ABSTRACT
ABSTRACT Purpose: To develop an application (TopEye) in the iOS platform for mobile devices to allow the capture and interpretation of color maps generated by corneal topographers using artificial intelligence. Methods: In the execution, follow-up, and assessment of the project, we used the Scrum methodology and interactive and incremental development process for the project management and agile software development. The ge nerated diagnostic pattern bank consists of 1,172 examples of corneal topography, divided into 275 spherical, 302 symmetrical, 295 asymmetrical, and 300 irregular patterns (keratoconus). For the development of the artificial intelligence of the application, network training was established with 240 images of each pattern type, with a total of 960 patterns (81.91%). The remaining 212 images (18.09%) were used to test the application and will be used for the results. The process is semi-automatic, so the topographic image is captured with a smartphone, the examiner performs the contour of the corneal relief manually, and then the neural network performs the diagnosis. Results: The application diagnosed 201 cases (94.81%) correctly. In 212 images, the algorithm missed the classification of 11 cases (5.19%). The major error that occurred was in distinguishing between symmetrical and asymmetrical classes. In keratoconus screening, the application reached 95.00% sensitivity and 98.68% specificity. Conclusion: The work resulted in obtaining an efficient application to capture topographic images using a smartphone camera and their interpretations through applied artificial intelligence.
RESUMO Objetivo: Desenvolver um aplicativo (TopEye) na plataforma iOS para dispositivos móveis que possibilite a captação e interpretação do mapa de cores gerados por qualquer topógrafo corneano através da inteligência artificial (IA). Metodos: A execução, acompanhamento e avaliação do projeto foi utilizada a metodologia Scrum, processo de desenvolvimento interativo e incremental para gerenciamento de projetos e desenvolvimento ágil de software. O banco de padrões de diagnóstico gerado consiste em 1172 exemplos, divididos em: 275 padrões esféricos, 302 regulares simétricos, 295 regulares assimétricos e 300 irregulares (ceratocone). Para o desenvolvimento da inteligência artificial do aplicativo, foi estabelecido o treinamento da rede com 240 imagens de cada tipo de padrão, totalizando 960 (81,91%) padrões. O restante das imagens, 212 (18,09%), foram utilizadas para testar o aplicativo e usadas para gerar os resultados. O processo é semiautomático, assim a captação da imagem topográfica é realizada com smartphone, o examinador realiza o contorno do relevo corneano manualmente para em seguida a rede neural realizar o diagnóstico. Resultados: O aplicativo diagnosticou 201 (94,81%) imagens corretamente. De um total de 212 imagens, o algoritmo errou a classificação de apenas 11 (5,19%). A principal ocorrência de erro foi na distinção das classes simétrica e assimétrica. No rastreio do ceratocone o aplicativo alcançou 95,00% de sensibilidade e 98,68% especificidade. Conclusão: O trabalho resultou na obtenção de um aplicativo eficiente na captura da imagem topográfica pela câmera do smartphone e na interpretação da mesma através da inteligência artificial aplicada.
ABSTRACT
INTRODUÇÃO: Dentre as doenças que afetam a população mundial, destaca-se a preocupação com a Doença Pulmonar Obstrutiva Crônica (DPOC), que, segundo a Organização Mundial de Saúde, pode se constituir na terceira causa de morte mais importante em todo mundo no ano de 2030. Visando contribuir com o auxílio ao diagnóstico médico, esta pesquisa centraliza seus esforços na etapa de segmentação dos pulmões, visto que esta é a etapa básica de sistema de Visão Computacional na area de pneumologia. MÉTODOS: Este trabalho propõe um novo método de segmentação dos pulmões em imagens de Tomografia Computadorizada (TC) do tórax chamado de Método de Contorno Ativo (MCA) Crisp Adaptativo 2D. Este MCA consiste em traçar automaticamente uma curva inicial dentro dos pulmões, que se deforma por iterações sucessivas, minimizando energias que atuam sobre a mesma, deslocando-a até as bordas do objeto. O MCA proposto é o resultado do aperfeiçoamento do MCA Crisp desenvolvido previamente, visando aumentar a sua exatidão, diminuindo o tempo de análise e reduzindo a subjetividade na segmentação e análise dos pulmões dessas imagens pelos médicos especialistas. Este método por iterações sucessivas de minimização de sua energia, segmenta de forma automática os pulmões em imagens de TC do tórax. RESULTADOS: Para sua validação, o MCA Crisp Adaptativo é comparado com os MCAs THRMulti, THRMod, GVF, VFC, Crisp e também com o sistema SISDEP, sendo esta avaliação realizada utilizando como referência 24 imagens, sendo 12 de pacientes com DPOC e 12 de voluntários sadios, segmentadas manualmente por um pneumologista. Os resultados obtidos demonstram que o método proposto é superior aos demais. CONCLUSÃO: Diante dos resultados obtidos, pode-se concluir que este método pode integrar sistemas de auxílio ao diagnóstico médico na área de Pneumologia.
