Segmentação de Imagens para Avaliação Morfométrica do Reparo Ósseo Após o Uso de Enxertos Ósseos

June 12, 2017 | Autor: Frederico Sousa | Categoria: Image segmentation, Bone graft, Qualitative evaluation, Morphometric Analysis, K means Clustering
Share Embed


Descrição do Produto

VII Workshop de Informática Médica - WIM 2007

Segmentação de Imagens para Avaliação Morfométrica do Reparo Ósseo após o uso de Enxertos Ósseos Jonathas J. Barbosa1, Francisco de A. Limeira Júnior2, Frederico B. de Sousa2, Leonardo V. Batista1, 3, 4, Thallys P. de Almeida4, Francisco D. N. Neto4 1

2

Programa de Pós-Graduação em Engenharia Mecânica – Centro de Tecnologia Universidade Federal da Paraíba (UFPB) – João Pessoa – PB – Brasil

Departamento de Morfologia – Centro de Ciências da Saúde – Universidade Federal da Paraíba (UFPB) – João Pessoa – PB – Brasil 3

Programa de Pós-Graduação em Informática – Centro de Ciências Exatas e da Natureza Universidade Federal da Paraíba (UFPB) – João Pessoa – PB – Brasil 4

Programa de Educação Tutorial do Bacharelado em Ciência da Computacao da Universidade Federal da Paraíba(UFPB) – PET.Com. – Brasil

{jonathasbarbosa, thallys, franciscodnn}@gmail.com, [email protected], [email protected], [email protected]

Abstract. Image segmentation is a process used to delimit the objects or regions in an image. In this paper, an image morphometric analysis method for evaluation of bone neoformation under bone grafts repair applied to small rodents is presented. The technique uses color-based segmentation by the Kmeans clustering algorithm, and its main goal is to decrease human interference and, consequently, subjectivity. Performance of the system over rodent bone images was qualitatively evaluated by specialists, which considered the process efficient and the results compatible with those achieved by human experts. Resumo. A segmentação de imagens é um processo usado para delimitar os objetos ou as regiões em uma imagem. O presente trabalho apresenta um método de análise morfométrica para avaliação da neoformação óssea sobre enxertos ósseos aplicados a cobaias. A técnica emprega o algoritmo de agrupamento K-médias para efetuar segmentação baseada em cor. O desempenho do sistema sobre imagens de ossos de roedores foi qualitativamente avaliado por especialistas, que consideraram o processo eficiente e os resultados compatíveis com aqueles obtidos por experts humanos.

1. Introdução A área de biomateriais para utilização em clínica odontológica foi uma das áreas da ciência que teve o mais extraordinário desenvolvimento na última década e, alicerçada em base científica forte, vem crescendo a cada dia. Os biomateriais disponíveis representam um instrumento auxiliar poderoso para aquele profissional que atua cirurgicamente em nível do tecido ósseo nas áreas de Cirurgia Bucomaxilofacial,

