Análise do desempenho de algoritmos em tomografia de impedância elétrica no diagnóstico de...
-
Upload
helber-rodrigues -
Category
Technology
-
view
134 -
download
4
description
Transcript of Análise do desempenho de algoritmos em tomografia de impedância elétrica no diagnóstico de...
ANÁLISE DO DESEMPENHO DE ALGORITMOS EM TOMOGRAFIA DE IMPEDÂNCIA ELÉTRICA NO
DIAGNÓSTICO DE CÂNCER DE MAMAHelber R. Ferreira, Harold I. A. Bustos, Wilfredo B. Figuerola
[email protected], [email protected], [email protected]
Universidade do Estado do Rio Grande do Norte (UERN)Departamento de Informática – Natal - RN- Brasil
Este estudo apresenta a técnica de Tomografia de Impedância Elétrica (TIE) no diagnóstico de câncer de mama, por meio de simulações feitas a partir do software EIDORS (Electrical Impedance Tomography and Diffuse Optical Tomography Reconstruction Software) e da ferramenta para cálculos numéricos computacionais OCTAVE.A implementação teve como ponto de partida o uso dos algoritmos à priori de Laplace, Noser e Tikhonov, onde várias análises foram feitas a partir dos algoritmos propostos. 2 /30
INTRODUÇÃO
INTRODUÇÃO
A medição da impedância do tecido in vivo, é possível com os métodos invasivos e não invasivos (KUMAR et al., 2005) onde dentre os métodos não invasivos, se inclui a Tomografia de Impedância Elétrica (TIE).
3 /30
INTRODUÇÃO
Na TIE um arranjo de eletrodos é alocado na fronteira de um objeto e uma fonte injeta correntes alternadas (de baixa frequência) através dos eletrodos e medem-se as voltagens resultantes na fronteira (Figura 1).
4 /30
INTRODUÇÃO
5 /30
a) b)
Figura 1 - Sistema TIE sendo aplicado na medicina. a) análise pulmonar. b) mamografia.
MATERIAL E MÉTODOS
6 /30
Para a resolução do problema TIE, é necessário resolver o Problema Direto e o Problema Inverso.Com base na função h que relaciona a distribuição de resistividade ρ no domínio Ω com os potenciais elétricos v no contorno δΩ tem-se o seguinte: h: ρ v
MATERIAL E MÉTODOS
7 /30
Ao determinarmos os potenciais elétricos em δΩ, conhecendo-se a distribuição de resistividade e corrente elétrica, temos o Problema Direto.Quando determinamos a distribuição de resistividade em Ω, conhecendo-se os potenciais elétricos em δΩ e a corrente elétrica, estamos tratando do Problema Inverso.
MATERIAL E MÉTODOS
8 /30
Para aplicar a TIE no diagnóstico de câncer mamário, injeta-se corrente em eletrodos localizados ao redor da mama e medem-se potenciais elétricos nos demais (Figura 2).
Figura 2: Procedimento de medida dos potenciais nos eletrodos. Extraído e adaptado de (SZCZEPANIK; RUCKI, 2000 apud RODRIGUEZ, 2010, p. 10).
MATERIAL E MÉTODOS
9 /30
Para a construção da simulação proposta utilizou-se os softwares livres EIDORS e OCTAVE, ambos distribuídos sobre os termos de licença GNU.
OCTAVE
MATERIAL E MÉTODOS
10 /30
Os códigos do EIDORS resolvem o problema direto e inverso num domínio bidimensional e foram implementados no OCTAVE, que é um interpretador de linguagem de alto nível, destinado para computações numéricas.
MATERIAL E MÉTODOS
11 /30
Os dados dos tecidos glandulares utilizados na simulação (Tabela 1) foram baseados em (KOROTKOVA et al., 2012).
Tabela 1: Valores de condutividade dos tecidos
Tecido Condutividade Elétrica
Adiposo 0.12Neoplásico Benigno (Cisto) 0.6
Neoplásico Maligno (Câncer) 1.2
Para a resolução do problema direto simulou-se o tecido adiposo de uma mama feminina, um cisto e um tecido neoplásico maligno (câncer) por meio do Método de Elementos Finitos FEM (Finite Element Method).