INTRODUCTION: Among the diseases that affect the world's population, there is concern about Chronic Obstructive Pulmonary Disease (COPD), that, according to the World Health Organization, could be the leading cause of death worldwide by the year 2030. Aiming to contribute to aid medical diagnosis, this research focuses its efforts on the segmentation of the lungs, since this is the basic step system in the area of Computer Vision pulmonology. METHODS: This paper proposes a new method for segmentation of lung images in Computed Tomography (CT) of the chest called Active Contour Method (MCA) Crisp Adaptive 2D. This MCA is to draw a curve starting inside an object of interest. This curve is deformed by successive iterations, minimizing energies that act on it, moving it to the edges of the object. The MCA is the improvement of the proposed MCA Crisp previously developed, aiming to increase the accuracy, decreasing analysis time and reducing the subjectivity in the segmentation and analysis of the lungs of these images by pulmonologists. This method is automatically initialized in the lungs and on successive iterations to minimize this energy, this MCA automatically targets the lungs in chest CT images. RESULTS: To evaluate the proposed method, the MCA Adaptive Crisp is compared with MCAs THRMulti, THRMod, GVF, VFC, Crisp and also with the system SISDEP, this assessment is performed using reference images 24, 12 COPD patients and 12 volunteers healthy, manually segmented by a pulmonologist. The results show that the proposed method is superior to the others. CONCLUSION: Based on the results, it can be concluded that this method can integrate systems aid in the medical diagnosis of Pulmonology.
ABSTRACT
INTRODUÇÃO: Grande parte da população mundial é afetada por doenças pulmonares, como é o caso das broncopatias constituídas pela asma, bronquiectasia e a bronquite. O diagnóstico de broncopatias é baseado no estado das vias aéreas. Neste sentido, a segmentação automática das vias aéreas em imagens de Tomografia Computadorizada (TC) do tórax é uma etapa fundamental para auxílio ao diagnóstico dessas doenças. MÉTODOS: O presente trabalho avalia algoritmos e desenvolve métodos de segmentação automática das vias aéreas 2D. Tais métodos são compostos por algoritmos de detecção de vias aéreas, sendo estes rede neural Multilayer Perceptron (MLP) e Análise de Densidades Pulmonares (ADP), e por algoritmos de segmentação de vias aéreas, sendo estes Crescimento de Região (CR), Método de Contornos Ativos (MCA) Balão e Topológico Adaptativo. RESULTADOS: Os resultados foram obtidos em três etapas: análise comparativa entre os algoritmos de detecção MLP e ADP, com um padrão-ouro adquirido por três médicos com expertise em imagens de TC do tórax; análise comparativa entre algoritmos de segmentação MCA balão, MCA topológico adaptativo, MLP e CR; e avaliação das possíveis combinações entre os algoritmos de detecção e segmentação, resultando no método completo para segmentação automática das vias aéreas em 2D. CONCLUSÃO: A baixa incidência de falso-negativo e a redução significativa de falso-positivo, resulta em coeficiente de similaridade e sensibilidade superior a 91% e 87% respectivamente, para uma combinação dos algoritmos, com qualidade de segmentação satisfatória.
INTRODUCTION: Much of the world population is affected by pulmonary diseases, such as the bronchial asthma, bronchitis and bronchiectasis. The bronchial diagnosis is based on the airways state. In this sense, the automatic segmentation of the airways in Computed Tomography (CT) scans is a critical step in the aid to diagnosis of these diseases. METHODS: This paper evaluates algorithms for airway automatic segmentation, using Neural Network Multilayer Perceptron (MLP) and Lung Densities Analysis (LDA) for detecting airways, along with Region Growing (RG), Active Contour Method (ACM) Balloon and Topology Adaptive to segment them. RESULTS: We obtained results in three stages: comparative analysis of the detection algorithms MLP and LDA, with a gold standard acquired by three physicians with expertise in CT imaging of the chest; comparative analysis of segmentation algorithms ACM Balloon, ACM Topology Adaptive, MLP and RG; and evaluation of possible combinations between segmentation and detection algorithms, resulting in the complete method for automatic segmentation of the airways in 2D. CONCLUSION: The low incidence of false negative and the significant reduction of false positive, results in similarity coefficient and sensitivity exceeding 91% and 87% respectively, for a combination of algorithms with satisfactory segmentation quality.