77

VII Workshop de Informática Médica - WIM 2007

Cirurgia Ortognática, Periodontia, Cirurgia Paraendodôntica, Implantodontia e Cirurgia Plástica Corretiva [1]. O emprego desses biomateriais na reconstrução de defeitos ósseos de diversas etiologias também tem sido relatado por vários autores [2][3][4][5][6][7][8][9][10]. O método de avaliação dos efeitos dos enxertos ósseos sobre o reparo de perdas ósseas mais empregado é o histológico seguido da análise das imagens por algum sistema computacional que possa quantificar, por exemplo, o tecido ósseo neoformado [14][15][16]. A análise meramente histológica torna-se subjetiva na medida em que depende da observação do examinador e, por melhor e mais imparcial que seja esta análise, é necessário um tratamento estatístico que possa mensurar a significância estatística dos resultados. Daí, a análise morfométrica torna-se imprescindível. Em geral, os sistemas computacionais apenas fornecem uma plataforma tecnológica para auxiliar na segmentação, que é feita por um técnico utilizando um dispositivo apontador, como um mouse ou uma caneta de mesa digitalizadora. De fato, os relatos disponíveis a respeito de análise morfométrica em imagens indicam que a delimitação de áreas de interesse não é efetuada de forma o mais independente possível do examinador. Com isto, a abordagem permite uma maior ou menor interferência dos interessados. Isso pode explicar os conflitos de resultados existentes entre diversos trabalhos da literatura. À medida que, em uma imagem histológica, é possível observar áreas ocupadas por tecido ósseo neoformado e áreas ocupadas por partículas de um determinado tipo de enxerto ósseo, as quais podem estar entremeadas por outros componentes como fibras colágenas, é de extrema valia um método computacional que permita a segmentação da imagem em áreas específicas para cada componente em especial. Com isso, pode-se avaliar melhor o que se pretende e da maneira mais objetiva possível. Normalmente quando se realizam estudos sobre o efeito de biomateriais diversos sobre o reparo ósseo, vários fatores são importantes, entre estes: 1. A observação e mensuração do tecido ósseo neoformado e 2. A avaliação da presença residual e da reabsorção das partículas do biomaterial utilizado. Estes dois fatores são determinantes para se avaliar a efetividade do biomaterial em estimular a neoformação óssea. Em processamento digital de imagens, a operação de segmentação consiste em delimitar as regiões constituintes de uma imagem, de acordo com certos critérios de similaridade. A segmentação é um passo fundamental para a análise detalhada de imagens por seres humanos ou computadores. Este procedimento possibilita o uso de modelos matemáticos na descrição, análise e classificação das estruturas de interesse na imagem. Um dos campos onde a segmentação é largamente usada é na análise de imagens biológicas, propiciando importante auxílio no diagnóstico de patologias. Para fins de pesquisa, quando se estuda o efeito de determinada variável do ponto de vista histológico, a segmentação automática por computador permite uma análise menos subjetiva, substituindo a delimitação manual de áreas da imagem e reduzindo assim muitos erros de avaliação. O presente trabalho propõe-se a investigar a aplicabilidade de segmentação computacional de imagens histológicas para visualizar e calcular a neoformação óssea em cobaias que tiveram o osso do fêmur desgastado. A técnica proposta emprega o 78

VII Workshop de Informática Médica - WIM 2007

algoritmo de agrupamento K-médias para efetuar segmentação baseada em cor, representada no sistema L*A*B, e poderá ser utilizado, em trabalhos futuros, para comparar a evolução da neoformação em duas situações distintas: •

Com aplicação de substância X;



Sem aplicação de substância X.

A substância X é o alvo de testes, e o que se pretende avaliar é o seu potencial de aceleração de recuperação óssea.

2. Metodologia A retina do olho humano contém células fotoconversoras, denominadas cones, sensíveis a radiação eletromagnética em faixas de freqüência específicas do espectro eletromagnético. Há três tipos de cones no olho humano: um majoritariamente sensível à freqüência associada ao vermelho, outro ao verde e o terceiro ao azul. Como decorrência desse sistema tricromático do olho humano, a maior parte dos dispositivos eletrônicos modernos de captura e exibição de informação pictórica colorida opera de acordo com um sistema matemático de representação de cores conhecido como RGB (Red, Green, Blue). Em particular, o procedimento de captura e digitalização de imagens provenientes de microscópios óticos produz fotomicrografias digitais cuja informação de cor é representada no espaço RGB. Contudo, apesar do sistema RGB representar, de forma simplificada, o modo como o olho humano detecta radiação eletromagnética, em muitas situações é importante utilizar um sistema que permita representar a informação de cor de maneira independente da luminância ou brilho, tal como o sistema HSI (hue, saturation, intensity), o YCbCr (onde, Y representa a intensidade ou luminância e Cb e Cr representam, respectivamente, os valores de crominância blue-luminância [b-Y] e redluminância [r-Y]) e o L*A*B*. Este último, mais estritamente denominado CIE 1976 L*A*B* Color Space, ou CIELAB, foi definido pela Comissão Internacional de Iluminação (Commission Internationale d'Eclairage) com o objetivo de linearizar a relação entre a variação matemática dos valores de cores e a variação correspondente percebida pelo sistema visual humano. Assim, o sistema L*A*B* ( L* - luminância, a* - valores de cores em um eixo red-green e b* - valores em um eixo blue-yellow) apresenta uma relação mais próxima com a forma como o ser humano percebe as cores, e não apenas com a fisiologia do processo de fotoconversão dos cones presentes na retina humana. Essa característica, em adição ao desacoplamento entre informação de intensidade e crominância, faz do sistema L*A*B* um dos mais utilizado para análise computacional de imagens [17]. A segmentação das regiões de interesse no presente trabalho dar-se-á de forma automática usando a transformação do espaço de cores RGB para o espaço de cores L*A*B, com subseqüente aplicação do algoritmo de agrupamento (clustering) Kmédias, descrito a seguir. Agrupar, segmentar, dividir em classes são nomenclaturas diferentes para um mesmo objetivo que é reunir elementos em um mesmo grupo baseado em alguma medida de similaridade. O algoritmo K-médias é um dos mais simples e utilizados métodos de segmentação não supervisionada [12]. Assim como outros métodos de 79

