Redes neurais auto-organizáveis na caracterização de lesões intersticiais de pulmão em radiografia.. por Paulo Eduardo Ambrosio - Versão HTML

ATENÇÃO: Esta é apenas uma visualização em HTML e alguns elementos como links e números de página podem estar incorretos.
Faça o download do livro em PDF, ePub, Kindle para obter uma versão completa.

UNIVERSIDADE DE SÃO PAULO

FACULDADE DE MEDICINA DE RIBEIRÃO PRETO

PAULO EDUARDO AMBRÓSIO

Redes neurais auto-organizáveis na caracterização de lesões

intersticiais de pulmão em radiografia de tórax

RIBEIRÃO PRETO

2007

Paulo Eduardo Ambrósio

Redes neurais auto-organizáveis na caracterização de lesões intersticiais de pulmão em radiografia de tórax

Tese apresentada à Faculdade de Medicina de

Ribeirão Preto, Universidade de São Paulo, como

requisito parcial para obtenção do título de Doutor

em Ciências Médicas.

Área de concentração:

Clínica Médica – Investigação Biomédica.

Orientador:

Prof. Dr. Clóvis Simão Trad

Co-Orientador:

Prof. Dr. Paulo Mazzoncini de Azevedo Marques

RIBEIRÃO PRETO

Junho de 2007

Redes neurais auto-organizáveis na caracterização de lesões intersticiais de pulmão em radiografia de tórax

Paulo Eduardo Ambrósio

Tese apresentada à Faculdade de Medicina de

Ribeirão Preto, Universidade de São Paulo,

como requisito parcial para obtenção do título

de Doutor em Ciências Médicas.

Área de concentração:

Clínica Médica – Investigação Biomédica

BANCA EXAMINADORA

Prof. Dr. Clóvis Simão Trad

(Orientador)

Faculdade de Medicina de Ribeirão Preto, Universidade de São Paulo

(FMRP/USP)

Prof. Dr. Paulo Mazzoncini de Azevedo Marques

Faculdade de Medicina de Ribeirão Preto, Universidade de São Paulo

(FMRP/USP)

Prof. Dr. José Antônio Baddini Martinez

Faculdade de Medicina de Ribeirão Preto, Universidade de São Paulo

(FMRP/USP)

Profa. Dra. Ana Maria Marques da Silva

Faculdade de Física, Pontifícia Universidade Católica do Rio Grande do Sul (FF/PUCRS)

Prof. Dr. Renato Tinós

Faculdade de Filosofia, Ciências e Letras de Ribeirão Preto, Universidade de São Paulo (FFCLRP/USP) Ribeirão Preto, SP, 01 de junho de 2007

Para Bernadete

AGRADEÇO ...

ao Dr. Clóvis, que compartilhou parte de seu enorme

conhecimento e experiência, contribuindo na realização desse

trabalho;

ao Paulo Mazzoncini, pelo incentivo à produção da pesquisa e

pelas suas idéias que proporcionaram o direcionamento dos

estudos;

ao Rodrigo, que participou de perto de grande parte do

desenvolvimento do trabalho e contribuiu fortemente em sua

realização;

à Rita, secretária do CCIFM, pelo apoio necessário em muitos

momentos;

aos colegas do CCIFM, com quem pude conviver nesses anos de

pesquisa;

a todos os professores do CCIFM, que sempre incentivaram o

trabalho;

aos colegas professores do Centro Universitário Barão de Mauá,

pelo convívio durante o período de realização dessa etapa, e em

especial à professora Débora, pelos comentários sobre o texto;

a todos os meus familiares, amigos e colegas;

à minha mãe, Maria Aparecida, que sempre me apoiou em tudo, e

sem ela não estaria aqui para realizar esse trabalho;

à minha esposa, Bernadete, pelo companheirismo, carinho, apoio,

compreensão e amor, com quem compartilho todas as realizações;

a todas as pessoas que deixarei de citar nominalmente, cada uma

sabe o papel que desempenhou.

