PAI-DiagnosticoNAFLD

Projeto da matéria de Processamento e Análise de Imagens para diagnóstico de esteatose hepática não alcoólica (NAFLD) por meio de imagens de ultrassom.

Alunos (G11):

• Pedro Corrêa Rigotto
• Samuel Luiz da Cunha Viana Cruz

Cálculos (NT, NC, ND):

• Matrícula:

  • Pedro: 762281
  • Samuel: 762496

• Soma = 1524777

• NT (soma mod 4) = 1
  (Local Binary Pattern (LPB), energia e entropia com raios = 1, 2, 4, 8)

• NC (soma mod 2) = 1
  Classificador Raso: XGBoost

• ND (soma mod 5) = 2
  Classificador Profundo: MobileNet

Roadmap

1. Menu/GUI:

1.1 Visualizar (Imagens + Histogramas):

• Botão de leitura de imagens com os seguintes formatos aceitos:
  • .mat
  • PNG
  • JPG
• Suporte para qualquer resolução de imagem
• Cálculo e exibição do histograma de tons de cinza

1.2 Recortar (ROIs):

• Botão de recorte de regiões de interesse em uma imagem
• Garantir que o usuário possa selecionar e salvar múltiplas ROIs

1.3 Visualizar (ROIs Geradas + Histogramas):

• Botão de ler e visualizar as ROIs geradas
• Calcular e exibir os respectivos histogramas para cada ROI

1.4 Calcular (GLCM + Descritores de Textura) de uma ROI:

• Botão de cálculo de matrizes de co-ocorrência (GLCM) de uma ROI
• Exibir valores dos descritores de textura da GLCM calculada

1.5 Caracterizar (ROIs Geradas) através de Descritor de Textura:

• Botão de caracterização de ROIs através do descritor de textura sorteado:
  (Local Binary Pattern (LPB), energia e entropia com raios = 1, 2, 4, 8)
• Exibir valores dos descritores calculados

1.6 Classificar (Imagem):

• Botão de classificação de imagem através da técnica selecionada
• Exibir a indicação da classe encontrada

2. Imagens

• Ler e exibir imagens em tons de cinza
• Implementar zoom
• Exibir histogramas correspondentes

3. ROIs

• Ler e exibir ROIs
• Implementar zoom
• Exibir histogramas correspondentes

4. Recorte de ROIs

• Recorte de 2 ROIs de 28x28 pixels
  • Região do Fígado
  • Região do Córtex Renal
• Quadrado (em cor verde) definido com o mouse
• Cálculo do índice hepatorenal:
  (HI) = (média_tons_cinza_ROI_fígado / média_tons_cinza_ROI_rim)
• Ajuste de tons de cinza da ROI do fígado, multiplicando cada valor de tom de cinza por (HI) e arredondando-os
• Salvar somente a ROI do fígado em um diretório, o nome deve ser no formato "ROI_nn_m"
  (nn = número do paciente (0 a 54), m = número da imagem de ultrassom (0 a 9))
• Observações:
  • Ver como localizar as regiões na seção de Materiais e Métodos do artigo (Figura 2);
  • A ROI do rim servirá como referência para a normalização da ROI do fígado, reduzindo diferenças entre imagens adquiridas com equipamentos distintos ou a influência de artefactos.

5. Planilha: ROIs para o Dataset

• Gerar 550 ROIs seguindo o item anterior
• Armazenar em CSV:
  • Nome do arquivo
  • Classe
    (0-16 saudáveis, 17-54 esteatose)
  • Canto superior esquerdo (fígado e rim)
  • Valor do (HI)

6. GLCMs Radiais

• Para cada ROI, calcular 4 GLCMs radiais Ci onde i = 1, 2, 4 e 8

7. Descritores de Haralick

• Calcular Entropia e Homogeneidade (Haralick) para cada GLCM Radial do item anterior
  (4 * 2 características) para cada ROI

8. Local Binary Pattern (LBP)

• Calcular Local Binary Pattern (LBP), energia e entropia, com raios = 1, 2, 4, 8

9. Planilha: Características calculadas para uso no classificador

• Armazenar em CSV:
  • Nome do arquivo
  • Classe
    (0-16 saudáveis, 17-54 esteatose)
  • Características calculadas

10. Divisão de Dados para Validação Cruzada:

(Repetir 55 vezes, validação cruzada):

• Separar conjuntos:
  • Teste: 10 imagens de UM paciente
  • Treino: Demais imagens
• Treinar e testar classificadores com essa divisão
• Escolher o próximo paciente para ser o conjunto de teste

11. Implementação do Classificador Binário Raso

(Características usadas como entrada para os classificadores:
Descritores de Haralick & Local Binary Pattern)

• Implementar o XGBoost
• Avaliar médias:
  • Acurácia
  • Especificidade
  • Sensibilidade
• Exibir matriz de confusão após a validação cruzada
• Cálculo de tempo de execução

12. Implementação do Classificador Profundo

(Entradas para os classificadores: ROIs recortadas)

• Implementar o MobileNet
• Ajustar os pesos já disponíveis nas bibliotecas que foram treinados com o ImageNet (fine tunning)
• Avaliar:
  • Acurácia
• Exibir matriz de confusão de cada uma após a validação cruzada
• Cálculo de tempo de execução
• Plotar os gráficos de aprendizado médios (acurácia de treino e teste após cada época)

13. Comparação de Resultados

• Comparar os resultados obtidos entre as soluções

14. Documentação

• Descrição do problema
• [+/-] Descrição das técnicas implementadas para a solução (classificadores e características)
• Descrição dos dados
• Referências das bibliotecas utilizadas na implementação
• Medidas de tempo de execução para:
  • Diversas imagens
  • Descritores
  • Hiperparâmetros do classificador
• Análise comparativa dos resultados obtidos nos testes, com exemplos de erros e acertos dos métodos
• Referências Bibliográficas