VII Workshop de Informática Médica - WIM 2007

agrupamento, o K-médias tem como objetivo organizar dados em grupos baseados em similaridade. Cada um desses grupos recebe o nome de classe ou cluster. Um cluster é, portanto, uma coleção de objetos que são similares entre si e não-similares com relação aos objetos de outro cluster. A adoção do K-médias deve-se principalmente aos seguintes fatores: •

Interpretabilidade e usabilidade;



Poucos requisitos para determinar os parâmetros de entrada;



Custo computacional relativamente baixo.

No problema aqui abordado, os objetos a serem agrupados em regiões são os pixels das imagens, cada um deles representado por suas duas componentes de crominância do sistema L*A*B. Trabalha-se, portanto, com objetos em um espaço de atributos de dimensão dois. A aplicação do K-médias para agrupamento em c classes pode ser descrita da seguinte forma: •

Passo 1: Escolhem-se c pontos no espaço de atributos representados pelos objetos que serão agrupados. Estes pontos representam os centróides iniciais dos grupos;



Passo 2: Atribui-se cada objeto ao grupo que possui o centróide mais próximo;



Passo 3: Quando todos os objetos forem agrupados, recalculam-se os c centróides;



Passo 4: Repetem-se os passos 2 e 3 até que os centróides não se movam mais. Isto produz uma separação dos objetos em grupos onde a métrica a ser minimizada pode ser calculada. O K-médias possui alguns problemas:



A eficiência do método depende da definição da métrica de distância.



Procedimentos usando muitos dados ou espaços definidos em grandes dimensões podem ser problemáticos com relação ao tempo de processamento.



O resultado depende da forma como os centróides iniciais são definidos. Se essa definição for aleatória, execuções repetidas do algoritmo podem produzir resultados diferentes.

Para a avaliação da neoformação óssea foram usadas imagens histológicas obtidas em laboratórios locais. O banco é formado por quatro imagens de resolução espacial 960x720 e duas imagens 500x300, todas em formato JPEG. As imagens utilizadas neste artigo são preparadas com os corantes H&E (hematoxilina corante básico e azul, e eosina, corante ácido e vermelho) e Picro sirius. A hematoxilina cora substâncias basófilas, tipo RNA, DNA e secreções citoplasmáticas, de modo que o núcleo das células sempre é corado com este corante (pois possui DNA). A eosina cora estruturas acidófilas presentes no citoplasma das células e nas fibras colágenas. Estas últimas formam o arcabouço para a deposição de minerais do osso, por isso o osso fica tão marcado com vermelho. Picro sirius: corante que pode ter coloração vermelha para estruturas básicas e verde para estruturas ácidas. Como as fibras colágenas do osso são básicas, elas se coram de vermelho. Já outras estruturas se coram de verde por serem ácidas ou terem pH neutro.

