COMPARAÇÃO ENTRE TÉCNICAS PARA SEGMENTAÇÃO AUTOMÁTICA DE FÍGADO UTILIZANDO CRESCIMENTO DE REGIÃO
DOI:
https://doi.org/10.18816/r-bits.v5i4.7061Abstract
O câncer de fígado é de alta complexidade para ser diagnosticado e tratado. A taxa de sobrevida em pacientes com esse tipo de câncer em estágios avançados em cinco anos foi de apenas 15%, porém essa taxa aumenta para 60-70% caso seja detectado nos estágios iniciais. Desta forma a melhor maneira para reduzir a mortalidade por câncer é realizando a detecção precoce. Nas tecnologias de detecção e diagnóstico por imagens, geralmente a segmentação é a primeira etapa aplicada. Neste trabalho é proposta a comparação de duas técnicas desenvolvidas para a automatização da segmentação utilizando o algoritmo de crescimento de região. São utilizadas 2977 fatias de TC da região abdominal da fase arterial, o que correspondem a 19 exames. Estas imagens são janeladas e em sequência é aplicado o filtro de média aritmética associado com a transformação gama, e em paralelo é aplicado o filtro de Wiener com a transformação gama. Nas fatias que foram pré-processadas, foram desenvolvidas duas técnicas para realizar o lançamento automático de semente, a primeira técnica utiliza o Lançamento de Semente em Região Retangular (LSRR) e a segunda técnica utiliza Lançamento de Semente em Região Circular (LSRC), ambas as técnicas buscam por pontos de sementes considerando o nível de intensidade de cinza esperado para o fígado, após a segmentação é calculado o volume do fígado a paritr de todas as fatias que compreendem o exame. Foi também realizado a segmentação manual por especialista para realizar comparação com a segmentação automática. Aplicando essas técnicas, a técnica LSRR obteve 66,08% enquanto a técnica LSRC obteve 92,92%, isso para as fatias pré-processadas com filtro de média aritmética associada com transformação gama. Como a técnica LSRC obteve um resultado muito aquém do desejado, foi utilizado apenas a técnica LSRC nas fatias pré-processadas com filtro de Wiener associado com transformação gama, que teve 94,14% de taxa de acerto. Com isso é observado a superioridade da técnica LSRC frente a LSRR, permitindo a segmentação automática do fígado utilizando crescimento de região.Downloads
References
INSTITUTO NACIONAL DE CÂNCER JOSÉ ALENCAR GOMES DA SILVA, Câncer de fígado. 2015. Disponível em: <http://www.inca.gov.br/conteudo_view.asp?id=330>. Acesso em: 28 jan. 2015.
AMERICAN CANCER SOCIETY. Survival rates for liver cancer. 2015. Disponível em: http://www.cancer.org/cancer/livercancer/detailedguide/liver-cancer-survival-rates>. Acesso em: 28 jan. 2015.
INSTITUTO NACIONAL DE CÂNCER JOSÉ ALENCAR GOMES DA SILVA, Estimativa 2014: Incidência de Câncer no Brasil. Rio de Janeiro, 2014.
HUANG, Y. L.; CHEN, J.H.; SHEN, W.C. Diagnosis of hepatic tumors with texture analysis in nonenhanced computed tomography images. Acad Radiol, Reston,. v. 13, n. 6, 2006.
GILBERT, F. J.; LENKE, H. Computer-aided diagnosis. The British Journal of Radiology, London, v. 78, n.1, 2005.
HUANG, C. et al. Automatic Liver Detection and Segmentation from 3D CT images: a hybrid method using statistical pose model and probabilistic atlas. Int J CARS, Berlin, v. 8, n. 1, 2013.
POHLE, R.; TOENNIES K. D. Segmentation of medical images using adaptive region growing. Medical Imaging SPIE, San Diego, v.2, n. 27, 2001.
GONZALEZ, R. C.; WOODS R.E. Processamento digital de imagens, 3.ed., Pearson Prentice Hall, São Paulo, 2010.
WU, J. et al. Texture feature based automated seeded region growing in abdominal MRI segmentation. Biomedical Engineering and Informatics (BMEI), Sanya, v.2, n.1, 2008.
GAMBINO, O. et al. Automatic Volumetric Liver Segmentation Using Texture Based Region Growing. Complex, Intelligent and Software Intensive Systems (CISIS), Krakow, v.1, n.1, 2010.
GUYTON, A. C.; HALL, J. E. Textbook of medical physiology, 11th ed, Elsevier Saunders, Philadelphia, 2006.
HSIEH, J. The computed tomograph principles, design, artifacts, and recent advances, 2 ed., SPIE and Wiley-Interscience, Bellingham, v.1, n.1, 2009.
GONZALEZ, R. C.; WOODS R.E. Processamento digital de imagens, 3.ed., Pearson Prentice Hall, São Paulo, 2010.
HSIEN-WEN, C.; TZU-CHAO, C. Automatic computation of liver volume from living donor for liver transplantation procedure. Image and Graphics (ICIG), 2013 Seventh International Conference on, Qingdao, v.1, n.1, 2013.
ZHENG-RONG, S.; LU-NAN Y.; CHENG-YOU, D. Donor safety and remnant liver volume in living donor liver transplantation.. World J Gastroenterol, Beijing, v. 18, n. 48, 2012.
YEN-WEI, C. et al. Computer-aided liver surgical planning system using CT volumes. Conf Proc IEEE Eng Med Biol Soc. Piscataway, v.1, n.1, 2013.
NEMA. DICOM Homepage. Disponível em: <http://dicom.nema.org/>. Acesso em: 28 jan. 2015.
BERBER, E. et al., Use of CT Hounsfield unit density to identify ablated tumor after laparoscopic radiofrequency ablation of hepatic tumors. Surg Endosc, New York, v.14, n.9, 2000.
ANASTÁCIO, R.; MAMERE, L. R. O.; MACEDO, T. A. A.; PATROCINIO, A. C. Volumetria e segmentação hepática automática. XXIV Congresso Brasileiro de Engenharia Biomédica. Uberlândia: Canal 6 Editora. 2014.
WOLFRAN. Dilation - Wolfran Language Documentation. Disponível em: <http://reference.wolfram.com/language/ref/Dilation.html>. Acesso em 28 jan. 2015.
ABRÀMOFF, M. D.; MAGALHÃES, P. J. Image Processing with ImageJ. Biophotonics International, Pittsfield, v.11, n.7, 2004.