A mente que se abre a uma nova idéia

jamais voltará ao seu tamanho original

Albert Einstein

RESUMO

AMBRÓSIO, Paulo E. Redes neurais auto-organizáveis na caracterização de lesões intersticiais de pulmão em radiografia de tórax. Tese (Doutorado em Ciências Médicas).

118 p. Faculdade de Medicina de Ribeirão Preto, Universidade de São Paulo, 2007.

O desenvolvimento tecnológico proporciona uma melhoria na qualidade de vida devido à facilidade, rapidez e flexibilidade no acesso à informação. Na área biomédica, a tecnologia é reconhecidamente uma importante aliada, permitindo o rápido desenvolvimento de métodos e técnicas que auxiliam o profissional na atenção à saúde. Recentes avanços na análise computadorizada de imagens médicas contribuem para o diagnóstico precoce de uma série de doenças. Nesse trabalho é apresentada uma metodologia para o desenvolvimento de um sistema computacional para caracterização de padrões em imagens pulmonares, baseado em técnicas de redes neurais artificiais. No estudo, buscou-se verificar a utilização de redes neurais auto-organizáveis como ferramenta de extração de atributos e redução de dimensionalidade de imagens radiográficas de tórax, objetivando a caracterização de lesões intersticiais de pulmão. Para a redução de dimensionalidade e extração de atributos, implementou-se um algoritmo baseado nos mapas auto-organizáveis (SOM), com algumas variações, obtendo-se uma redução dos cerca de 3 milhões de pixels que compõe uma imagem, para 240 elementos. Para a classificação dos padrões, utilizou-se uma rede Perceptron multi-camadas (MLP), validada com a metodologia leave-one-out. Com uma base contendo 79 exemplos de padrão linear, 37 exemplos de padrão nodular, 30 exemplos de padrão misto, e 72 exemplos de padrão normal, o classificador obteve a média de 89,5% de acerto, sendo 100% de classificação correta para o padrão linear, 67,5% para o padrão nodular, 63,3% para o padrão misto, e 100% para o padrão normal. Os resultados obtidos comprovam a validade da metodologia.

Palavras-chave: Redes neurais artificiais. Extração de características. Diagnóstico auxiliado por computador. Imagens médicas. Lesões intersticiais pulmonares.

ABSTRACT

AMBRÓSIO, Paulo E. Self-organizing neural networks in the characterization of interstitial lung diseases in chest radiographs. Thesis (Doctoral). 118 p. Faculdade de Medicina de Ribeirão Preto, Universidade de São Paulo, 2007.

The technological development provides an improvement in the quality of life due to easiness, speed and flexibility in the access to the information. In the biomedical area, the technology is admitted as an important allied, allowing the fast development of methods and techniques that assist the professional in the health care. Recent advances in the computerized analysis of medical images contribute for the precocious diagnosis of a series of diseases. In this work a methodology for the development of a computational system for characterization of patterns in pulmonary images, based in techniques of artificial neural networks is presented. In the study, has searched for the verification the use of self-organizing neural networks as a feature extraction and dimensionality reduction tool of chest radiographs, willing to characterize interstitial lung disease. For the dimensionality reduction and feature extraction, an algorithm based on Self-Organizing Maps (SOM) was implemented, with some variations, getting a reduction of about 3 million pixels that it composes an image, for 240 elements. For the pattern classification, a Multilayer Perceptron (MLP) was used, validated with the leave-one-out methodology. With a database containing 79 samples of linear pattern, 37 samples of nodular pattern, 30 samples of mixed pattern, and 72 samples of normal pattern, the classifier provided an average result of 89.5% of right classification, with 100% of right classification for linear pattern, 67.5% for nodular pattern, 63.3% for mixed pattern, and 100% for normal pattern. The results prove the validity of the methodology.

Keywords: Artificial neural networks. Feature extraction. Computer-aided diagnosis. Medical images. Interstitial lung disease.

Pesquisa aprovada pelo Comitê de Ética em Pesquisa do Hospital das Clínicas da Faculdade de Medicina de Ribeirão Preto, Universidade de São Paulo, em 05 de outubro de 2004.

