Em seguida, o operador morfológico de dilatação é aplicado nessa última
imagem gerada a fim de preencher estruturas morfologicamente abertas. A figura 5.14
representa a imagem resultante da aplicação dos algoritmos de alargamento de contraste
e do filtro asterisco.
Figura 5.14 - Imagens resultantes da aplicação dos algoritmos: (a) Alargamento de
Contraste, (b) Dilatação morfológica, (c) Filtro Asterisco
Com o intuito de se criar um limiar comparativo qualitativo e quantitativo, foi
usada a técnica de segmentação Watershed em cerca de 25% das imagens.
5.1.5 Segmentação Watershed
O algoritmo baseado na técnica da transformada Watershed inicialmente foi
utilizado para detectar nódulos em imagens mamográficas digitalizadas de mamas
densas. Esse sistema é parte integrante de um esquema computadorizado para auxílio ao
diagnóstico em mamografia, que utiliza técnicas de processamento de imagens digitais
para identificar, realçar e classificar estruturas de interesse clínico (ÂNGELO, 2007).
Utilizaram-se também técnicas de pré e pós-processamentos (equalização do histograma
e rotulação) para que as imagens pudessem ser mais bem analisadas (SANTOS, 2002).
Assim como no filtro Asterisco, a técnica de segmentação Watershed foi
aplicada nas imagens que passaram pelas técnicas de pré-processamento
preliminarmente, e o resultado pode ser visto na figura 5.15:
(a) (b) (c)
Capítulo 5 Materiais e Métodos
73
Figura 5.15 - Imagens resultantes da aplicação dos algoritmos: (a) Alargamento de
Contraste, (b) Imagem com inversão de cores, (c) Watershed
A interface com o usuário tem como objetivo facilitar a sua interação com o
software. Na figura 5.16 é apresentada a estrutura básica do sistema desenvolvido
representada em diagrama de blocos:
Figura 5.16 – Diagrama de blocos representando o sistema desenvolvido
Regiões de
interesse
Minimização de
ruído
Aumento de
Contraste
Imagem co m
ruído minimizado
exibida no
monitor
Imagem co m
aumento de
contraste exibida
no monitor
Treshold da
Imagem
Imagem com
treshold exibida
no monitor
Escolha do fator
de delineameto
Imagem
segmentada
(a) (b) (c)
Capítulo 5 Materiais e Métodos
74
Capítulo 6 Resultados
75
C
C
C
A
A
A
P
P
P
Í
Í
Í
T
T
T
U
U
U
L
L
L
O
O
O
6
6
6
–
–
–
R
R
R
E
E
E
S
S
S
U
U
U
L
L
L
T
T
T
A
A
A
D
D
D
O
O
O
S
S
S
Neste capítulo são apresentados os resultados dos testes realizados no
trabalho desenvolvido.
O passo inicial para o processamento é dado ao selecionar a região de interesse
originalmente adquirida do exame de ultrassom mamário, necessariamente no formato
TIFF.
A figura 6.1 representa o menu inicial do software desenvolvido neste trabalho.
Através do botão “carregar imagem”, é possível abrir a imagem a ser utilizada em todo
o processo de segmentação – ação representada pela figura 6.2.
Figura 6.1 – Menu inicial
Capítulo 6 Resultados
76
Figura 6.2 – Janela de abertura de imagem
Selecionada a região de interesse a ser trabalhada, é aplicado o algoritmo de
minimização de ruído – importante na redução de ruídos indesejáveis presentes na
imagem, neste caso, ruído speckle – e, posteriormente, o alargamento de contraste e
threshold são aplicados a fim de realçar características que possam facilitar a segmentação
da imagem. Os resultados da aplicação dos algoritmos são exibidos a partir de janelas
representadas pelas figuras 6.3 e 6.4.
Figura 6.3 – Imagens resultantes da aplicação dos algoritmos de minimização de ruído
e aumento de contraste.
Capítulo 6 Resultados
77
Figura 6.4 – Imagem resultante da aplicação do algoritmo de threshold
A escolha do fator de delineamento da imagem permite definir a conectividade
entre os pixels: através de um parâmetro β
∈N
+
,
o algoritmo verifica a presença de
pixels de valor 0 em conectividade lateral horizontal e diagonal; se tal condição for
verdadeira, então o pixel permanece com valor 0, de acordo com a direção; caso contrário,
assume valor 1, ou seja, é considerado fundo da imagem (SILVA, 2009) .A figura 6.5
exibe a janela de aplicação do fator de delineamento; posteriormente, é feita a segmentação
da imagem através do algoritmo Asterisco – como representa a figura 6.6. Por fim, é
exibida uma janela onde se confirma ou não o armazenamento da imagem segmentada
(figura 6.7).
Figura 6.5 – Fator de delineamento da imagem
Capítulo 6 Resultados
78
Figura 6.6 – Imagem segmentada
Figura 6.7 – Janela de confirmação
6.1. Dados dos exames utilizados nos testes
Para os testes, foram processadas 253 imagens de ultrassom de mama, sendo
elas adquiridas a partir de 83 exames.
A fim de verificar o perfil das mulheres examinadas em aproximadamente 3
meses, foi possível observar que a idade média dessas mulheres é de 45 anos; no
entanto, existe um número relativamente grande (cerca de 28%) com idade inferior a 40
anos, inclusive havendo o caso de uma paciente de 12 anos. Nos casos onde houve
alteração no tipo de monitoramento, foi possível observar que em pacientes com idade
maior ou igual a 54 anos, a frequência do feixe foi de 5 a 10 Mhz, e nos demais casos de
5 a 12 Mhz. Os resultados são exibidos na tabela 6.1.
Capítulo 6 Resultados
79
Tabela 6.1 – Resultados comparativos dos exames ultrassonográficos usados nos testes
Tipo de Conclusão Idade/Quantidade
Média de idade 45
Maior idade 80
Menor idade 12
Pacientes com idade >
40 53
Pacientes com idade <
40 30
Quantidade de exames
com monitoramento de
5 a 12 MHz 57
Quantidade de exames
com monitoramento de
5 a 10 MHz 26
A partir dos laudos dos exames, observa-se que cerca de 45% das imagens
apresentaram um laudo conclusivo indicando normalidade mamária, e os demais
apontaram algum tipo de alteração, como: cisto, nódulo, alteração fibrocística, área com
sombra, prótese mamária e assimetria. Os dados desses laudos podem ser observados na
tabela 6.2.
Tabela 6.2 – Conclusões a partir dos laudos mamários
Tipo de Conclusão %
Dentro dos limites da normalidade 45
Cisto 31
Nódulo 17
Alteração Fibrocística 2
Área com sombra 2
Prótese 2
Assimetria 1
Capítulo 6 Resultados
80
Dentro do conjunto de imagens analisadas (253 no total), 122 imagens
correspondem a imagens contendo nódulos/cistos, sendo as demais 131 correspondentes
a casos considerados dentro da normalidade.
6.2. Resultados do processamento
Com o objetivo de comparar os resultados encontrados, são apresentados
gráficos a partir das funções de avaliação utilizadas neste trabalho.
Inicialmente, foram testadas quatro técnicas de minimização de ruído: Frost,
Wiener, Lee e Transformada Discreta Wavelet. Após a aplicação das técnicas, as
imagens resultantes foram comparadas a partir das funções de avaliação citadas
anteriormente, comparando-se valores resultantes calculados a partir das funções de
avaliação entre a imagem original e a imagem alterada pelo filtro. Os resultados podem
ser visualizados no gráfico da figura 6.8.
0
200.000
400.000
600.000
800.000
1.000.000
1.200.000
1.400.000
1.600.000
Frost Lee Wiener Wavelet
RMSE
SNRMS
PSNR
Figura 6.8 – Resultados obtidos a partir das funções de avaliação aplicadas as técnicas:
Frost, Lee, Wiener, Wavelet
A partir do gráfico da figura 6.8, fica claro que a técnica da Transformada
Discreta Wavelet é a que apresenta resultados melhores, sendo a função SNRMS a que
mais se destacou positivamente. Dessa forma, decidiu-se então testar outras famílias
Wavelets para verificar qual apresentaria melhor resultado no processo de minimização
do ruído.
Dentro das famílias Wavelets (Coif, DB, Haar e Sym) utilizadas com o intuito de
minimizar o ruído, a que mais influiu de forma positiva para obtenção do objetivo
Capítulo 6 Resultados
81
citado, foi a Wavelet da família Symlet de grau 11. Dentre as diversas técnicas testadas
esta foi a que propiciou melhores resultados em relação às funções de avaliação
utilizadas neste trabalho (Apêndice 1). A figura 6.9 mostra os resultados no gráfico:
0
200.000
400.000
600.000
800.000
1.000.000
1.200.000
1.400.000
1.600.000
Coif 51 DB 121 Haar 1 Sym 111
ERMS
SNRMS
PSNR
Figura 6.9 – Resultados obtidos a partir das funções de avaliação aplicadas às técnicas:
Coif5, Db12, Haar1, Sym11
É possível observar que praticamente todas as Wavelets apresentaram valores
muito próximos, com exceção da Wavelet Haar de grau 1, o que já era de se esperar,
pois dentre as wavelets testadas, a da família de Haar é considerada aquela da qual as
outras se originaram. Apesar da pequena diferença entre as Wavelets, a da família
Symlet de grau 11 foi a que se destacou mais positivamente dentre as demais.
Então, as técnicas para aumento de contraste na imagem com ruído minimizado
foram aplicadas a fim de destacar melhor o objeto de interesse entre os artefatos
presentes na imagem. As técnicas usadas neste trabalho foram, conforme já mencionado
no capítulo anterior: Equalização de histograma, Equalização de histograma adaptativo
limitado por contraste, Alargamento de Contraste, Clareamento, Escurecimento,
Gama=1, Gama<1, Gama>1, e estas foram avaliadas pelas funções já citadas
anteriormente. Os resultados podem ser visualizados na figura 6.10.
Capítulo 6 Resultados
82
0
2.000.000
4.000.000
6.000.000
8.000.000
10.000.000
12.000.000
14.000.000
C ontras t-
Lim ite d
A daptiv e
H is to gram
A lto
c ontras te
E s c u re c id a
G am a< 1
ERMS
SNRMS
PSNR
Figura 6.10 – Resultados obtidos a partir das funções de avaliação aplicadas às
técnicas: Equalização de Histograma Limitado, Alargamento de Contraste,
Clareamento, Escurecimento, Gama<1, Gama>1, Gama=1
No gráfico da figura 6.10 é facilmente percebido o destaque de forma positiva da
técnica de alargamento de contraste avaliada na função SNRMS.
