SEEDED FUZZY C-MEANS: um algoritmo de agrupamento semissupervisionado aplicado na segmentação de imagens médicas

Abstract

RESUMO: A segmentação de imagens médicas tem um grande número de aplicações no diagnóstico de doenças. Contudo, a segmentação automática destas imagens não é uma tarefa fácil. Além disso, algumas doenças podem assumir um estágio grave e irreversível caso não haja um diagnóstico rápido e preciso. Para resolver esse problema, algumas técnicas baseadas em classificação não supervisionada e supervisionada têm sido desenvolvidas na literatura. As técnicas de classificação supervisionada são computacionalmente mais custosas e dependem da existência de dados rotulados. Em contraste, técnicas de classificação não supervisionada atuam sem a necessidade de usar qualquer informação prévia, mas possuem maior dificuldade para diferenciar as regiões. Assim, para superar os problemas associados às técnicas de classificação não supervisionadas e supervisionadas, propusemos um novo algoritmo de agrupamento semissupervisionado, chamado Seeded Fuzzy C-means (SFcmeans). O SFc-means é baseado no C-means Fuzzy e usa poucos dados fornecidos por um médico para segmentar as regiões da imagem. Desta forma, o algoritmo automatiza uma das etapas mais dispendiosas do diagnóstico, levando a uma análise mais rápida. Neste trabalho, o algoritmo proposto foi avaliado em bases de leucemia, câncer de pele, câncer de colo do útero e glaucoma. Os resultados obtidos ilustram a viabilidade da aplicação do algoritmo a fim de efetivamente auxiliar os médicos na detecção das regiões, uma vez que, na maioria dos testes, obteve-se um índice Kappa “Excelente” e taxas superiores comparadas aos outros algoritmos. Além disso, os baixos valores de desvio padrão revelam a estabilidade na execução do SFc-means. A partir da eficácia nos resultados da segmentação de imagens médicas, foi realizado um teste desse algoritmo em umas das etapas de um sistema de diagnóstico do glaucoma. Esse teste também obteve resultados eficazes, se sobressaindo quando comparado à outros métodos da literatura. ABSTRACT: The segmentation of medical images has a large number of applications in the diagnosis of diseases. However, automatic segmentation of these images is not an easy task. In addition, some diseases can take a serious and irreversible stage if there is no quick and accurate diagnosis. To solve this problem, some techniques based on unsupervised and supervised classification have been developed in the literature. Supervised classification techniques are computationally more costly and depend on the existence of labeled data. In contrast, unsupervised classification techniques act without the need to use any previous information, but have greater difficulty in differentiating regions. Thus, to overcome the problems associated with unsupervised and supervised classification techniques, we proposed a new semi-superimposed clustering algorithm, called Seeded Fuzzy C-means (SFc-means). SFc-means is based on C-means Fuzzy and uses little data provided by a physician to segment the regions of the image. In this way, the algorithm automates one of the most costly steps of the diagnosis, leading to a faster analysis. In this work, the proposed algorithm was evaluated on the basis of leukemia, skin cancer, cervical cancer and glaucoma. The obtained results illustrate the feasibility of applying the algorithm in order to effectively assist physicians in detecting the regions, since in most tests, an “Excellent” Kappa index and higher rates were compared to the other algorithms. In addition, the low values of standard deviation reveal the stability in the execution of the SFc-means. From the efficacy of the results of the medical image segmentation, a test of this algorithm was performed in one of the stages of a glaucoma diagnosis system. This test also obtained effective results, standing out when compared to other methods of the literature.