Processo nº 10758/2004

LISTA DE FIGURAS

________________________

Figura 2.1 -

Representação de um neurônio de McCulloch e Pitts ..................................... 40

Figura 2.2 -

Representação ilustrativa de um mapa auto-organizável de Kohonen ............ 43

Figura 3.1 -

Reprodução de imagens radiográficas apresentando aspecto

normal (A) e com diagnóstico de fibrose pulmonar idiopática (B) .................. 49

Figura 3.2 -

Esquema da divisão da imagem em 12 partes para sistematizar a

inspeção visual ................................................................................................. 50

Figura 4.1 -

Demarcação do contorno de um pulmão, realizada manualmente .................. 64

Figura 4.2 -

Ilustração representando a extração da área de interesse (região interna ao contorno do pulmão) .................................................................................... 65

Figura 4.3 -

Divisão da imagem em regiões ........................................................................ 66

Figura 4.4 -

Etapas do processo de segmentação. A: contorno do pulmão realizado

na imagem original; B: subtração da região externa ao contorno;

C: divisão da imagem em seis partes ............................................................... 66

Figura 4.5 -

Esquema da divisão das imagens originais em 12 partes ................................ 67

Figura 4.6 -

Exemplo da inclusão de elementos adicionais em uma imagem ..................... 68

Figura 4.7 -

Esquema da subdivisão de uma das partes da imagem em quatro

partes de mesmo tamanho ................................................................................ 69

Figura 4.8 -

Fluxo completo dos processos envolvidos na extração de atributos

das imagens ...................................................................................................... 77

LISTA DE QUADROS

_________________________

Quadro 2.1 - Resumo do algoritmo SOM ............................................................................. 47

Quadro 4.1 - Resumo do algoritmo de extração de características proposto ........................ 75

LISTA DE TABELAS

________________________

Tabela 4.1 -

Relação de patologias que compõem a base de dados, e respectivas

quantidades de exames ..................................................................................... 62

Tabela 4.2 -

Quantidade de amostras disponíveis para cada região segmentada ................. 74

Tabela 5.1 -

Taxas de acerto por classe de padrões, para as imagens da região ‘02’ .......... 79

Tabela 5.2 -

Matriz de confusão dos resultados do classificador, para as imagens da região ‘02’ ................................................................................................... 79

Tabela 5.3 -

Taxas de acerto por classe de padrões, para as imagens da região ‘07’ .......... 79

Tabela 5.4 -

Matriz de confusão dos resultados do classificador, para as imagens da região ‘07’ ................................................................................................... 80

Tabela 5.5 -

Taxas de acerto por classe de padrões, para as imagens da região ‘08’ .......... 80

Tabela 5.6 -

Matriz de confusão dos resultados do classificador, para as imagens da região ‘08’ ................................................................................................... 80

Tabela 5.7 -

Taxas de acerto por classe de padrões, para as imagens da região ‘11’ .......... 81

Tabela 5.8 -

Matriz de confusão dos resultados do classificador, para as imagens da região ‘11’ ................................................................................................... 81

LISTA DE ABREVIATURAS E SIGLAS

________________________________________

Bit

Binary digit (dígito binário)

CAD

Computer-Aided Diagnosis (Diagnóstico auxiliado por computador) CT

Computed Tomography (Tomografia Computadorizada)

dpi

Dots per inch (pontos por polegada)

FDA

Food and Drug Administration.

IA Inteligência

Artificial

MLP

Multi-Layer Perceptron (Perceptron multi-camadas)

µm Micrômetros

PCA

Principal Component Analysis (Análise de Componentes Principais) Pixel

Picture element (elemento de figura)

RNA Rede

neural

artificial

SOM

Self-Organizing Map (Mapa auto-organizável)

SVM

Support Vector Machine (Máquina de Vetor de Suporte)

TI Tecnologia

da

Informação

Weka

Waikato Environment for Knowledge Analysis

SUMÁRIO

_______________

1 INTRODUÇÃO

............................................................................................................... 17

1.1

OBJETIVOS

............................................................................................................

19

1.2

JUSTIFICATIVAS

..................................................................................................