MATERIAL E MÉTODOS
12 /30
Na construção do modelo direto devemos informar ao EIDORS a quantidade de eletrodos do modelo, o valor de refinamento da malha, o padrão de estimulação de corrente nos eletrodos bem como os valores de resistividade de cada tecido (Tabela 1) e (Tabela 2):
Tabela 2: Requisitos e valores para implementação do modelo direto
Requisitos Valor
Número de eletrodos 32
Refinamento da malha 2
Padrão de estimulação adjacente
MATERIAL E MÉTODOS
13 /30
A (Figura 3) mostra o cenário com os dados processados no modelo direto.
Figura 3: Tanque cilíndrico representando o tecido adiposo da mama (σ = 0.12), esfera amarela o cisto (σ = 0.6, e esfera vermelha o câncer (σ = 1.2).
MATERIAL E MÉTODOS
Para a resolução do modelo inverso, é necessário informar o algoritmo de regularização. Em nosso caso foram escolhidos os algoritmos de regularização do Eidors, PRIOR_TIKHONOV, PRIOR_NOSER e PRIOR_LAPLACE.
14 /30
MATERIAL E MÉTODOS
Com base no cenário proposto, análises foram simuladas nos modelos direto e inverso:
15 /30
MÉTRICAS
Variação do tamanho da malha Variações da proximidade dos tecidos
neoplásicos
MATERIAL E MÉTODOS
Variação do tamanho da malha
16 /30
MÉTRICAS
Na construção do Modelo Direto o multiplicador maxh é o responsável por definir o refinamento da malha. Os valores variam de 0.5 (maior refinamento) a 2.0 (menor refinamento).
MATERIAL E MÉTODOS
Variação do tamanho da malha
17 /30
MÉTRICAS
A resolução do Modelo Inverso gerou as imagens a partir do Modelo Direto apresentado, com variações dos tamanhos da malha e dos algoritmos propostos. A distância Euclidiana de cada imagem também foi gerada para determinar a correlação entre a imagem original do modelo direto (Figura 4), (Figura 5) e (Figura 6).
MATERIAL E MÉTODOS
Variação do tamanho da malha (Laplace)
18 /30
MÉTRICAS
Figura 4: Imagens do Modelo Inverso, Distância Euclidiana e Gráfico do desempenho visual de cada valor maxh relacionados ao
algoritmo PRIOR_LAPLACE.
MATERIAL E MÉTODOS
Variação do tamanho da malha (Noser)
19 /30
MÉTRICAS
Figura 5: Imagens do Modelo Inverso, Distância Euclidiana e Gráfico do desempenho visual de cada valor maxh relacionados ao
algoritmo PRIOR_ NOSER.
MATERIAL E MÉTODOS
Variação do tamanho da malha (Tikhonov)
20 /30
MÉTRICAS
Figura 6: Imagens do Modelo Inverso, Distância Euclidiana e Gráfico do desempenho visual de cada valor maxh relacionados ao
algoritmo PRIOR_ TIKHONOV.
MATERIAL E MÉTODOS
Variação do tamanho da malha
21 /30
MÉTRICAS
Tabela 3: Classificação do valor maxh de melhor êxito para cada algoritmo.Algoritmo maxh Tamanho da malha (nº elementos) Correlação
(valores próximos a 1 tem maior correlação)
Prior_Laplace
0.5 357945 0.25522.0 24709 0.23001.0 54190 0.22731.5 27932 0.2104
Prior_Noser
0.5 357945 0.69532.0 24709 0.67661.5 27932 0.67551.0 54190 0.6691
Prior_Tikhonov
0.5 357945 0.24042.0 24709 0.23191.0 54190 0.21581.5 27932 0.2068
MATERIAL E MÉTODOS
Variação da proximidade dos tecidos neoplásicos
22 /30
MÉTRICAS
A proximidade dos tecidos neoplásicos afeta diretamente os resultados de alguns dos algoritmos propostos, como podem ser observados a seguir (Figura 7), (Figura 8) e (Figura 9):
MATERIAL E MÉTODOS
Variação da proximidade dos tecidos Neoplásicos
23 /30
MÉTRICAS
Figura 7: Imagens do Modelo Inverso, Distância Euclidiana e Gráfico do desempenho de cada algoritmo com maior proximidade dos
tecidos neoplásicos.