A seguir, a título de ilustração, são apresentadas algumas imagens resultantes da
aplicação das técnicas de segmentação Asterisco em regiões de interesse (figura 6.11 e
figura 6.12).
Figura 6.11– (a) Imagem original, (b) Imagem pré- segmentada pela minimização de
ruído Symlet11, (c) Imagem com Alargamento de Contraste, (d) Imagem segmentada
pelo filtro Asterisco
Capítulo 6 Resultados
83
Figura 6.12– (a) Imagem original, (b) Imagem pré- segmentada pela minimização de
ruído Symlet11, (c) Imagem com Alargamento de Contraste, (d) Imagem segmentada
pelo filtro Asterisco.
No intuito de se criar um parâmetro comparativo, as mesmas imagens acima
citadas, as quais passaram pelos procedimentos de pré-processamento (minimização de
ruído e aumento de contraste), foram segmentadas pelo algoritmo Watershed
(SANTOS, 2002) cuja descrição encontra-se no capítulo 4 deste trabalho e o seu
resultado visual pode ser demonstrado nas figuras 6.13 e 6.14.
Figura 6.13 – (a) Imagem original, (b) Imagem pré-segmentada pela minimização de
ruído Symlet11, (c) Imagem com Alargamento de Contraste, (d) Imagem segmentada
pela técnica Watershed.
Capítulo 6 Resultados
84
Figura 6.14 – (a) Imagem original, (b) Imagem pré-segmentada pela minimização de
ruído Symlet11, (c) Imagem com Alargamento de Contraste, (d) Imagem segmentada
pela técnica Watershed.
Através das imagens resultantes da aplicação da técnica Watershed (figuras 6.13
e 6.14) é possível verificar que juntamente com o nódulo mamário segmentado há a
predominância de uma série de artefatos, o que de certa forma implicaria em uma
diminuição da efetividade durante a avaliação do mesmo.
A fim de se criar um limiar comparativo entre as técnicas de processamento, um
grupo de imagens foi processado a partir das técnicas Asterisco “completa” (com
minimização de ruído e aumento de contraste), Watershed (com minimização de ruído e
aumento de contraste também) e Asterisco sem pré-processamento. Os resultados
obtidos estão resumidos na Tabela 6.3, onde temos FN como taxa de Falso-Negativo,
VP de Verdadeiro-Positivo, FP de Falso-Positivo e VN de Verdadeiro-Negativo.
Tabela 6.3 – Resultados obtidos com o processamento das imagens
Taxas VP (%) FN (%) VN (%) FP (%)
Asterisco completa 90 10 75 25
Watershed 70 30 25 75
Asterisco sem pré-
processamento
100 0 0 100
Capítulo 6 Resultados
85
Segundo as taxas apresentadas na tabela 6.3, no que se refere à utilização da
técnica Asterisco completa, atingiu-se 90% de acerto na detecção de nódulos nas imagens
segmentadas (verdadeiros-positivos). O valor de 10% encontrado na taxa de falsos
negativos corresponde à porcentagem de erros do sistema em relação às imagens que
continham nódulos/cistos, não detectados por ele. Nas imagens consideradas dentro dos
limites da normalidade, obteve-se uma taxa de acerto de 75% (verdadeiros-negativos), ou
seja, o sistema não detectou o que realmente não existia, enquanto os erros somaram 25%
(falsos-positivos), quando o sistema detectou algo que não correspondia a uma massa
suspeita. As imagens processadas com a técnica de Watershed levaram a 70% de detecção
de nódulos, com 75 % de falsos-positivos, enquanto a técnica Asterisco sem a aplicação
das técnicas de pré-processamento produziu uma taxa de 100% de sensibilidade (casos
verdadeiros-positivos), mas, infelizmente, com um índice 0 de especificidade (em todos os
casos negativos houve detecção de nódulos).
Na avaliação de sistemas de auxílio ao diagnóstico existem vários tipos de
procedimentos que podem ser utilizados. Uma medida passível de se utilizar é a análise
da curva característica de resposta ao observador (ou, simplesmente, curva ROC),
introduzida no contexto de imagens médicas por (METZ, 1986), e definida como um
procedimento estatístico que leva em conta o aspecto subjetivo envolvido em um
determinado evento (EVANS, 1981), estabelecendo as probabilidades relacionadas à
sensibilidade e à especificidade do sistema com mudanças nos critérios de avaliação.
A fim de se comparar os resultados das imagens processadas, serão apresentadas as
curvas ROC (EVANS, 1981) dos resultados obtidos a partir das técnicas de Asterisco com
e sem pré-processamento e Watershed (SANTOS, 2002), conforme resultados
apresentados na tabela 6.3.
O traçado da curva ROC é feito levando-se em conta as probabilidades de
ocorrência de VP em função da probabilidade de ocorrência de FP para cada ponto de
operação anotado na curva, escolhido através de um critério pré-determinado. O principal
parâmetro utilizado para verificação de desempenho de uma curva é a sua área. Essa área
pode ser interpretada como a capacidade do sistema em prever a saída, e por isso é
utilizada como medida de eficiência do sistema que está sendo testado. Quanto mais
próxima de 1,0 estiver o seu valor, melhor é o comportamento do sistema (alto grau de
sensibilidade para um pequeno grau de detecções falsas positivas). Á área sob a curva é
calculada por:
Capítulo 6 Resultados
86
N.VNP.VPA
Z
+
++
+=
==
=
(7.1)
onde:
A
Z
= área sob a curva;
VP = porcentagem de resultados verdadeiros-positivos;
P = porcentagem de casos positivos;
VN = porcentagem de resultados verdadeiros-negativos;
N = porcentagem de casos negativos.
Através da equação acima é possível perceber que quanto mais o valor da área sob
a curva (Az) se aproximar da unidade, melhor será o comportamento do sistema. Isso
significa que o sistema avaliado tem grande percentual de acertos (VP) com um baixo
índice de falsas detecções, sendo um sistema de alta sensibilidade, que é uma situação
sempre desejável.
A seguir são apresentados os gráficos da curva ROC resultantes dos resultados
obtidos a partir da comparação dos algoritmos: Asterisco completo, Watershed, Asterisco
sem o pré-processamento (figura 6.15 a 6.17):
Figura 6.15 – Curva ROC das imagens processadas com algoritmo Asterisco
completo
Capítulo 6 Resultados
87
Figura 6.16 – Curva ROC das imagens processadas com algoritmo Watershed
(SANTOS, 2002)
Figura 6.17 – Curva ROC das imagens processadas com algoritmo Asterisco
incompleto
Conforme exibido nas curvas ROC das figuras 6.15 a 6.17, é possível observar
que a curva gerada a partir dos resultados obtidos da técnica Asterisco completo
(acompanhado, portanto, das técnicas de pré-processamento) se sobressaiu
positivamente em relação às outras, e, apesar da detecção de nódulos ser um fator de
Capítulo 6 Resultados
88
grande importância neste trabalho, o aspecto mais importante a se avaliar aqui deve ser
a qualidade da segmentação, visto que isso implica diretamente na qualidade do
resultado de um classificador que, posteriormente, deve atuar para categorizar o
achado/caso. De fato, se um classificador automático tomar por base o contorno da
estrutura (RIBEIRO, 2006), a quantidade de artefatos que restam nas imagens
segmentadas por Watershed – conforme exemplo ilustrado na figura 6.14 – pode ser
um sério obstáculo à precisão da categorização do caso.
A fim de se criar uma comparação quantitativa de forma a avaliar a qualidade da
segmentação sob aplicação da técnica Asterisco em relação à técnica Watershed
(SANTOS, 2002), cerca de 25% das 253 imagens contidas no banco de dados
empregado aqui foram segmentadas pelo algoritmo Watershed (SANTOS, 2002). Nesta
comparação, as imagens foram selecionadas aleatoriamente, sendo que as mesmas
também passaram pelas etapas de pré-processamento (minimização de ruído, aumento
de contraste).
As segmentações Asterisco e Watershed foram comparadas (ALVES, 2009a) a
partir do cálculo de Coeficientes de Correlação de Pearson (BUSSAB, 1986), que é uma
medida do grau de relação linear entre duas variáveis quantitativas. Este coeficiente
varia entre os valores -1 e 1. O valor 0 (zero) significa que não há relação linear, o valor
1 indica uma relação linear perfeita e o valor -1 também indica uma relação linear
perfeita, mas inversa, ou seja, quando uma das variáveis aumenta a outra diminui.
Quanto mais próximo o valor estiver de 1 ou -1, mais forte é a associação linear entre as
duas variáveis.
A partir da comparação utilizando o cálculo de Coeficientes de Correlação de
Pearson, foram gerados gráficos os quais correspondem à comparação de 5 grupos de
imagens, sendo cada grupo correspondente a 10 imagens escolhidas aleatoriamente.
Cada grupo de 10 imagens foi segmentado pelas duas técnicas (Asterisco e Watershed)
– ressaltando que, independentemente da técnica de segmentação escolhida, elas
passaram pelas técnicas de pré-processamento (minimização de ruído e alargamento de
contraste). As tabelas com os valores dos cálculos de coeficiente de Pearson
correspondentes aos gráficos são exibidas nas tabelas 6.4 a 6.9. Os gráficos resultantes
da aplicação do cálculo são mostrados nas figuras de 6.18 a 6.22, em que a linha
contínua é representativa da técnica Asterisco, enquanto a linha tracejada representa a
técnica Watershed.
Capítulo 6 Resultados
89
A partir dos gráficos é possível verificar a superioridade da técnica Asterisco em
relação à técnica Watershed, visto que a primeira obteve maior aproximação da linha do
valor 1 representado no eixo de índice de correlação médio em 65% dos casos
demonstrados nos gráficos acima.