20

1.3 ORGANIZAÇÃO DO TEXTO ............................................................................... 21

2

DIAGNÓSTICO AUXILIADO POR COMPUTADOR ............................................. 23

2.1 DIAGNÓSTICO AUXILIADO POR COMPUTADOR NA RADIOLOGIA ........ 24

2.1.1 Tipos de CAD .............................................................................................. 27

2.1.2 Áreas de aplicação ....................................................................................... 29

2.2 RECONHECIMENTO DE PADRÕES .................................................................. 34

2.2.1 Extração de atributos ................................................................................... 36

2.3

REDES

NEURAIS

ARTIFICIAIS .......................................................................... 37

2.3.1 Neurônio artificial ....................................................................................... 39

2.3.2 Estrutura das redes neurais artificiais .......................................................... 41

2.3.3

Aprendizado

................................................................................................

41

2.3.4 Redes auto-organizáveis .............................................................................. 43

3

LESÕES INTERSTICIAIS DE PULMÃO .................................................................. 48

3.1

PARACOCCIDIOIDOMICOSE

.............................................................................

51

3.1.1 Aspectos radiológicos apresentados pela paracoccidioidomicose ...............52

3.2 FIBROSE PULMONAR IDIOPÁTICA ................................................................. 52

3.2.1 Aspectos radiológicos apresentados pela fibrose pulmonar idiopática ....... 53

3.3 TUBERCULOSE MILIAR ..................................................................................... 54

3.3.1 Aspectos radiológicos apresentados pela tuberculose miliar ...................... 55

3.4 ESCLEROSE SISTÊMICA .................................................................................... 55

3.4.1 Aspectos radiológicos apresentados pela esclerose sistêmica ..................... 56

3.5

SARCOIDOSE

........................................................................................................

56

3.5.1 Aspectos radiológicos apresentados pela sarcoidose ...................................57

3.6 LINFANGITE CARCINOMATOSA ..................................................................... 58

3.6.1 Aspectos radiológicos apresentados pela linfangite carcinomatosa ............ 58

3.7

SILICOSE

...............................................................................................................

59

3.7.1 Aspectos radiológicos apresentados pela silicose ....................................... 60

4

MATERIAIS E MÉTODOS .......................................................................................... 61

4.1 BASE DE DADOS .................................................................................................. 61

4.2

PRÉ-PROCESSAMENTO

......................................................................................

62

4.2.1

Digitalização

................................................................................................

63

4.2.2

Segmentação

................................................................................................

64

4.2.3

Padronização

................................................................................................

67

4.2.4

Subdivisão

...................................................................................................

68

4.3 AVALIAÇÃO DAS IMAGENS ............................................................................. 70

4.4 EXTRAÇÃO DE CARACTERÍSTICAS ............................................................... 70

4.4.1 Execução do algoritmo de extração de características ................................ 74

4.5 CLASSIFICAÇÃO DOS PADRÕES ..................................................................... 76

5

RESULTADOS E DISCUSSÕES .................................................................................. 78

5.1

RESULTADOS

OBTIDOS

.....................................................................................

78

5.2 DISCUSSÃO FINAL .............................................................................................. 82

6 CONCLUSÃO ................................................................................................................. 84

6.1 TRABALHOS FUTUROS ...................................................................................... 86

REFERÊNCIAS ..................................................................................................................... 87

REFERÊNCIAS COMPLEMENTARES ............................................................................ 98

GLOSSÁRIO ........................................................................................................................103

ANEXOS ...............................................................................................................................105

1

INTRODUÇÃO

___________________

Recentes avanços na análise computadorizada de imagens médicas proporcionaram o surgimento de métodos e técnicas que auxiliam o radiologista no diagnóstico precoce de uma série de doenças. O desenvolvimento tecnológico proporciona uma melhoria na qualidade de vida do ser humano devida, principalmente, à facilidade, rapidez e flexibilidade no acesso à informação.

Dentre as tarefas desempenhadas pelo profissional da área médica diariamente, uma das principais é a tomada de decisões. Esse processo pode ocorrer em diversos pontos de sua atividade e é baseado na análise de uma série de informações colhidas também em diferentes momentos e etapas.

