Uso de Redes Complexas para Classificação de Doenças Pulmonares Intersticiais em Imagens de Tomografia Computadorizada

  • Yana Mendes UFAL
  • Eliana Almeida UFAL
  • Raquel Cabral UFAL
  • Fabiane Queiroz UFAL

Resumo


Doenças Pulmonares Intersticiais (DPIs) são caracterizadas pela cicatrização progressiva do interstício pulmonar e podem levar a insuficiência respiratória. Este artigo propõe um método de classificação de DPIs a partir de imagens de Tomografia Computadorizada (TC) mapeadas em uma Rede Complexa. Métricas de centralidade foram usadas com o objetivo de obter seus atributos texturais. Utilizando um classificador KNN, os resultados apresentaram uma acurácia média de 89.81%. Para os padrões de textura de DPI do tipo consolidação pulmonar e opacidade em vidro fosco, a acurácia do método foi de 90% e 86%, respectivamente, o que aponta o método proposto como promissor para estudos futuros em imagens de TC associadas a pacientes com COVID-19.

Referências

Bharati, M. H., Liu, J. J., and MacGregor, J. F. (2004). Image texture analysis: Methods and comparisons. Chemometrics and Intelligent Laboratory Systems, 72(1):57–71.

Couto, L. N., Backes, A. R., and Barcelos, C. A. Z. (2017). Texture characterization via deterministic walks’ direction histogram applied to a complex network-based image transformation. Pattern Recognition Letters.

de Lima, G. V., Saito, P. T., Lopes, F. M., and Bugatti, P. H. (2019). Classification of texture based on Bag-of-Visual-Words through complex networks. Expert Systems with Applications, 133:215–224.

Fogel, I. and Sagi, D. (1989). Gabor filters as texture discriminator. Biological Cybernetics, 61(2):103–113.

Gonçalves, W. N. (2010). Caminhadas Determinísticas em Redes Complexas Aplicadas em Visão Computacional . PhD thesis, Universidade de São Paulo - USP.

Gonçalves, W. N., Silva, N. R., Costa, L. F., and Bruno, O. M. (2016). Texture recognition based on diffusion in networks. Information Sciences, 365:51–71.

Haralick, R., Shanmugan, K., and Dinstein, I. (1973). Textural features for image classification. IEEE Transactions on Systems, Man and Cybernetics, 3.

Liu, L. and Fieguth, P. (2012). Texture Classification from Random Features. IEEE Transactions on Pattern Analysis and Machine Intelligence, 34(3):574–586.

Lu, L., Chen, D., Ren, X. L., Zhang, Q. M., Zhang, Y. C., and Zhou, T. (2016). Vital nodes identification in complex networks. Physics Reports, 650:1–63.

Ng, M.-Y., Lee, E., Yang, J., Yang, F., Li, X., Wang, H., Lui, M., Lo, C. S., Leung, B., Khong, P.-L., Hui, C., Yuen, K.-Y., and Kuo, M. D. (2020). Imaging Profile of the COVID-19 Infection: Radiologic Findings and Literature Review. Radiology: Cardiothorac Imaging., pages 1–26.

Pereyra, L. C., Rangayyan, R. M., Ponciano-Silva, M., and Azevedo-Marques, P. M. (2014). Fractal analysis for computer-aided diagnosis of diffuse pulmonary diseases in HRCT images. IEEE MeMeA 2014 - IEEE International Symposium on Medical Measurements and Applications, Proceedings.

Simon, P. and Uma, V. (2018). Review of Texture Descriptors for Texture Classification. Data Engineering and Intelligent Computing, Advances in Intelligent Systems and Computing 542,, 542:159–176.

Souza, A. S., de Araujo Neto, C., Jasinovodolinsky, D., Marchiori, E., Kavakama, J., Irion, K. L., Nobre, L. F., Funari, M., Chaves, M., Terra Filho, M., and Daltro, P. (2002). Terminologia para a descrição de tomografia computadorizada do t orax: Su- gestoes iniciais para um consenso brasileiro. Radiologia Brasileira, 35(2):125–128.

Vogado, L. H. S., Veras, R. M. S., Araujo, F. H. D., Silva, R. R. V., and Aires, K. R. (2019). Rede Neural Convolucional para o Diagnostico de Leucemia. XIX Simposio Brasileiro de Computacão Aplicada a Saúde , pages 46–57.

Wang, C. and Tsai, H. (2013). Detecting urban traffic congestion with single vehicle. In 2013 International Conference on Connected Vehicles and Expo (ICCVE), pages 233–240.

Wang, L. and He, D.-C. (1990). Texture classification using texture spectrum. Pattern Recognition, 23(8):905–910.

Xu, Y. and Uberbacher, E. C. (1997). 2D image segmentation using minimum spanning trees. ELSEVIER - Image and Vision Computing, 15:47–57.

Yang, J., Yão, C., Ma, W., and Chen, G. (2010). A study of the spreading scheme for viral marketing based on a complex network model. Physica A: Statistical Mechanics and its Applications, 389(4):859–870.
Publicado
15/09/2020
MENDES, Yana; ALMEIDA, Eliana; CABRAL, Raquel; QUEIROZ, Fabiane. Uso de Redes Complexas para Classificação de Doenças Pulmonares Intersticiais em Imagens de Tomografia Computadorizada. In: SIMPÓSIO BRASILEIRO DE COMPUTAÇÃO APLICADA À SAÚDE (SBCAS), 20. , 2020, Evento Online. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2020 . p. 368-379. ISSN 2763-8952. DOI: https://doi.org/10.5753/sbcas.2020.11528.