Tabela 6.4 - Índice de correlação de imagens - grupo1
Watershed
Asterisco
mama001 0,377 mama001 0,5294
mama02 0,6468 mama02 0,8544
mama4.1.1 0,3041 mama4.1.1
0,7201
mama4.2 0,5802 mama4.2 0,9975
mama21 0,4879 mama21 0,3801
mama23 0,6858 mama23 0,2854
mama24 0,6150 mama24 0,6882
mama25 0,4178 mama25 0,869
mama28 0,2040 mama28 0,5843
mama29 0,5030 mama29 0,4543
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
1 2 3 4 5 6 7 8 9
Nº Amostras
Índice de correlação m edido
Asterisco
Watershed
Figura 6.18 - Índice de correlação de imagens - grupo 1
Tabela 6.5 - Índice de correlação de imagens - grupo 2
Watershed
Asterisco
mama45 0,6075
Mama45 0,505
mama04 0,5279
Mama04 0,7198
mama05 0,5544
Mama05 0,4708
mama07 0,4413
Mama07 0,6987
mama10 0,3726
Mama10 0,5667
mama05.0 0,4434
Mama05.0 0,4982
mama13.1 0,3533
Mama13.1 0,6496
mama9.1 0,2545
Mama9.1 0,6829
mama15.0 0,5983
Mama15.0 0,2698
mama21.1 0,3992
Mama21.1 0,5900
Capítulo 6 Resultados
90
0
0,2
0,4
0,6
0,8
1
1,2
1 2 3 4 5 6 7 8 9 10
Nº Amostras
Índice de correlação medido
Asterisco
Watershed
Figura 6.19 - Índice de correlação de imagens - grupo 2
Tabela 6.6 - Índice de correlação de imagens – grupo 3
Watershed
Asterisco
mama73 0,5574
mama73 0,6526
mama74 0,4422
mama74 0,7225
mama75 0,3048
mama75 0,451
mama76 0,6254
mama76 0,2719
mama77 0,9430
mama77 0,4843
mama78 0,6848
mama78 0,9944
mama79 0,5718
mama79 0,3227
mama80 0,4938
mama80 0,6088
mama81 0,4938
mama81 0,3011
mama82 0,3800
mama82 0,7536
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
1 2 3 4 5 6 7 8 9 10
Nº Amostras
Índice de correlação medido
Asterisco
Watershed
Figura 6.20 - Índice de correlação de imagens – grupo 3
Capítulo 6 Resultados
91
Tabela 6.7 - Índice de correlação de imagens – grupo 4
Watershed
Asterisco
mama25 0,5890
mama25 0,7672
mama26 0,3999
mama26 0,4778
mama27 0,782
mama27 0,6592
mama28 0,7916
mama28 0,5783
mama29 0,5133
mama29 0,4622
mama32 0,6099
mama32 0,5188
mama33 0,6786
mama33 0,7377
mama40 0,6859
mama40 0,6938
mama42 0,7011
mama42 0,6553
mama45 0,6358
mama45 0,4949
0
0,2
0,4
0,6
0,8
1
1,2
1 2 3 4 5 6 7 8 9 10
Nº Amostras
Índice de correlação medido
Asterisco
Watershed
Figura 6.21 - Índice de correlação de imagens – grupo 4
Tabela 6.8 - Índice de correlação de imagens – grupo 5
Watershed
Asterisco
mama47 0,3800
mama47 0,4949
mama8.1.1
0,4670
mama8.1.1
0,4666
mama13 0,5594
mama13 0,4675
mama23.2.
0,8902
mama23.2.
0,4148
mama31.1 0,8099
mama31.1 0,5002
mama31 0,2439
mama31 0,2063
mama32.2.
0,8752
mama32.2.
0,4598
mama42 0,7288
mama42 0,5027
mama51.1 0,3779
mama51.1 0,5052
mama61.0 0,5917
mama61.0 0,6182
Capítulo 6 Resultados
92
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1 2 3 4 5 6 7 8 9 10 11
Nº Amostras
Índice de correlação medido
Asterisco
Watershed
Figura 6.22 - Índice de correlação de imagens – grupo 5
No que se refere à comparação entre as técnicas de segmentação Asterisco e
Watershed (25% do grupo total de imagens), a partir da análise dos gráficos, foi
possível verificar que cerca de 65% das imagens filtradas pelo algoritmo Asterisco se
sobressaíram, isto é, se aproximaram da linha do valor 1 representado no eixo de índice
de correlação médio, indicando superioridade da técnica.
A seguir, são apresentadas algumas imagens de regiões de interesse processadas
pelo algoritmo Asterisco (Figuras 6.23 a 6.25), tanto exemplos de imagens onde os
nódulos foram detectados corretamente (correspondentes à taxa de acertos), como onde
houve a segmentação em imagens dentro da normalidade, indicando um falso-positivo.
Figura 6.23 – Imagens: (a) original com cisto, (b) segmentada pelo filtro Asterisco
Capítulo 6 Resultados
93
Figura 6.24 – Imagens: (a) original com nódulo, (b) segmentada pelo filtro Asterisco
As imagens consideradas dentro da normalidade (cerca de 45%) foram
analisadas com o intuito de verificar a eficiência do algoritmo em relação à
segmentação na inexistência de nódulos; em algumas delas há a presença de artefatos
muito parecidos visualmente com nódulos/cistos; quando submetidas ao algoritmo de
segmentação proposto, verificou-se que em alguns casos as áreas mais escuras da
imagem foram parcialmente segmentadas, indicando um exemplo de falso-positivo, ou
seja, o algoritmo detectou algo que não existia. Exemplo disso é ilustrado na figura
6.25.
Figura 6.25 – Imagens: (a) original dentro dos limites da normalidade, (b) segmentada
pelo filtro Asterisco
Das imagens analisadas, 2% eram de pacientes com prótese mamária, dentre as
quais nenhuma possuía qualquer tipo de anormalidade. Por isso, não foi possível
(a) (b)
Capítulo 6 Resultados
94
verificar a eficácia do algoritmo em relação à presença de nódulos/cistos nestes casos.
No entanto, foi possível observar que a imagem segmentada em mamas com esse tipo
de característica apresenta um resultado visualmente diferente dos demais, como pode
ser observado na figura 6.26.
Figura 6.26 – Imagens: (a) original com prótese, (b) segmentada pelo filtro Asterisco
Cerca de 31 % das imagens correspondem a casos com detecções nodulares,
segundo o laudo médico, e 17% correspondentes a cistos. Na segmentação, foi possível
observar que as regiões de interesse com cistos foram melhor segmentadas,
possibilitado uma detecção mais precisa das bordas nodulares, o que indica a limitação
do algoritmo mediante artefatos com características distintas. O resultado pode ser
observado nas figuras 6.27 e 6.28.
Figura 6.27 – Imagens: (a) original com cisto, (b) segmentada
(a) (b)
Capítulo 6 Resultados
95
Figura 6.28 – Imagens: (a) original com nódulo, (b) segmentada
É possível concluir neste momento que diante das técnicas analisadas neste
trabalho, a técnica Asterisco completa, foi a que melhor obteve resultados diante dos
diversos casos apresentados. A possibilidade de minimização de ruído e aumento de
contraste da mesma, permitiu um grande aumento na efetividade do algoritmo como
pôde ser observado através da tabela 6.3.
Capítulo 6 Resultados
96
Capítulo 7 Conclusão
97
C
C
C
A
A
A
P
P
P
Í
Í
Í
T
T
T
U
U
U
L
L
L
O
O
O
7
7
7
–
–
–
D
D
D
I
I
I
S
S
S
C
C
C
U
U
U
S
S
S
S
S
S
Õ
Õ
Õ
E
E
E
S
S
S
E
E
E
C
C
C
O
O
O
N
N
N
C
C
C
L
L
L
U
U
U
S
S
S
Ã
Ã
Ã
O
O
O
A mamografia é a única técnica diagnóstica que comprovadamente contribui para a
detecção precoce e redução da mortalidade por câncer de mama. Entretanto, a acurácia
deste exame depende da composição do parênquima mamário e das características
tissulares dos tumores (PAULINELLI, 2004). Na busca do diagnóstico cada vez mais
precoce desta afecção, a associação de métodos diagnósticos tem sido utilizada com muito
êxito (FONSECA, 1998).
O exame ultrassonográfico é o método de complementação de imagens mais
importante no diagnóstico da mama, não substitui a mamografia e o exame clínico da
mama, por possuir algumas limitações como: detecção de microcalcificações e
identificação de tumores menores que 1 cm. É empregado no diagnóstico de cistos, na
avaliação de lesões sólidas, na comprovação de carcinomas, e marcação pré-operatória. A
sua utilização em medicina tem crescido continuamente devido ao baixo custo, à
possibilidade de se conseguir imagens em tempo real e prover informações das
propriedades elásticas dos tecidos, ser um método não-invasivo e principalmente devido à
sua característica não-ionizante.
Ruídos de diversas origens podem causar degradação em diferentes modalidades
de imagens biomédicas. Entre os ruídos predominantes nas imagens formadas com o uso
de energia coerente, como o ultrassom, destaca-se o ruído do tipo speckle (CHAVES;
SILVA, 2001). O efeito visual deste ruído proporciona uma textura granulosa que pode
dificultar a interpretação das imagens, reduzindo a separabilidade entre os objetos da cena.
Apesar de vários critérios ultrassonográficos que possibilitam a caracterização
tissular do nódulo da mama já estarem sendo incorporados ao cotidiano dos
Capítulo 7 Conclusão
98
ultrassonografistas, isto não impede que ainda sejam frequentes as dúvidas no diagnóstico
final.
Dessa forma, aplicações que permitam a melhora na qualidade da imagem de
forma a ampliar a capacidade diagnóstica são de grande valia. Destacam-se, deste modo, o
desenvolvimento de técnicas de processamento, detecção e segmentação das consideradas
estruturas de interesse na investigação da detecção precoce do câncer de mama. Assim
sendo, a principal contribuição da presente pesquisa se baseia no fato de aliar o algoritmo
Asterisco (SILVA, 2009), usado inicialmente em imagens mamográficas obtidas por raios
X, à possibilidade de segmentar imagens de ultrassom mamário de forma satisfatória
quando usado em conjunto com técnicas de pré-processamento de imagens, permitindo a
minimização de ruído e aumento de contraste; e por fim possibilitando a detecção e
segmentação das estruturas, podendo então estas serem classificadas de acordo com suas
características.
O presente trabalho, assim, demonstra que, após a aplicação de algumas técnicas
apropriadas de pré-processamento, essa mesma técnica pode ser aplicada com relativo
sucesso em imagens com características como as de ultrassom com vistas à segmentação
de nódulos suspeitos.
No quesito auxílio ao diagnóstico, os esquemas CAD desenvolvidos nas últimas
décadas vêm buscando integrar o homem e a máquina, aliando dispositivos tecnológicos e
de cunho computacional a modelos de processamento de imagens digitais que tornam cada
vez mais efetivos no auxílio diagnóstico. O índice de acertos nos diagnósticos é fortemente
influenciado por interferências nos sistemas geradores das imagens. Visando a um melhor
desempenho na obtenção do diagnóstico final, é necessário submeter os exames a uma
análise adicional para uma averiguação suplementar. Essa segunda opinião pode ser obtida
não somente por outros profissionais da área médica (Koomen et al., 2005) como também
por sistemas computacionais desenvolvidos para o auxílio diagnóstico, os chamados CAD
(Cheng et al., 2003).
Um esquema CAD basicamente procura fazer o papel de um segundo observador
humano (Cheng et al., 2003).