O diagnóstico médico é um processo em que a tomada de decisões está diretamente associada. Para que o processo de diagnóstico atinja seus objetivos, o profissional deve analisar e processar rapidamente uma grande quantidade de dados e informações.

Nesse sentido, a tecnologia surge como uma poderosa ferramenta auxiliar para o tratamento dessa informação, facilitando e dinamizando sua coleta, armazenamento, filtragem, processamento, transmissão e disponibilização no momento necessário.

Na especialidade médica de radiologia, o profissional se depara constantemente com a necessidade de tomada de decisões frente a uma quantidade muito grande de informações, obtidas principalmente com a análise das imagens médicas.

18

Os seres humanos, em geral, possuem grandes limitações em sua habilidade visual, o que pode prejudicar a análise e extração de informações pela inspeção de imagens. Outra questão que merece destaque, segundo Azevedo-Marques (2001), é o fato de que o diagnóstico do radiologista é normalmente baseado em uma interpretação fundamentalmente qualitativa dos dados, que sofre influência de diversos fatores externos, como por exemplo, a baixa qualidade e/ou problemas no método de aquisição da imagem, sobreposição de estruturas, e fatores pessoais, como fadiga visual, distração, entre outros.

Na interpretação de imagens radiográficas para diagnóstico de lesões intersticiais esses problemas podem ainda se agravar, devido à alta complexidade em sua análise, observando-se inclusive uma significativa variabilidade inter e intra-observadores (Azevedo-Marques, 2001; Van Ginneken et al. , 2002), em conseqüência do grande número de padrões a serem analisados e da quantidade de doenças que podem ser confundidas.

Visando minimizar essa limitação humana, são propostos e desenvolvidos sistemas computacionais, conhecidos como CAD ( Computer-Aided Diagnosis) (Doi, 1999), definidos como programas que auxiliam o processo de tomada de decisões do radiologista apresentando uma ‘segunda opinião’, por meio da quantificação e comparação de valores extraídos das imagens radiográficas, de forma automatizada (Azevedo-Marques, 2001; Doi 2005).

De acordo com a literatura, os sistemas de apoio ao diagnóstico utilizam, normalmente, técnicas computacionais das áreas de Visão Computacional e Inteligência Artificial em seu projeto (Azevedo-Marques, 2001; Ambrósio et al. , 2005).

Vários estudos demonstram a grande capacidade das redes neurais artificiais em sistemas de apoio ao diagnóstico, principalmente nas aplicações de classificação de padrões (Asada et al. , 1990; Wu et al. , 1993; Ambrósio 2002). Outras pesquisas também propõem a utilização de modelos de redes neurais artificiais com a função de extração de atributos 19

automatizada, apresentando ótimos resultados (Abe et al. , 2002; André, 2003; Ambrósio et al. , 2006).

Nesse trabalho é apresentada uma metodologia para o desenvolvimento de um sistema computacional para caracterização de padrões em imagens pulmonares, baseado em técnicas de redes neurais artificiais auto-organizáveis, verificando seu comportamento como ferramenta de extração de atributos e redução de dimensionalidade de imagens radiográficas de tórax, objetivando a caracterização de lesões intersticiais de pulmão.

Pela metodologia proposta é realizada a extração de atributos das imagens e sua classificação em padrões normais e anormais.

1.1 OBJETIVOS

O objetivo geral do projeto foi a realização de um estudo sobre a utilização de redes neurais auto-organizáveis como técnica para extração de atributos e redução de dimensionalidade de imagens radiográficas de tórax, para caracterização de lesões intersticiais de pulmão, visando sua posterior aplicação em um sistema de auxílio ao diagnóstico.

O sistema completo proposto compõe-se de duas partes: um extrator de características da imagem radiográfica, e um classificador de padrões.

Tendo como o foco principal do trabalho, desde a fase de elaboração do projeto, o estudo de técnicas computacionais de Inteligência Artificial, optou-se pelo seu desenvolvimento prático com base nas redes neurais artificiais auto-organizáveis, procurando principalmente verificar o seu comportamento nas tarefas a que se destinam.