MATERIAL E MÉTODOS
Variação da proximidade dos tecidos Neoplásicos
24 /30
MÉTRICAS
Figura 8: Imagens do Modelo Inverso, Distância Euclidiana e Gráfico do desempenho de cada algoritmo com menor proximidade dos
tecidos neoplásicos em relação à figura 7.
MATERIAL E MÉTODOS
Variação da proximidade dos tecidos Neoplásicos
25 /30
MÉTRICAS
Figura 9: Imagens do Modelo Inverso, Distância Euclidiana e Gráfico do desempenho de cada algoritmo com menor proximidade dos
tecidos neoplásicos em relação à figura 8.
MATERIAL E MÉTODOS
26 /30
MÉTRICASVariação da proximidade dos tecidos NeoplásicosTabela 4: Classificação do desempenho de cada algoritmo com relação à proximidade entre os tecidos neoplásicos.
Algoritmo FiguraCorrelação pelo fator proximidade
(valores próximos a 1 tem maior correlação)
Prior_Laplace 7 0.3473Prior_Noser 7 0.4189Prior_Tikhonov 7 0.2997Prior_Laplace 8 0.4403Prior_Noser 8 0.4994Prior_Tikhonov 8 0.3732Prior_Laplace 9 0.3698Prior_Noser 9 0.4218Prior_Tikhonov 9 0.3252
DISCUSSÃO
27 /30
VARIAÇÃO DO TAMANHO DA MALHA
O algoritmo de Noser obteve melhor desempenho em todos os tamanhos de malha analisados, sendo que os algoritmos de Laplace e Tikhonov apresentaram resultados similares.
DISCUSSÃO
28 /30
VARIAÇÃO DA PROXIMIDADE DOS TECIDOS NEOPLÁSICOS
Quanto à proximidade entre os tecidos neoplásicos, o algoritmo de Noser também obteve melhores resultados apresentando menor distorção da imagem resultante, seguido do algoritmo de Laplace e por último, Tikhonov.
CONCLUSÃO
29 /30
Por meio da modelagem e simulação, a reconstrução de imagens em TIE se mostra uma grande aliada na detecção de neoplasias mamárias;
método totalmente não invasivo, seu uso em exames clínicos pode desempenhar um papel fundamental na melhoria do prognóstico;
Ferramenta complementar a outros tipos de exames, como a mamografia.
REFERÊNCIAS
AGRAWAL, A. K. at al. Impedance Tomography in Diagnosing Breast Cancer. Adv Clin Exp Med, p. 1313–1317, 2005.
AGUILAR, J. C. Z. Estudos numéricos para o problema da tomografia por impedância elétrica. São Paulo Instituto de Matemática e Estatística da Universidade de São Paulo p. 1 – 120, 2009.
EIDORS. Electrical Impedance Tomography and Diffuse Optical Tomography Reconstruction Software. Disponível em: <http://eidors3d.sourceforge.net>. Acesso em 18 de Julho, 2013.
KOROTKOVA, M. Standards for Electrical Impedance Mammography. Yaroslavl, Russia, p. 165 – 169, 1012.
PEIXOTO, A; VELHO, L. Transformadas de Distância, PUC-Rio, p. 4, 2000. RODRIGUEZ, S. Procedimento de medida de condutividade in vivo para
desenvolver um atlas anatômico de tomografia por impedância elétrica. São Paulo Escola Politécnica da Universidade de São Paulo, p. 1-104, 2010.
VINCINI, L. Análise multivariada da teoria à prática. UFSM, Santa Maria, RS, p. 23-24, 2005.
30 /30