Desde 1997 a equipe de pesquisadores do LAPIMO, no departamento de
Engenharia Elétrica da Universidade de São Paulo (EESC/USP), vem trabalhando no
desenvolvendo de um esquema CAD direcionado à análise de exames mamográficos em
paralelo à manutenção de uma base de imagens.
Capítulo 7 Conclusão
99
O sistema utiliza, fundamentalmente, as imagens da base de dados do próprio
LAPIMO (http://lapimo.sel.eesc.usp.br/bancoweb/), desenvolvida a partir de um sistema
de gerenciamento implementado por Benatti (2003) e obtidas a partir de exames
mamográficos provenientes do Hospital das Clínicas de Ribeirão Preto (FMRP-USP),
Santa Casa de Misericórdia de São Carlos, Hospital São Paulo e Hospital Pérola Byngton
em São Paulo, e Hospital das Clínicas da UNESP de Botucatu.
Nesse contexto, o sistema desenvolvido neste trabalho propõe-se como mais uma
das diversas ferramentas desenvolvidas para integrar tal sistema CAD, permitindo também
a avaliação – em termos de segmentação – de massas nodulares suspeitas detectadas no
exame complementar de ultrassom. Os resultados produzidos pelo sistema em discussão
aqui devem somar-se aos obtidos nas etapas de processamento de imagens mamográficas
regulares (obtidas no exame convencional por raios X) para que os esquemas
classificadores automáticos do CAD possam incluí-los na avaliação final de cada caso.
Especificamente em relação à metodologia empregada nesse trabalho: para se
chegar à definição das técnicas a serem aplicadas de forma a atingir o objetivo proposto de
segmentação de nódulos mamários em imagens de ultrassom, deve-se discutir que,
inicialmente, testadas técnicas de segmentação de imagens consideradas clássicas em
processamento de imagens, a qualidade do resultado ficou aquém do necessário. Por isso,
constatou-se a necessidade da aplicação de algoritmos que pudessem maximizar a relação
sinal-ruído nas imagens, de forma a garantir a menor perda de informações possível.
É de conhecimento que o ruído speckle está sempre presente em imagens de
ultrassom. Dessa forma, muitos filtros têm sido desenvolvidos para a redução do ruído
speckle e para o aumento da relação sinal-ruído, objetivando uma melhoria na
separabilidade entre os alvos da superfície, com a mínima perda de informação.
Filtros como o de Frost e Lee são relatados na literatura como alternativas possíveis
de se minimizar esse ruído (LI; BANON, 1988). Dessa forma, foram comparados com o
filltro de Wiener que, apesar de não ser considerado como filtro adequado para redução
de ruído speckle, foi utilizado como forma de se criar um parâmetro ou limiar de
comparação. Por último, a Transformada Discreta Wavelet (DWT) a qual tem sido
utilizada em áreas que envolvem detecção de bordas, redução de ruído, análise de
textura e realce de imagens (LAINE; ZONG, 1993), foi avaliada. Estudos prévios
(ZONG, 1997) mostram que, para imagens de ecocardiografia bidimensional, a
transformada de wavelets da família Daubechies se adapta às características das
Capítulo 7 Conclusão
100
imagens, descorrelacionando adequadamente a informação no espaço transformado. O
fato da transformada se adaptar as características das imagens de ecocardiografia
influenciou fortemente na decisão de aplicá-la as imagens ultrasonográficas de mama
aqui, de modo que o teste foi aplicado utilizando a técnica de minimização de ruído da
transformada wavelet, também conhecida como de-noising.
O resultado visual da comparação feita entre os filtros citados acima
impossibilitou verificar a eficiência do melhor algoritmo. Desta forma, foram aplicadas
funções de avaliação as quais permitissem identificar qual técnica obteve melhores
resultados. Aplicadas as funções de avaliação, o resultado apontou para uma melhor
performance, nesta primeira comparação, da transformada Wavelet, o que conduziu à
decisão de comparações entre as diferentes famílias Wavelets para verificar qual traria
melhores resultados na minimização do ruído speckle.
As famílias avaliadas foram: Sym, Db, Haar, Coif, nos seus diversos graus. O
resultado obtido a partir do cálculo utilizando as mesmas funções de avaliação citadas
no capítulo 5 permitiu concluir que a técnica de Wavelet Symlet foi a que apresentou
melhores resultados em relação à minimização do ruído (ALVES, 2009b),
demonstrando a menor perda de informações.
Algoritmos de detecção de bordas foram aplicados às imagens, no intuito de se
verificar a sua eficiência após a minimização do ruído. Dessa forma, foi possível observar
uma melhora na detecção, mas, ao analisar os resultados, concluiu-se que o pré-
processamento para aumentar o contraste entre as estruturas presentes na imagem seria
uma solução para aumentar as taxas de detecção.
Então, foram aplicadas técnicas com essa finalidade: Equalização de histograma,
Equalização de histograma adaptativo limitado por contraste, Alargamento de
Contraste, Clareamento, Escurecimento, Gama=1, Gama<1, Gama>1 e, a partir de sua
avaliação através de funções de avaliação já citadas anteriormente, foi possível verificar
que a técnica de Alargamento de Contraste (GONZALEZ, 2002) foi a que apresentou
resultados mais satisfatórios em relação aos testados. Ainda no intuito de melhorar a
qualidade da imagem para aplicar a segmentação, foi aplicada uma técnica de threshold de
forma a destacar o nódulo.
A fim de se verificar a qualidade das imagens, técnicas clássicas de detecção de
bordas foram aplicadas novamente. Desta vez, na imagem adquirida após a aplicação do
Capítulo 7 Conclusão
101
threshold, verificou-se uma grande melhora na detecção de bordas. Por fim, na imagem
resultante aplicou-se o segmentador de bordas Asterisco, o qual permitiu segmentar o
nódulo de forma a caracterizar fielmente o formato das bordas o que é considerado fator
importante no diagnóstico mamário.
7.1 Desempenho do Sistema Desenvolvido
As imagens submetidas ao processamento com a técnica Asterisco foram
comparadas com relação à quantidade de casos verdadeiros-positivos (VP) e falsos-
positivos (FP) resultantes para o conjunto de regiões de interesse. O diagnóstico
verdadeiro-positivo acontece quando o sistema identifica e detecta um nódulo e realmente
ele existe e o diagnóstico falso-positivo é quando o sistema aponta um nódulo na imagem,
mas na verdade a região processada era de um ultrassonografia normal. Os números de VP
e FP foram obtidos analisando as informações contidas nos laudos que acompanham as
imagens ultrassonográficas.
De acordo com a tabela 6.3 apresentada no capítulo 6, é possível caracterizar a
técnica Asterisco como a de maior sensibilidade entre as técnicas comparadas, visto que
sua taxa de sensibilidade (90%) se destaca entre as demais técnicas – mantida uma
especificidade bastante razoável. Tais índices são considerados satisfatórios por diversos
trabalhos da literatura.
Com o propósito de avaliar de forma gráfica a eficiência das técnicas
comparadas na detecção nodular, curvas ROC foram traçadas (figuras 6.15 à 6.17).
Temos Az igual a 0,90 para o algoritmo Asterisco completo (com técnicas de pré-
processamento), o que indica um bom desempenho do sistema quando usado em conjunto
com técnicas de pré-processamento na detecção dos nódulos.
Cabe ressaltar que a transformada Watershed vem sendo amplamente utilizada para
o processamento de diversos tipos de imagens tais como segmentação e contagem de
imagens de células (Caetano, 1999). No entanto, para cada tipo de imagem, o tipo de
marcador é modificado, segundo as características do problema a ser resolvido (SANTOS,
2002). Isso leva a crer que os resultados encontrados nesta pesquisa em relação ao uso do
algoritmo Watershed tenham sido influenciados de forma negativa pelo fato de não terem
sido modificados para a aplicação no tipo de imagens apresentada neste trabalho.
É importante destacar neste momento, porém, que, embora a taxa de acertos
atingida na avaliação feita neste trabalho demonstre eficiência do método proposto, é mais
Capítulo 7 Conclusão
102
importante salientar que a correta segmentação nodular é que se caracteriza como o fator a
se analisar no trabalho. De fato, conforme já mencionado anteriormente, a correta
segmentação possibilita uma posterior classificação mais apropriada dos nódulos. Tal
avaliação qualitativa foi feita a partir cálculo de Coeficientes de Correlação de Pearson
(BUSSAB, 1986), o qual permite caracterizar a fidelidade de características entre
imagens. De acordo com as comparações realizadas neste trabalho (figuras 6.18 a 6.23
do capítulo 6), é possível caracterizar a técnica Asterisco como sendo a de melhor
performance no que diz respeito a relação linear entre a imagem original e a
segmentada, pois, dentre as imagens comparadas, cerca de 65% das resultantes da
segmentação Asterisco atingiram melhores resultados diante da comparação feita, o que
indica uma correlação melhor entre a imagem assim segmentada e a imagem original.
Esses resultados, portanto, demonstram não só a eficácia daquela técnica –
originalmente aplicada a imagens de raios X – na segmentação de nódulos em imagens de
ultrassom, como o fato de que os índices de acerto melhoram significativamente a partir da
sua associação às técnicas de pré-processamento propostas.
7.2 Conclusão
Cabe ressaltar neste momento que as etapas anteriores aos processos de
segmentação dos nódulos (etapas de pré-processamento), foram de vital importância
para os resultados encontrados neste trabalho. O pré-processamento tem como objetivo
transformar uma imagem original de forma que a imagem resultante seja mais adequada
para um processamento específico posterior, neste caso, o processamento de
segmentação. Tornar uma imagem mais adequada é uma questão de interpretação do
usuário, sendo importante a sua experiência. Além disso, as técnicas não são universais,
quer dizer, não produzem resultados satisfatórios para todos os tipos de imagens. Neste
trabalho, várias técnicas foram testadas e avaliadas com o intuito de encontrar a que
melhor pudesse preparar as imagens para a segmentação. As técnicas escolhidas foram
avaliadas utilizando-se funções de avaliação as quais permitem demonstrar a eficiência
das mesmas quando compradas com outras técnicas. É possível observar astravés da
tabela 6.3 apresentada no capítulo 6 a significância de tal processo.
A comparação das técnicas de segmentação apresentadas nas figuras de 6.11 a 6.14
permite observar também que, similarmente, as duas técnicas (Watershed e Asterisco)
segmentaram o nódulo da imagem original de forma eficiente. No entanto, a técnica
Capítulo 7 Conclusão
103
Watershed apresentou uma enorme quantidade de artefatos na imagem, o que leva a uma
maior dificuldade na visualização e interpretação da estrutura de interesse, prejudicando a
qualidade do diagnóstico final.