Essas tarefas são a extração de atributos e a redução de dimensionalidade das imagens, com o objetivo de reconhecimento e caracterização de determinados padrões nelas 20

encontrados, para posterior classificação em padrões normais e não-normais. E como tarefa final, uma nova classificação mais detalhada pode ser realizada, com o intuito de separar as amostras nos respectivos grupos de patologias encontradas, promovendo assim o apoio ao diagnóstico.

O objetivo específico desse trabalho, aqui apresentado, é o aprofundamento do estudo sobre a utilização de redes neurais artificiais especificamente para a extração de atributos e redução de dimensionalidade das imagens médicas. Não será, portanto, detalhado o aspecto da classificação das patologias para o diagnóstico, tarefa que será desenvolvida em trabalhos futuros, e sim, o reconhecimento e classificação dos padrões normais e anormais encontrados nas imagens.

1.2 JUSTIFICATIVAS

Um dos propósitos de se desenvolver um sistema de apoio ao diagnóstico radiológico de lesões pulmonares reside no fato de que, reconhecidamente, a detecção e conseqüente quantificação de padrões pelos radiologistas, mesmo os mais especializados, está sujeita a grandes variações interpessoais, devido ao caráter extremamente subjetivo das análises. Nesse sentido, um sistema computacional pode ser utilizado como uma ferramenta para eliminação de divergências e/ou dúvidas, como uma segunda opinião para o profissional.

O desenvolvimento desse tipo de sistema normalmente envolve uma complexa análise de dados. Diferentes métodos e técnicas são desenvolvidos com o intuito de maximizar o poder computacional para melhorar sua performance. Nesse sentido, foi realizado o estudo de técnicas e é proposta uma metodologia para ser aplicada a esse desenvolvimento.

21

A escolha da especialidade médica e especificamente das patologias a serem utilizadas no trabalho foi realizada, principalmente, pela dificuldade em seu diagnóstico diferencial através do exame de raio-X simples de tórax. Como esse exame, normalmente, é o primeiro a ser solicitado pelo médico, devido principalmente ao custo, um sistema de apoio ao diagnóstico como o proposto apresenta potencial para servir como uma ferramenta intermediária entre a análise desse exame e a continuidade do processo diagnóstico. Com isso, possibilitando a diminuição da solicitação de novos exames, baixando consideravelmente o custo total e o desconforto do paciente.

1.3 ORGANIZAÇÃO

DO

TEXTO

O texto desse trabalho está organizado em cinco partes, além dessa primeira Introdução geral.

Para um bom entendimento da Metodologia desenvolvida, os fundamentos conceituais envolvidos são apresentados no Capítulo 2, destacando-se as contribuições da Informática no auxílio ao diagnóstico médico. As bases conceituais e matemáticas das duas principais áreas envolvidas na pesquisa – o Reconhecimento de Padrões, e as Redes Neurais Artificiais –, são detalhadas nesse capítulo. Também é apresentada uma revisão bibliográfica, destacando resultados de estudos sobre diagnóstico auxiliado por computador.

No Capítulo 3 é apresentada uma visão geral das lesões intersticiais pulmonares e de diagnóstico por imagens radiográficas, que compõem a base de dados com a qual o estudo foi aplicado.

22

A Metodologia do estudo é descrita no Capítulo 4, no qual são apresentados os detalhes envolvidos no desenvolvimento prático do trabalho, bem como os materiais e métodos utilizados.

No quinto capítulo são apresentados e discutidos os principais resultados obtidos com a aplicação do estudo.

As conclusões alcançadas são apresentadas no sexto capítulo, juntamente com uma relação dos futuros trabalhos a serem desenvolvidos.

Por fim, é apresentada a lista de referências utilizadas para a elaboração dessa pesquisa.

2

DIAGNÓSTICO AUXILIADO POR COMPUTADOR

____________________________________________________

A utilização do computador se tornou algo corriqueiro em praticamente todas as áreas de atuação do ser humano, como uma ferramenta de auxílio às diversas tarefas do dia-a-dia.