80

VII Workshop de Informática Médica - WIM 2007

Tanto os cortes corados por H&E como os corados por Picro são fixados, desmineralizados, clareados, incluídos em parafina, cortados e corados com os respectivos corantes. No osso a técnica é chamada de preparo por desmineralização. O procedimento e parâmetros computacionais usados foram: i. segmentação da imagem no sistema L*a*b* em três regiões, baseadas na cor, usando o algoritmo K-médias com três recálculos (para reduzir a possibilidade de aleatoriedade nos resultado); ii. transformação das imagens segmentadas para imagens binárias; iii. contagem dos pixels dos agrupamentos determinados. Todos os cálculos, implementações e testes foram feitos no ambiente de programação científica Matlab® 7.0, da MathWorks®.

3. Resultados Nas Figuras 1 e 2 exibe-se imagens histológicas do banco de imagens e suas respectivas segmentações. Tais imagens foram escolhidas, dentre outras, ao acaso, para compor o presente trabalho. Estas imagens foram usadas paras os testes e o resultado da segmentação de cada uma delas em três grupos ou regiões. As imagens sem processamento são apresentadas em escala de cinza, usando a transformação RGB para escalas de cinza, para uma visualização mais natural dos agrupamentos, e na forma de imagens binárias, com os pixels correspondentes a cada região mostrados em branco, para melhor discriminar os pixels do grupo e os pixels externos. O conteúdo da Tabela 1 consiste do número de pixels pertencentes a cada grupo, para cada uma das imagens apresentadas. Nas Figuras 1 e 2 a segunda região é a que representa a neoformação óssea, todavia, mesmo em menor quantidade, elementos de neoformação também são encontrados na terceira região entremeados em biomateriais, vasos e material exógeno. Tabela 1. Contagem de pixels

Região 1 2 3

Número de Pixels – Fig.1 105124 322450 263626

Número de Pixels – Fig.2 455360 137327 98513

O tempo de processamento para a imagem original (sem precessamento) da Figura 1 foi de 104s e para a imagem original (sem processamento) da Figura 2 de 73s.

81

VII Workshop de Informática Médica - WIM 2007

(a)

(b)

Primeira região (em branco)

Imagem Original (sem processamento) Osso HE - maior aumento

(c)

(d)

Segunda região (em branco)

Terceira região (em branco)

Figura 1: (a) Imagem sem-processamento; (b) Primeiro Segmento; (c) Segundo Segmento; (d) Terceiro Segmento;

82

VII Workshop de Informática Médica - WIM 2007

(a)

(b)

Primeira região (em branco)

Imagem Original (sem processamento) Osso Picro - menor aumento

(c)

(d)

Segunda região (em branco)

Terceira região (em branco)

Figura 2: (a) Imagem sem processamento; (b) Primeiro Segmento; (c) Segundo Segmento; (d) Terceiro Segmento;

]

83

VII Workshop de Informática Médica - WIM 2007

4. Conclusão A segmentação das imagens neste trabalho proporciona as seguintes vantagens: •

Separação automática entre osso antigo, osso neoformado e material exógeno, baseado na cor;



No método computacional não existe subjetividade;



Alta velocidade de segmentação em comparação ao tempo gasto na segmentação manual.

O método proposto permite uma análise mais precisa, exata e imparcial dos resultados, uma vez que há uma contagem efetiva de pixels correspondente aos diferentes elementos da imagem tais como neoformação, material exógeno, osso antigo etc, dispensando a delimitação manual feita pelo pesquisador ou avaliador, e, portanto, minimizando os erros inerentes às interferências pessoais. A contagem de pixels nas imagens possibilita mensurar a evolução da área óssea neoformada, sendo viável a avaliação objetiva desta ou de qualquer região de interesse. Os resultados foram qualitativamente avaliados e aprovados por especialistas, que vêem nele uma ferramenta extremamente válida para trabalhos futuros que deverão avaliar quantitativamente os efeitos de diferentes substâncias e técnicas na aceleração da recuperação óssea.

5. Agradecimentos Ao Conselho Nacional de Pesquisa - CNPq, e ao Programa de Educação Tutorial/Departamento de Modernização e Programas da Educação Superior/Secretaria de Educação Superior/Ministério da Educação, pelo auxílio financeiro e na forma de bolsas.