Contrariamente, Llapa (2008), a partir de um método que integra as vantagens da
transformação Watershed não supervisionada e a refinada segmentação do modelo de
contornos deformáveis, na tentativa de determinar, de forma automática, contornos
similares aos traçados de forma manual, atingiu resultados que demonstram que a proposta
de automatizar o processo de segmentação consegue praticamente determinar os contornos
de tumores mamários a partir das imagens de ultrassom. No entanto, a avaliação feita pelo
autor foi baseada em medidas de comparação avaliativa entre os contornos traçados de
forma manual e os detectados de forma automática; outro fator a se questionar na sua
proposta se dá ao fato de que o autor utiliza um conjunto de 20 imagens para avaliar o
desempenho da segmentação de contornos, o que de certa forma pode gerar um
resultado tendencioso, visto que para avaliar um determinado sistema com precisão é
necessário realizar testes com um amplo e variado conjunto de imagens. Tais pontos
negativos são destacados de forma a representar que na presente pesquisa, a avaliação é
feita de forma a comparar a segmentação com a imagem originalmente adquirida o que
proporciona um resultado mais efetivo, pois não sofre influências externas.
É importante destacar nesse ponto que a adequada segmentação do nódulo é
fundamental para que um sistema automático de classificação, que se baseie
especificamente na imagem segmentada, determine a que categoria pertence o padrão
detectado. Por exemplo, se o classificador tomar por base o contorno da estrutura
(RIBEIRO, 2006), a quantidade de artefatos que restam nas imagens segmentadas por
Watershed – conforme exemplo ilustrado na figura 6.13 – pode ser um sério obstáculo à
precisão da categorização do caso.
Outros trabalhos utilizaram operadores morfológicos para segmentar imagens de
ultrassom – como o trabalho apresentado por Franca (FRANCA et al., 2008) em que,
entretanto, a escolha dos operadores morfológicos, sua sequência de aplicação e
respectivos elementos estruturantes, não é trivial.
A partir da análise dos gráficos representados pelas figuras de 6.15 a 6.19 é
possível garantir a superioridade da segmentação feita a partir da técnica Asterisco em
função do cálculo do Coeficiente de correlação de Pearson, pois o cálculo do mesmo em
Capítulo 7 Conclusão
104
65% dos casos apontou a sua superioridade – representada pela proximidade destes
resultados do valor 1 nos gráficos.
No que se refere às curvas ROC traçada nas figuras de 7.1 a 7.3, tem-se uma
variação no valor de Az, sendo o correspondente ao algoritmo Asterisco com as técnicas
de pré-processamento o de valor mais significativo.
A partir dos resultados obtidos, é possível concluir que o sistema desenvolvido
neste trabalho pode constituir-se numa ferramenta de segmentação de nódulos mamários
de forma a auxiliar em diagnósticos mamários. A técnica Asterisco se mostrou eficiente
quando combinada com técnicas de pré-processamento nas imagens.
7.2 Sugestões para Pesquisas Futuras
Os resultados apresentados se mostraram positivos, no entanto existem propostas a
serem trabalhadas em pesquisas futuras:
Investigação sobre a influência do uso de TRH;
Investigação sobre a influência da prótese mamária;
Inclusão de testes com software de classificação automático nas imagens resultantes
do trabalho apresentado.
Acoplar o algoritmo desenvolvido neste trabalho juntamente com o aparelho de
ultrassom, de forma que no próprio sistema de aquisição de imagens exista a
possibilidade de aplicar tais algoritmos no momento da aquisição das imagens.
Referências Bibliográficas
105
R
R
R
E
E
E
F
F
F
E
E
E
R
R
R
Ê
Ê
Ê
N
N
N
C
C
C
I
I
I
A
A
A
S
S
S
B
B
B
I
I
I
B
B
B
L
L
L
I
I
I
O
O
O
G
G
G
R
R
R
Á
Á
Á
F
F
F
I
I
I
C
C
C
A
A
A
S
S
S
AL-KARMI, A.M.; DINNO, M.A.; STOLTZ, D.A.; CRUM, L.A.; MATTHEWS, J.C.
Calcium and effects of ultrasound on frog skin. Ultrasound in Med. Biol., v. 20, n. 1, p.
73-81, 1994.
ALVARENGA, A.V.; INFANTOSI, A.F.C.; AZEVEDO, C.M.; PEREIRA, W.C.A.
Aplicação de operadores morfológicos na segmentação e determinação do contorno de
tumores de mama em imagens por ultra-som. Rev Bras Eng Bioméd;19:91–101, 2003.
ALVES, P. Z. B., SCHIABEL, H., STEMBERG, D. R. M. Comparativo de técnicas para
segmentação de nódulos mamários em imagens de ultrassom. IV Simpósio de
Instrumentação e Imagens Médicas e XIV Congresso Brasileiro de Física Médica, p.769
– 772, 2009a.
ALVES, P. Z. B., SCHIABEL, H. Comparison of techniques for speckle noise reduction
in breast ultrasound images. World Congress on Medical Physics and Biomedical
Engineering,. v.25-II. p.569 – 571, 2009b.
AMARA, G. (1995) ‘An Introduction to Wavelet’, IEEE Computational Science and
Engineering, Summer 1995, vol. 2, num. 2.
ANDRADE, M. M.; ESPINOZA, B. M.; NASCIMENTO, F. A. O.; CARVALHO, H. S.;
VASCONCELOS, D. F; ROCHA, A. F. Algoritmo híbrido para segmentação do
ventrículo esquerdo em imagens de ecocardiografia bidimensional. Revista Brasileira de
Engenharia Biomédica, v. 22, n.1, p. 30-39, 2006.
ÂNGELO, M. F.Sistema de Processamento de Imagens Mamográficas e Auxílio ao
Diagnóstico via-Internet. Tese (Doutorado) – Escola de Engenharia Elétrica de São
Carlos- Universidade de São Paulo (2007).
Referências Bibliográficas
106
BILMORIA, M. M. The woman at increased risk for breast cancer: evaluation and
management strategies, Management of Advanced Breast Cancer: v. 9, n. 7, p. 385-402,
2001.
BARROS, A.C.S.D.; BARBOSA, E.M.; GEBRIM, L.H. Diagnóstico e Tratamento do
Câncer de Mama, Sociedade Brasileira de Mastologia, Sociedade Brasileira de
Cancerologia, Sociedade Brasileira de Patologia, Federação Brasileira de Ginecologia e
Obstetrícia, Projeto Diretrizes - Associação Médica Brasileira e Conselho Federal de
Medicina, 2001
BEUCHER S, LANTUÉJOUL C, Use of Watersheds in contour detection. International
Workshop on Image Processing, Real-Time Edge and Motion Detection/Estimation;
1979; Rennes; France. Rennes: CCETT/IRISA, 1979, p. 2.1–2.12.
BISCEGLI, C. I. Conceitos da física do ultra-som São Carlos, SP: Embrapa
Instrumentação Agropecuária, USP, 2004 - (Embrapa Instrumentação Agropecuária.
Série Documentos 08.
BLUME, S. S. Insight and industry. On the dynamics of technological change in
medicine, Cambridge [MA] & London, The MIT Press, 1992.
BRIGHT, R. A.; MORRISSON, A. S.; BRISSON, J.; BURSTEIN, N. A.; SADOWSKY,
N. S.; KOPANS , D. B.; MEYER, J. E. Relationship between mammographic and
histologic features of breast tissue in women with benign biopsies, Pubmed, v. 61, n. 2, p.
266-71, 1988
BRONZINO, J. D. Biomedical Engineering and Instrumentation: Basic Concepts and
Application, PWS - Engineering, Boston, 1986.
BOYLE, P. Current situation of screening for cancer. Ann Oncol, v.4, p.189-198, 2002.
BOYD, N. F.; LOCKWOOD, G. A.; BYNG, J. W.; TRITCHLER, D. L.; YAFFE, M. J.
Mammographic densities and breast cancer risk. Cancer Epidemiol Biomarkers, v.7,
p.1133-1144, 1998.
BUSSAB, W. O.; MORETTIN, P. A. Estatística básica, 3 ed., Atual, São Paulo,1986.
BYRNE, C.; SCHAIRER, C.; WOLFE, J.; PAREKH, N.; SALANE, M.; BRINTON , L.
A.; HOOVER , R.; HAILE, R. Mammographic features and breast cancer risk: effects
with time, age, and menopause status. Journal of the National Cancer Institute, v. 87,
p.1622 – 1629, 1995.
CANNY J.; “A Computacional Approach to Edge Detection to Edge Detection”; IEEE
Transactions on Pattern Analysis and Machine Inteligence, vol 8, p. 679-698, 1986.
Referências Bibliográficas
107
CHEN, T., WU , Q. H., R. Rahmani-Torkaman and J. Hughes, A pseudo top-hat
mathematical morphological approach to edge detection in dark regions, Pattern
Recognition, v. 35, n. 1, p. 199-210, 2002.
CHRISTENSEN, D. A., Ultrasonic Bioinstrumentation, John Wiley & Sons, New York,
1988.
CHAVES, I.G; SILVA, G. A. S. Câncer de Mama. In: CAMARGO, A. F.; MELO, V. H.
Ginecologia Ambulatorial., Belo Horizonte: Coopmed, p. 593-602. 2001.
COSTA, MM, DIAS, EN, SILVA, HMS, FIGUEIRA F., ASS. Câncer de Mama para
Ginecologistas. Revinter, 1994.
COIADO, O. C. Simuladores para medição de fluxo de líquidos por efeito doppler para
controle de qualidade de equipamentos de ultra-sonografia. Dissertação (Mestrado)
Universidade Estadual de Campinas - Faculdade de Engenharia Elétrica e de Computação
2008.
COSTA, E. T.; MAIA, J. M. Equipamentos de auxílio ao diagnóstico por ultra-som,
Equipamentos médico-hospitalares e o gerenciamento da manutenção: capacitação a
distância. Brasília: Ministério da Saúde, p. 363-368, 2002.
COTAIT, A.A., Bases da enfermagem em quimioterapia, São Paulo: Lemar, 2000.
DATASUS (Departamento de Informática do SUS), Sistema de Informação sobre
Mortalidade 1979 -1997: Dados de Declaração de Óbito. CD-ROM. Brasília: Ministério
da Saúde, 1997.
DIGABEL, H, LANTU´EJOUL, C. Iterative algorithms. Second Symposium
Europ´eend’Analyse Quantitative des Microstructures en Sciences des Mat´eriaux,
Biologie et M´edecine; 1977; Caen; France. Stuttgart: J.-L. Chermant, Ed., Riederer
Verlag ,1978, p. 85-89.