Pode-se usufruir do poder da computação eletrônica em vários tipos de aplicações, com destaque para aquelas que dependam da tomada de decisão.

Tomada de decisões é um processo que envolve a análise das informações disponíveis sobre o problema a ser resolvido. A maior dificuldade desse processo é que, na maioria das vezes, a quantidade de informações a ser analisada é muito grande.

A Tecnologia da Informação (TI) vem auxiliar esse processo, coletando, armazenando, processando e transmitindo a informação, de forma rápida e precisa.

Na área médica, o profissional está constantemente envolvido com processos de tomada de decisão em diversos pontos de sua atividade. Uma tarefa em que a tomada de decisão é claramente verificada é a de diagnóstico.

O diagnóstico médico envolve a análise de uma série de dados e informações coletadas pelo profissional em diversas fontes de diferentes tipos, inclusive toda sua experiência já vivenciada em outros diagnósticos do mesmo tipo (Sabbatini, 1993).

Os primeiros estudos de sucesso sobre a utilização do computador para auxílio ao diagnóstico médico datam do início da década de 1970, sendo considerado como a primeira experiência bem-sucedida o programa MYCIN, desenvolvido na Universidade de Stanford, 24

nos Estados Unidos, apresentado por Shortliffe (1976, apud Sabbatini, 1993)1. Esse sistema tem a função de apoio ao diagnóstico e terapia de infecções provocadas por microorganismos (Sabbatini, 1993).

A influência da resposta computacional na performance do médico e

consequentemente na atenção ao paciente também é tema para vários estudos. Hunt et al.

(1998) apresentam uma verificação realizada em 65 trabalhos, nos quais a performance do médico pôde ser analisada. Desses trabalhos, observaram que em 43 são relatados benefícios para a prática médica.

Kaplan (2001) apresenta os resultados de uma pesquisa em extensa lista de trabalhos cujo foco é a avaliação dos sistemas de apoio à decisão na prática clínica. Nessa pesquisa, alega a importância de se definir uma metodologia consistente para que o impacto desses sistemas seja efetivamente medido.

Atualmente, o conceito de diagnóstico auxiliado por computador (CAD – Computer-Aided Diagnosis) está intimamente relacionado à área de radiologia (Doi, 1999; Kahn Jr., 1996), devido basicamente às características dos dados com que essa especialidade trabalha essencialmente.

2.1

DIAGNÓSTICO AUXILIADO POR COMPUTADOR NA RADIOLOGIA

O diagnóstico auxiliado por computador (CAD) é considerado um dos principais assuntos de pesquisa das áreas de imagens médicas e diagnóstico radiológico (Doi, 2005).

Algumas das mais importantes publicações científicas da área têm lançado edições especiais dedicadas ao assunto (Giger et al. , 2001; Giger, 2002; Gilbert & Lemke, 2005).

1 SHORTLIFFE, E. H. Computer-based medical consultation: Mycin. Amsterdam: Elsevier Scientific, 1976.

25

De acordo com Giger (2002, p. 3)2 “No futuro, é provável que todas as imagens médicas tenham alguma forma de CAD executado para beneficiar os resultados [do diagnóstico] e os cuidados ao paciente”.

Os profissionais que atuam com diagnóstico radiológico dependem diretamente do processo de tomada de decisões em atividade diária, com base na análise e interpretação de dados obtidos, normalmente, por inspeção visual das imagens médicas.

O diagnóstico do radiologista é normalmente baseado em interpretação qualitativa dos dados analisados, que pode ser influenciada e prejudicada por diversos fatores, como baixa qualidade da imagem, fadiga visual, distração, sobreposição de estruturas, dentre outros (Azevedo-Marques, 2001). Além disso, os seres humanos possuem limitações em sua habilidade visual, que podem prejudicar a análise de uma imagem médica, principalmente na detecção de determinados padrões apresentados (Giger, 2002).

