Segmentação de Bacilos de Tuberculose em Imagens de Microscopia Convencional Através da Utilização de Redes Neurais Artificiais e Máquinas de Vetores Suporte
Nome: LUCAS DE ASSIS SOARES
Tipo: Dissertação de mestrado acadêmico
Data de publicação: 17/04/2015
Orientador:
Nome |
Papel |
|---|---|
| EVANDRO OTTONI TEATINI SALLES | Co-orientador |
Banca:
| Nome |
Papel |
|---|---|
| CLARIMAR JOSÉ COELHO | Examinador Externo |
| EVANDRO OTTONI TEATINI SALLES | Orientador |
| KLAUS FABIAN COCO | Examinador Interno |
| PATRICK MARQUES CIARELLI | Examinador Interno |
| SAULO BORTOLON | Examinador Interno |
Resumo: Embora tratável, a tuberculose (TB) é um problema de saúde global estando apenas atrás
da AIDS como o maior responsável por mortes devido a um único agente infeccioso (WHO,
2015). Para que seja tratada, um diagnóstico adequado da doença deve ser feito. Ainda
hoje, a maior parte do diagnóstico laboratorial é realizado usando a técnica de coloração
de Ziehl-Neelsen sobre a lâmina com escarro do paciente, e esta é examinada por um
microscópio ótico em busca dos bacilos de tuberculose através da inspeção humana. Esse
processo é demorado e exaustivo, de modo que um sistema de reconhecimento automático
de bacilos de tuberculose, a partir de imagens da lâmina, permitiria tornar o processo
de diagnóstico mais ágil e menos cansativo. Neste trabalho, um sistema de segmentação
automática de bacilos de tuberculose usando imagens de microscopia convencional é
proposto. O sistema é basicamente dividido em duas etapas: a segmentação propriamente
dita e a classificação das estruturas segmentadas. Primeiramente, as imagens são projetadas
com base na análise do discriminante linear de Fisher, permitindo uma maior separação
entre os pixels de fundo e os pixels de bacilo. Em seguida, duas abordagens são testadas:
uma segmentação baseada em limiarização global e outra baseada no método de Otsu. As
estruturas muito grandes e muito pequenas passam por um processo de filtragem e é feito
um pós-processamento morfológico. Por fim, a classificação das estruturas segmentadas
é feita usando redes neurais artificiais e máquinas de vetores suporte. Os resultados
mostram que é possível implementar um sistema de segmentação automática de bacilos de
tuberculose com boa capacidade de distinção dos bacilos e de baixo custo computacional.
Para a segmentação, até 98,69% dos bacilos são corretamente segmentados e até 85,61%
dos bacilos permanecem após o filtro de áreas. Para a classificação das estruturas, foram
obtidos valores médios de sensibilidade, especificidade, acurácia e precisão de até 94,25%,
95,33%, 95,73% e 92,50%, respectivamente.