DIXON, J. M; LEONARD, R. C. F. Câncer de Mama, In: Isto é Guia da Saúde Familiar
Cuidados com a Mama. Rio de Janeiro: Cátia Alzurei, v. 201, p. 55-92.
DOI, K.; MACMAHON, H.; GIGER, M.L.; HOFFMANN, K. R. Computer-aided
diagnosis and its potential impact on diagnostic radiology. In:, eds. Computer-aided
diagnosis in medical imaging. Amsterdam, Elsevier Science, p. 11- 20, 1999.
DUSSIK, K.T., Uber die moglichkeit hochfrequente mechanische schwingungen als
diagnostisches hilfsmittel zu verwerten. Z Neurol Psychiat, p.174 - 153, 1942.
EL-BASTAWISSI, A. Y.; WHITE, E.; MANDELSON, M. T.; TAPLIN, S.H.
Reproductive and hormonal factors associated with mammographic breast density by age.
United States, Cancer Causes Control, p. 955-63, 2000.
Referências Bibliográficas
108
EVANS, A.L. The Evaluation of Medical Images. Adam Hilger Ltd., Bristol, England,
1981.
FAYAL, M. A. A., Previsão de Vazão por Redes Neurais Artificiais e Transformada
Wavelet. Dissertação (mestrado) - Departamento de Engenharia Elétrica - Pontifícia
Universidade Católica do Rio de Janeiro, 2008.
FONSECA, M.S. Um estudo sobra a influência das famílias wavelets na compressão de
imagem. Dissertação (mestrado) – Departamento de Computação - Universidade Federal
Fluminense – Niterói- RJ, 2004.
FRANCA, D. N. ; VALENTIM , T. A. S.; ALVARENGA , A. V.; PEREIRA, W.C.A.,
software de interface amigável para aplicação de Operadores morfológicos: exemplo de
segmentação em Imagens de mama por ultra-som, 21° Congresso Brasileiro de
Engenharia Biomédica ,ISBN 978-85- 60064-13-7, 2008.
FRERY, A.C.; SANT’ANNA, S.J.S. Redução de ruído em imagens SAR pelo uso de
filtros robustos, Simpósio Brasileiro de Sensoriamento Remoto, v.7, Curitiba, 1993,
Anais. São José dos Campos: INPE, v. 3, p. 433-442, 1993.
FROST, V.S.; STILES, J. A.; SHANMUGAN, K. S.; HOLTZMAN J.C. A model for
radar images and its applications to adaptive digital filtering of multiplicative noise. IEE
Trans. Pattern Analysis machine Intelligence, v.4, p.157-166, 1982.
GRAPS, A. An Introduction to Wavelets. IEEE Computational Science and Engineering,
vol. 2, n. 2, published by the IEEE Computer Society, 1995.
GIGER, M.L. Computer-aided diagnosis. RSNA Categorial Course in Breast Imaging, p.
72, 1999.
GOLDBERG, B.B.; GRAMIAK, R.; FREIMANIS, A. K. Early history of diagnostic
ultrasound. The role of American radiologists, v. 160, p. 189- 194, 1993.
GONZALEZ, R.; WOODS, R. Processamento de Imagens Digitais,
Edgard Blücher, São Paulo,
2000
.
GONZALEZ, R.C. Digital Image Processing. Prentice Hall, 2002.
GOMES A.L.R.; GOMES C.C. Epidemiologia. Chaves IG. Mastologia aspectos
multidiciplinares. Ed. Médica e Científica, Rio de Janeiro, p 222-230, 1999.
GORDON P.B. Ultrasound for breast cancer screening and staging. Radiol Clin North
America; v.40, p. 431-41, 2002.
Referências Bibliográficas
109
GOTZSCHE, P.C.; OLSEN, O. Is screening for breast cancer with mammography
justifiable? PubMed, v.355, p.129-34, 2000.
GRAPS, A. Na Introduction to Wavelets. IEEE Computational Science and Engineering,
v.2, p. 50-61, 1995.
HOWRY D.H.; BLISS N.A. Ultrasonic visualization of soft tissue structures of the body.
J Lab Gun Med, v.40, p. 579-592, 1952.
HOWRY, D.H.; HOLMES, J.H.; CUSHMAN, J.J.; POSAKONY, G.J. Ultrasonic
visualization of living organs and tissues, with observations on some disease processes.
PubMed,v.10, n.3, p.123-128, 1955.
INPE - Instituto Nacional De Pesquisas Espaciais. Processamento de Imagens de Radar,
http://www.scribd.com/doc/7157488/Spring-06, 10/08/2009.
International Electrotechnical Commission, Technical Report IEC 1390: Ultrasonics –
Real-time pulse-echo systems – Test procedures, Geneve, Suisse, p. 49, 1996.
INCA - Instituto Nacional Do Câncer, Ministério da Saúde. Estimativa 2008 - Incidência
de Câncer no Brasil, http://www.inca.gov.br, 22/05/2008.
JATOI I. Breast cancer screening. Am J Surg, v.177, p. 518-24, 1999.
JOHNSON-THOMPSON, M.C.; GUTHRIE, J. Ongoing research to identify
environmental risk factors in breast carcinoma. PubMed, v.88, n. 5, p.1224-9, 2000.
KERLIKOWSKE, K.; GRADY, D.; BARCLAY, J. et al. Variability and accuracy in
mammographic interpretation using the American College of Radiology BreastImaging
Reporting and Data System. J Natl Cancer Inst, v. 90, n. 23, p.1801-9, 1998.
KOLB, T.M.; LICHY J.; NEWHOUSE J.H. Occult cancer in women with dense breasts:
detection with screening US – diagnostic yield and tumor characteristics. Radiology,
v.207, p. 191-9, 1998.
KOPANS, D.B. Imagem da Mama. Tradução de Mauro Bertuol. 3.ed. .Rio de Janeiro:
Medsi, 2000.
KREMKAU, F.W. Diagnóstico por ultra-som. Princípios e instrumentos. 4ed. Artes
Médicas, Porto Alegre,1996.
LAINE, A.F.; ZONG, X. Border identification of echocardiograms via multiscale edge
detection and shape modeling. In: Proceedings of the IEEE International Conference on
Image Processing, Lausanne, v. 3, p. 287-290, 1996.
Referências Bibliográficas
110
LEE, J. S. Speckle analysis and smoothing of synthetic aperture radar images. Computer
Graphics and Image Processing, v.17, p. 24-32, 1981.
LEUNG, W.; GOLDBERG, F.; ZEE, B.; STERNS, E. Mammographic density in women
on postmenopausal hormone replacement therapy. The Breast Journal, v. 4, p. 63, 2003.
LI, S. S.; BANON, G.J.F. Comparação do desempenho entre vários filtros para redução
do ruído speckle em imagens de radar. Simpósio Brasileiro de Sensoriamento Remoto,
Natal, RN, v.3, p. 567-571, 1988.
LIMA, P. C. Wavelets em Processamento de imagens. Departamento de Matemática –
ICEX. Universidade Federal de Minas, III Workshop em Tratamento de Imagens, 2003.
LLAPA, E., RODIGUES, E.L.L. Segmentação de tumores mamários em ultra-
Sonografias utilizando métodos de processamento automáticos, CBEB, 2008.
LOBO, R.C.M.M.S.;OLIVEIRA, N.; DOURADO, G. et al. Crenças relacionadas ao
processo de adoecimento e cura em mulheres mastectomizadas: um estudo psicanalítico.
Psicol. hosp. São Paulo, vol.4, no.1, p.0-0. ISSN 1677-7409, 2006.
LUDWIG, G.D. The velocity of sound through tissues and the acoustic impedance
oftissues. JAcoust SocAm, v. 22, p.862-866, 1950.
LUDWIG, G.D.; BOLT, R.H.; HEUTER, T.F., BALLANTINE, H.T.J.R. Factors
influencing the use of ultrasound as a diagnostic aid. Trans Am Neurol Assoc, v.75,
p.225-228, 1950.
MA, L.; FISHELL, E.; WRIGHT, B.; HANNA, W.; ALLAN, S.; BOYD, N.F. Case
control study of factors associated with failure to detect breast cancer by mammography.
J Natl Cancer Inst , v.84, p.781-5, 1992.
MAIA, J.M. Sistema ultra-sônico para auxilio ao diagnostico da osteoporose. Tese
(Doutorado), DEB/FEEC/UNICAMP, Campinas, 2001.
OGÊ, M. F.; VIEIRA NETO, H. Processamento Digital de Imagens, Rio de Janeiro,
Brasport. ISBN 8574520098, 1999.
METZ, C.E. ROC Methodology in Radiologic Imaging. Investigative Radiology, v.21,
p.720–733, 1986.
MINISTÉRIO DA CIÊNCIA E TECNOLOGIA. Tutorial de geoprocessamento –
Introdução ao processamento de imagens, 10/05/2009.
Referências Bibliográficas
111
MISITI et al.,Wavelet Toolbox for Use with MATLAB User's Guide. The Math Works
Inc. Natick, MA, USA, 2000.
MORGAN, J.W.; GLADSON, J.E., RAU, K.S. Position paper of the American Council
on Science and Health on risk factors for breast cancer: established, speculated and
unsupported. Breast J, v.4, p.177-97, 1998.
MYLER, H. R.; WEEKS, A. R. Computer Imaging Recipes in C, New Jersey: Prentice
Hall, 1993.
O'MALLEY, M.S.; EARP, J.A.; HAWLEY, S.T.; SCHELL, M.J.; MATHEWS, H.F.;
MITCHELL, J. The association of race/ethnicity, socioeconomic status, and physician
recommendation for mammography: who gets the message about breast cancer
screening? American Journal of Public Health, v.91, p. 49-54, 2001.
NAZÁRIO, A.; REGO, M.; OLIVEIRA, V. Nódulos Benignos da Mama: Uma Revisão
dos Diagnósticos Diferenciais e Conduta. Revista Brasileira Ginecologia Obstetrícia; v.
29, n. 4, p. 211-9, 2007.
OLIVEIRA, E. J. V. Nova técnica para medição de fluxo sangüíneo com ultra
somdoppler, Dissertação (Mestrado) - Universidade Estadual De Campinas, Faculdade
de Engenharia Elétrica e de Computação, Departamento de Engenharia Biomédica, 2003.
OZA, A. M.; BOYD, N.F. Mammographic parenchymal patterns: a marker of breast
cancer risk. Epidemiol Rev, v.15, p.196-208, 1993.
PAMILO, M.; SOIVA, M.; LAVAST, E.M. Real-time ultrasound, axillary
mammography, and clinical examination in the detection of axillary lymph node
metastases in breast cancer patients. J Ultrasound Med., v.8, n.3, p.115-20, 1989.