Pesquisas demonstram que quando a análise é realizada por dois radiologistas, a sensibilidade do diagnóstico é significativamente aumentada (Thurfjell et al. , 1994). Nesse sentido, o CAD pode ser utilizado como um segundo especialista, ao proporcionar a resposta do computador como uma segunda opinião (Doi, 2005).

Define-se diagnóstico auxiliado por computador (CAD) como sendo a utilização dos resultados de análises automatizadas de imagens radiográficas por um médico radiologista como uma ‘segunda opinião’ para o diagnóstico (Doi, 1999; Azevedo-Marques, 2001).

No desenvolvimento de sistemas CAD normalmente são utilizadas técnicas provenientes de duas áreas computacionais: i) Visão Computacional e, ii) Inteligência Artificial (IA).

Da área de Visão Computacional são empregadas técnicas de processamento de imagens para realce, segmentação e extração de atributos (Azevedo-Marques, 2001).

2 Tradução nossa.

26

O realce tem por objetivo melhorar uma imagem de forma a torná-la mais apropriada para uma aplicação específica (Gonzalez & Woods, 2000). Em aplicações com imagens médicas digitais, o realce é importante para facilitar a análise visual por parte do especialista.

A segmentação é a etapa em que a imagem é subdividida em partes ou objetos constituintes (Gonzalez & Woods, 2000). O resultado da segmentação é um conjunto de objetos que podem ser analisados e quantificados individualmente, representando determinadas características da imagem original.

A etapa final envolvida no processamento de imagens é a extração de atributos, que envolve basicamente a quantificação de elementos que compõem os objetos segmentados da imagem original, tais como tamanho, contraste e forma.

Depois de concluída essa primeira parte do processo, os atributos quantificados são utilizados para a classificação das estruturas identificadas na imagem, sendo normalmente empregados métodos da área de Inteligência Artificial.

Vários métodos e técnicas de Inteligência Artificial podem ser aplicados nessa etapa, normalmente com o objetivo de identificar e separar os padrões em classes distintas, por exemplo, padrões normais e anormais. Segundo Kahn Jr. (1994), dentre as principais técnicas, podem ser citadas: raciocínio baseado em regras, redes neurais artificiais, redes bayesianas, raciocínio baseado em casos. A essas podem ser adicionados os métodos estatísticos, os algoritmos genéticos e as árvores de decisão.

Reinus (1997) apresenta uma visão crítica e bem situada sobre a utilização de sistemas computacionais “inteligentes” para auxílio ao diagnóstico radiológico. Segundo o autor, é inegável a importância do desenvolvimento desse estudo, que pode contribuir de forma efetiva para a prática diagnóstica. O autor conclui ainda que, embora as pesquisas em Inteligência Artificial ainda terem muito a avançar, certamente pode ser considerada uma 27

poderosa ferramenta em todas as formas de esforço científico, incluindo a medicina e a radiologia.

Não se pode deixar de citar, porém, estudos demonstrando que a utilização de um sistema CAD não auxilia significativamente a prática diagnóstica, e até a prejudica em certos aspectos. Fenton et al. (2007), apresentam um exaustivo estudo contando com quase 430 mil exames mamográficos, em que calculam a especificidade e sensibilidade de diagnóstico antes e depois da implantação de sistemas CAD. Concluem, com base nos dados do estudo, que houve uma diminuição na especificidade, com um pequeno aumento (não significativo) na sensibilidade nos diagnósticos após a implantação.

2.1.1 Tipos de CAD

De acordo com a utilização e com os objetivos com que são desenvolvidos, os sistemas CAD podem ser classificados em dois tipos, de acordo com a aplicação a que se destinam: i) auxílio à detecção, e ii) auxílio ao diagnóstico (Azevedo-Marques, 2001).

O auxílio à detecção tem como objetivo localizar anormalidades nos padrões apresentados, por meio de uma varredura automatizada da imagem. Os sistemas desse tipo utilizam técnicas de Visão Computacional para identificar regiões das imagens que podem apresentar padrões radiológicos suspeitos. A interpretação desses padrões e sua classificação são sempre realizadas pelo radiologista (Azevedo-Marques, 2001).