6. Referências [1]

J. Mulatinho, R. Taga. “Aplicação de osseobond e biohapatita em caso de colocação imediata de implante de titânio. Estudo clínico e histológico”, Revista Brasileira de Implantodontia, Brasil, n. 4, p. 11-15, 1996.

[2]

C. R Anderegg, et al., “Clinical evaluation of the use of decalcified freeze-dried bone allograft with guided tissue regeneration in the treatment of molar furcation invasions”, J. Periodontol., v. 62, n. 4, p. 264-268, Apr. 1991.

[3]

W. Becker, et al., “Human demineralized freeze-dried bone: inadequate induced bone formation in athymic mice”, A preliminary report. J. Periodontol., v. 66, n. 9, p. 822-828, Sept. 1995.

[4]

S. E. Dualibi, F. F. Moretti, and G. A. ISSAS, “Reconstrução óssea com o complexo bicerâmica-colágeno”, Estudo clínico em 128 pacientes. Rev. Assoc. Paul. Cir. Dent. v. 47, n. 3, 1043-1047, maio/jun. 1993.

[5]

C. M. Kelly, et al. “The use of a surgical grade calcium sulfate as a bone graft substitute: results of a multicenter trial. Clin. Orthop”, v. 382, p. 42-50, Jan. 2001.

[6]

L. Júnior, et al., “Assessment of Bone Repair following the use of Anorganic Bone Graft and Membrane associated or not to 830nm Laser Light”, Proc. SPIE, v. 4950, p.30-36, June 2003a.

84

VII Workshop de Informática Médica - WIM 2007

[7]

L. Júnior, et al., “Efffect of bovine bone grafts on the bone healing process – an experimental study”, R. Bras. Ciênc. Saúde, v. 7, n. 2, p44, 2003b.

[8]

R. Lockhart, J. Ceccaldi, and J. C.Bertrand, “Postoperative maxillary cyst following sinus bone graft: a case report of a case”, Int. J. Oral Maxillofac. Implants, v. 15, n. 4, p. 583-586, July/Aug. 2001.

[9]

A. B. M.Rabie, Certortho, S. H. CHAY, “Clinical applications of composite intramembranous bone grafts”, Am. J. Orthod. Dentofacial Orthop., v. 117, n.4, 375-383, Apr. 2000.

[10]

A. L. B. B.Rios, et al. “Comportamento biológico de implantes de osso bovino anorgânico em arco zigomático de ratos”, Estudo histológico. Rev. Odontol. Univ. Est. São Paulo, São Paulo, v. 25, n. esp., p. 87-101, 1996.

[11]

The Mathworks – Image Processing Toolbox – Demos. Diponível . Acesso em: 28 jun. 2006

[12]

Duda, Richard O. Hart, Peter E., Stork, David G. Pattern Classification, 1973

[13]

R. C. Gonzalez, R E. Woods, and S. L. Eddins – Digital Image Processing using Matlab. Prentice Hall, Upper Sadle River, New Jersey, 2004.

[14]

A. J. Einstein, et al. “Reproducibility and accuracy of interactive segmentation procedures for image analysis of cytology”, Int. J. of Microscopy, vol. 188, pt 2, pp. 136-148, November 1997.

[15]

Z. Christoph, S. Ralf, et al. “Bone formation after sinus augmentation with engineered bone” Clinical Oral Implants Research 18 (1), 69–73. doi:10.1111/j.1600-0501.2006.01295.x. 2007

[16]

G. A. P. Renders, L. Mulder, L. J. van Ruijven, T. M. G. J. van Eijden. “Porosity of human mandibular condylar bone”, Journal of Anatomy 210 (3), 239–248. doi:10.1111/j.14697580.2007.00693.x. 2007

[17]

Gernot Hoffmann. “CIELab Color Space”. Disponível em: emden.de/~hoffmann/cielab03022003.pdf. Acesso em: 18 maio 2007.

em:

http://www.fho-

85

Lihat lebih banyak...

Comentários

Copyright © 2017 DADOSPDF Inc.