PASSIK, S.; MCDONALDS, M. Psychosocial aspects of upper extremity lymphedema in
woman treated for breast carcinoma. PubMed, v.83, p.2817-20, 1998.
PASQUALETTE, H.; KOCH, H.; SOARES-PEREIRA, P.; KEMP, C. Mamografia
Actual. Revinter, Rio de Janeiro, 1998.
PAULINELLI, R.R.; MOREIRA, M.; FREITAS, J. R. A importância do diagnóstico
precoce do câncer de mama. Federação Brasileira das Sociedades de Ginecologia e
Obstetrícia, v.32, p.233–237, 2004.
PAULINELLI, R.R.; FREITAS-JÚNIOR, R.; MOREIRA, M.A.; MORAES, V.A.;
BERNARDES-JÚNIOR, J.R.; VIDAL, C.S.; et al. Risk of malignancy in solid breast
dules according to their sonographic features. J Ultrasound Med, v.24, n.5, p.635-41,
2005.
Referências Bibliográficas
112
PAULINELLI, R.R.; FREITAS-JÚNIOR, R.; CURADO, M.P.; SOUZA, A. A situação
do câncer de mama em Goiás, no Brasil e no mundo: tendências atuais para a incidência e
a mortalidade. Rev Bras Saúde Matern Infant, v.3, p.17-24, 2003.
PEREIRA, D.C.; NASCIMENTO, M.Z.; SCOTT, L.P.B.; KURASHIMA , C.S.
Avaliação de Filtros Wavelets Aplicados no Pré- Processamento de Imagens
Mamográficas . In: Anais do XI Congresso Brasileiro de Informática em Saúde, Campos
do Jordão, 2008.
PHIPPS, W.R.; CRAMER, D.W.; SCHIFF, I.; BELISLE, S.; STILLMAN, R.;
ALBRECHT, B.; GIBSON, M.; BERGER, M.J.; WILSON, E. The association between
smoking and female infertility as influenced by cause of the infertility. PubMed, v.48,
p.377-82, 1987.
RIBEIRO, P.B. Classificação por análise de contornos de nódulos mamários utilizando
redes neurais artificiais. Dissertação (Mestrado) - Universidade de São Paulo -
Departamento de Engenharia Elétrica, 2006.
ROBERTS, L. G. Machine Perception of the three-dimensional solids, In: Optical and
Electro-optical Information Processing, MIT Press, 1965.
ROBINSON, E.A.; TREITEL, S. Geophysical signal analysis. Prentice-Hall, New
Jersey, 1980.
RUSS, J. C. The Image Processing Handbook. CRC Press, Boca Raton, 1998.
TREITEL, S.; ROBINSON, E.A. The design og high-resolution digital filters. IEEE
Transsactions on geoscience Eletronics, v.4, p.25-38, 1966.
ROCHA,D.C.; BAUAB, S.P. Atlas de Imagem da Mama. Savier. 1995.
SANTANNA, S.J.S.; MASCARENHAS, N.D.A. Comparação do Desempenho de Filtros
Redutores de Speckle. Simpósio Brasileiro de Sensoriamento Remoto, 1996.
SANTOS, C.C. Efeitos da terapia de reposição hormonal na densidade mamográfica de
mulheres menopausadas . Tese (Doutorado) – Universidade de Campinas, 1997.
STAVROS, T.A. Evaluation of regional lymph nodes in breast cancer patients. In:
Donnellan K, editor. Breast ultrasound.. Lippincott Williams & Wilkins, Philadelphia,
p.834-76, 2004.
SALA, E.; WARREN, R.; MCCANN, J.; DUFFY, S.; DAY, N.; LUBEN, R.
Mammographic parenchymal patterns and mode of detection: implications for the breast
screening programme. J Med Screen, v.5, p.207-12, 1998.
Referências Bibliográficas
113
SANTOS, V. T. Segmentação de imagens mamográficas para detecção de nódulos em
imagens de mamas densas. Dissertação (Mestrado) - Escola de Engenharia de São Carlos
- Universidade de São Paulo, 2002.
SILVA, JUNIOR E. C.; SCHIABEL, H. Um novo modelo de segmentação de clusters de
microcalcificações em imagens momográficas In: XIII Congresso Brasileiro de Física
Médica, 2008.
SILVA, E. C. J. Modelo de processamento de imagens mamográficas para detecção de
agrupamentos de microcalcificações. Tese (Doutorado) – Escola de Engenharia de São
Carlos - Universidade de São Paulo, 2009.
SILVA, A. V.; EYNG, J. Wavelets e Wavelets Packets. Seminário Visão Computacional.
Curso de Pós Graduação de Ciência da Computação – Departamento de Informática e
Estatística. Universidade Federal de Santa Catarina, 2002.
SILVA, F.J.V.; ALVES, C.H.F. Aplicação de técnicas de processamento de imagens
digitais em imagens geradas por ultra-som, Encontro Regional de Matemática Aplicada e
Computacional, Universidade Federal do Rio Grande do Norte – Natal/RN, 2008.
STANTON, A.W.B.; SVENSSON, W.E.; MELLOR, R.H.; PETERS, A.M.; LEVICK,
J.R.; MORTIMER, P.S. Differences in lymph drainage between swollen and non-swollen
regions in arms with breast-cancer-related lymphoedema. Clin Sciences, v.101, p.131-40,
2001.
STOMPER, P.C.; D’SOUZA, D.J.; DINITTO, P.A.; ARREDONDO, M.A. Analysis of
parenchymal density on mammograms in 1353 women 25-79 years old. AJR Am J
Roentgenol, v.167, p.1261-5, 1996.
SANTOS, V.T. Segmentação de Imagens Mamográficas para Detecção de Nódulos em
Mamas Densas.Dissertação (Mestrado) - Escola de Engenharia de São Carlos
Universidade de São Paulo, 2002.
TARALLO, A.S. Segmentação e classificação de imagens digitais de úlceras cutâneas
através de redes neurais artificiais. Dissertação (Mestrado) - Escola de Engenharia de
São Carlos Universidade de São Paulo, 2007.
THURFJELL, E.L.; LERNEVALL, K.A.; TAUBE, A.A. Benefit of independent double
reading in a population-based mammography screening program. Radiology, v.191,
p.241-4, 1994.
MISITI, M., MISITI, Y., OPPENHEIM, G., POGGI, et al. TOOLBOX 2001 -Wavelet
Toolbox: User's Guide, Version 2.1, MathWorks Inc., 2001.
Referências Bibliográficas
114
URSIN, G.; PARISKY, Y.R.; PIKE, M.C.; SPICER, D.V. Mammographic density
changes during the menstrual cycle. Cancer Epidemiol Biomarkers Prev, v.10, p.141–2,
2001.
VALDIVIA, I.; ORTEGA, D. Densidade mamográfica em mulheres após a menopausa
tratadas com tibolona, estriol ou terapia de reposição hormonal convencional. CNS Drugs
Invest , v.20, p.101–7, 2000.
VALENS, C. A Really friendly guide to wavelets,
http://perso.wanadoo.fr/polyvalens/clemens/wavelets/wavelets.html, 05/09/2008.
VAN, G. C.H. Mammographic density and breast cancer risk. Eur J Obstet Gynecol
Reprod Biol,; v.86, p.127-8, 1999.
ZECCHIN, R.N. A perda do seio. Um trabalho psicanalítico institucional com mulheres
com câncer de mama. São Paulo: Casa do psicólogo: FAPESP, 2004.
WAHL, R.L.; SIEGEL, B.A.; COLEMAN, R.E.; GATSONIS, C.G. PET Study Group.
Prospective multicenter study of axillary nodal staging by positron emission tomography
in breast cancer: a report of the staging breast cancer with PET Study Group. J Clin
Oncol, v.22, n. 2, p.277-85, 2004.
WEBSTER, J.G. Medical instrumentation: Application and design. 2nd. ed., Houghton
Mifflin, 1992.
WELLS, P.N.T. Biomedical ultrasonics. London, Academic Press Inc, 1977.
WILD, J.J. The use of ultrasonic pulses for the measurement of biologic tissues and the
detection of tissue density changes. PubMed, v.27, n.2, p.183- 188, 1950.
WILD, J.J.; REID, J.M. Further pilot echographic studies on the histologic structure of
tumors of the living intact human breast. Am J Pathol, v.28, p.839-854, 1952.
WOO, J. History of Ultrasound in Obstetrics and Gynecology. http://www.ob-
ultrasound.net/history1.html, 05/09/2007.
YANG WT, AHUJA A, TANG A, SUEN M, KING W, METREWELI C. High
resolution onographic detection of axillary lymph node metastases in breast cancer. J
Ultrasound Med., v.15, n.3, p.241-6, 1996.
ZANELLA , F. P. Simuladores para medição de fluxo de líquidos por efeito doppler para
controle de qualidade de equipamentos de ultra-sonografia. Dissertação (Mestrado)
Universidade Estadual de Campinas - Faculdade de Engenharia Elétrica e de
Computação, 2008.
Referências Bibliográficas
115
ZONG, X.; LAINE, A. F,; GEISER, E. A. Speckle reduction and contrast enhancement
of echocardiograms via multiscale nonlinear processing. IEEE Transactions on Medical
Imaging, v.17, p. 532-540, 1998.
ZUCATTI, G.R. Proposta para implantação de um Programa de Controle de Qualidade
de Imagens em Equipamentos de Ultra-Som Modo-B, Dissertação (Mestrado) –
Faculdade de Engenharia Elétrica e de Computação, Universidade Estadual de Campinas,
2003.
XU, W.; XIA, S.; XIAO, M.; DUAN, H. A Model-based Algorithm for Mass
Segmentation in Mammograms, Proceedings of the 2005 IEEE, The Key Laboratory of
Biomedical Engineering of Ministry of Education, Zhejiang University, Hangzhou ,
China Engineering in Medicine and Biology 27th Annual Conference, Shanghai, China,
2005.
WEBB, S. The Physics of Medical Imaging. ed. Bristol: Institute of Physics, 1988.
WOLFE, J.N. Breast patterns as an index of risk for developing breast cancer. Am J
Roentgenol, v.126, p.130-7, 1976.
Referências Bibliográficas
116
Apêndice 1
117
A
A
A
P
P
P
Ê
Ê
Ê
N
N
N
D
D
D
I
I
I
C
C
C
E
E
E
A
A
A
Durante a aquisição de imagens de ultrassom as mesmas sofrem degradação
ocasionada por um ruído denominado speckle. Este tipo de ruído cria uma aparência
granular às imagens, muitas vezes impossibilitando a separação de artefatos presentes
na imagem.
A fim de encontrar a técnica que melhor permita minimizar o ruído citado
anteriormente, foram testadas técnicas dentre as quais se encontram as Wavelets das
seguintes famílias: Coiflets, Daubecheis, Haar e Symlets.
A fim de quantificar a perda de dados nas imagens, foram aplicadas funções de
avaliação: (Erro Médio Quadrático (Root Mean Square Error - RMSE), Relação Sinal
Ruído rms (Signal to Noise Ratio rms - SNRrms), Relação Sinal Ruído de Pico (Peak
Signal to Noise Ratio - PSNR) em decibel, conforme citado anteriormente. Os
resultados da aplicação destas funções encontram-se nas tabelas abaixo.
Tabela A.1 – Resultados das funções de avaliação aplicadas às imagens com
ruído minimizado pela Wavelet da família Coiflets
TECNICA
USADA
IMG ERMS SNRMS PSNR
Coiflets Coiflets11 7,3597 131,2692 30,7936
Coiflets Coiflets12 8,0235 109,7871 30,0435
Coiflets Coiflets13 8.1722 105,3878 29,8841
Coiflets Coiflets14 8,1564 105,5418 29,9008
Coiflets Coiflets15 8,1335 106,0110 29,9252
Coiflets Coiflets21 6,9994 145,2577 31,2296
Coiflets Coiflets22 7,4547 127,5029 30,6822
Coiflets Coiflets23 7,5447 123,9927 30,5780
Coiflets Coiflets24 7,5321 124,1621 30,5925
Apêndice 1
118
Coiflets Coiflets25 7,5076 124,8440 30,6207
Coiflets Coiflets31 6,9187 148,7076 31,3303
Coiflets Coiflets32 7,3314 131,8855 30,8271
Coiflets Coiflets33 7,4022 128,9625 30,7435
Coiflets Coiflets34 7,3948 128,9288 30,7522
Coiflets Coiflets35 7,3618 129,9530 30,7911
Coiflets Coiflets41 6,8876 150,0693 31,3694
Coiflets Coiflets42 7,2953 133,2090 30,8700
Coiflets Coiflets43 7,3692 130,1143 30,7824
Coiflets Coiflets44 7,3611 130,1166 30,7920
Coiflets Coiflets45 7,3359 130,8316 30,8217
Coiflets
Coiflets51 6,8702 150,8396 31,3914
Coiflets Coiflets52 7,2734 134,0320 30,8960
Coiflets Coiflets53 7,3436 131,0532 30,8126
Coiflets Coiflets54 7,3349 131,0863 30,8229
Coiflets Coiflets55 7,3087 131,8532 30,8540
Tabela A.2 – Resultados das funções de avaliação aplicadas às imagens com
ruído minimizado pela Wavelet da família Daubecheis
TECNICA
USADA
IMG ERMS SNRMS PSNR
Daubecheis Daubecheis11 8,4153 100,2475 29,6294
Daubecheis Daubecheis12 9,6822 74,9112 28,4113
Daubecheis Daubecheis13 10,0179 69,4869 28,1153
Daubecheis Daubecheis14 10,0458 68,8077 28,0911
Daubecheis Daubecheis15 10,0242 68,9279 28,1098
Daubecheis Daubecheis21 7,3712 130,8019 30,7801
Daubecheis Daubecheis22 8,0264 109,7327 30,0404
Daubecheis Daubecheis23 8,1496 105,9864 29,9081
Daubecheis Daubecheis24 8,1449 105,8443 29,9131
Daubecheis Daubecheis25 8,1244 106,2368 29,9350
Daubecheis Daubecheis31 7,1101 140,7122 31,0933
Daubecheis Daubecheis32 7,6242 121,7515 30,4869
Daubecheis Daubecheis33 7,7296 118,0153 30,3677
Daubecheis Daubecheis34 7,7119 118,3052 30,3876
Daubecheis Daubecheis35 7,6864 118,9851 30,4163
Daubecheis Daubecheis41 7,0126 144,7082 31,2132
Daubecheis Daubecheis42 7,4714 126,8830 30,6628
Daubecheis Daubecheis43 7,5591 123,4703 30,5614
Daubecheis Daubecheis44 7,5550 123,3413 30,5661
Daubecheis Daubecheis45 7,5218 124,2951 30,6043
Daubecheis Daubecheis61 6,9332 148,0788 31,3121
Daubecheis Daubecheis62 7,3627 130,7457 130,7457
Daubecheis Daubecheis63 7,4413 127,5241 30,6978
Daubecheis Daubecheis64 7,4211 127,9656 30,7215
Daubecheis Daubecheis65 7,3953 128,7323 30,7517
Daubecheis Daubecheis71 6,9158 148,8360 31,3340
Apêndice 1
119
Daubecheis Daubecheis72 7,3373 131,6382 30,8201
Daubecheis Daubecheis73 7,4149 128,4776 30,7287
Daubecheis Daubecheis74 7,4065 128,4839 30,7385
Daubecheis Daubecheis75 7,3720 129,5664 30,7791
Daubecheis Daubecheis81 6,8998 149,5382 31,3541
Daubecheis Daubecheis82 7,3154 132,4892 30,8460
Daubecheis Daubecheis83 7,3947 129,1912 30,7524
Daubecheis Daubecheis84 7,3771 129,5231 30,7730
Daubecheis Daubecheis85 7,3550 130,1181 30,7991
Daubecheis Daubecheis91 6,8872 150,0873 31,3700
Daubecheis Daubecheis92 7,3029 132,9611 132,9611
Daubecheis Daubecheis93 7,3803 129,7261 30,7693
Daubecheis Daubecheis94 7,3601 130,1766 30,7931
Daubecheis Daubecheis95 7,3399 130,7493 30,8171
Daubecheis Daubecheis101 6,8831 150,2656 31,3751
Daubecheis Daubecheis102 7,3016 132,9540 30,8624
Daubecheis Daubecheis103 7,3790 129,7103 30,7708
Daubecheis Daubecheis104 7,3710 129,7105 30,7802
Daubecheis Daubecheis105 7,3364 130,8047 30,8211
Daubecheis Daubecheis111 6,8768 150,5469 31,3831
Daubecheis Daubecheis112 7,2759 133,9384 30,8930
Daubecheis Daubecheis113 7,3553 130,6260 30,7988
Daubecheis Daubecheis114 7,3421 130,7882 30,8145
Daubecheis Daubecheis115 7,3125 131,6764 30,8494
Daubecheis
Daubecheis121
6,8734 150,7065 31,3874
Daubecheis Daubecheis122 7,2868 133,5644 30,8801
Daubecheis Daubecheis123 7,3642 130,2932 30,7883
Daubecheis Daubecheis124 7,3417 130,8065 30,8149
Daubecheis Daubecheis125 7,3262 131,1761 30,8333
Tabela A.3 – Resultados das funções de avaliação aplicadas às imagens com
ruído minimizado pela Wavelet da família Haar
TECNICA
USADA
IMG ERMS SNRMS PSNR
Haar Haar1 8,4153 100,2475 29,6294
Haar Haar2 9,6822 74,9112 28,4113
Haar Haar3 10,0179 69,4869 28,1153
Haar Haar4 10,0458 68,8077 28,0911
Haar Haar5 10,0242 68,9279 28,1098
Tabela A.4 – Resultados das funções de avaliação aplicadas às imagens com
ruído minimizado pela Wavelet família Symlets
TECNICA
USADA
IMG ERMS SNRMS PSNR
Symlets Sym21 7,3712 130,8019 30,7801
Apêndice 1
120
Symlets Sym22 8,0264 109,7327 30,0404
Symlets Sym23 8,1496 105,9864 29,9081
Symlets Sym24 8,1449 105,8443 29,9131
Symlets Sym25 8,1244 106,2368 29,9350
Symlets Sym31 7,1101 140,7122 31,0933
Symlets Sym32 7,6242 121,7515 30,4869
Symlets Sym33 7,7296 118,0153 30,3677
Symlets Sym34 7,7119 118,3052 30,3876
Symlets Sym35 7,6864 118,9851 30,4163
Symlets Sym41 7,0226 144,3008 31,2009
Symlets Sym42 7,4997 125,9255 30,6299
Symlets Sym43 7,5928 122,4197 30,5228
Symlets Sym44 7,5753 122,7387 30,5428
Symlets Sym45 7,5475 123,5422 30,5747
Symlets Sym51 6,9749 146,2897 31,2600
Symlets Sym52 7,4167 128,8218 30,7266
Symlets Sym53 7,4982 125,6083 30,6317
Symlets Sym54 7,4826 125,8630 30,6498
Symlets Sym55 7,4511 126,8160 30,6864
Symlets Sym61 6,9382 147,8571 31,3058
Symlets Sym62 7,3568 130,9948 30,7970
Symlets Sym63 7,4301 127,9658 30,7109
Symlets Sym64 7,4189 128,0832 30,7241
Symlets Sym65 7,3884 129,0440 30,7598
Symlets Sym71 6,8982 149,5920 31,3561
Symlets Sym72 7,3148 132,4947 30,8468
Symlets Sym73 7,3832 129,6387 30,7660
Symlets Sym74 7,3775 129,5503 30,7727
Symlets Sym75 7,3507 130,3284 30,8043
Symlets Sym81 6,8971 149,6508 31,3575
Symlets Sym82 7,3119 132,5889 30,8502
Symlets Sym83 7,3816 129,6654 30,7677
Symlets Sym84 7,3729 129,7176 30,7780
Symlets Sym85 7,3435 130,6405 30,8128
Symlets Sym91 6,8874 150,0732 31,3696
Symlets Sym92 7,2941 133,2539 30,8714
Symlets Sym93 7,3723 129,9998 30,7788
Symlets Sym94 7,3636 130,0214 30,7890
Symlets Sym95 7,3374 130,8209 30,8200
Symlets Sym101 6,8748 150,6405 31,3857
Symlets Sym102 7,2730 134,0728 30,8966
Symlets Sym103 7,3468 130,9442 30,8088
Symlets Sym104 7,3409 130,8771 30,8158
Symlets Sym105 7,3073 131,9684 30,8556
Symlets
Sym111 6,8629 151,1542 31,4007
Symlets Sym112 7,2607 134,5208 30,9112
Symlets Sym113 7,3292 131,5961 30,8296
Symlets Sym114 7,3147 131,8430 30,8468
Apêndice 1
121
Symlets Sym115 7,2969 132,3147 30,8681
Symlets Sym121 6,8638 151,1159 31,3995
Symlets Sym122 7,2666 134,2647 30,9041
Symlets Sym123 7,3428 131,0628 30,8136
Symlets Sym124 7,3299 131,2300 30,8289
Symlets Sym125 7,3027 132,0386 30,8611
Apêndice 1
122
Livros Grátis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas
Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
