Reconhecimento e segmentação do mycobacterium tuberculosis em imagens de microscopia de campo claro utilizando as características de cor e o algoritmo backpropagation

• Ano de defesa: 2012
• Autor(a) principal: Levy, Pamela Campos
• Outros Autores: http://lattes.cnpq.br/7559325279193704
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Amazonas; Faculdade de Tecnologia; BR; UFAM; Programa de Pós-graduação em Engenharia Elétrica
• Palavras-chave em Português: Segmentação de bacilos da tuberculose; Reconhecimento de bacilos da tuberculose; Mycobacterium tuberculosis; Algoritmo backpropagation; Tuberculosis bacillus segmentation; Tuberculosis bacillus recognition; Back propagation algorithm; ENGENHARIAS: ENGENHARIA ELÉTRICA
• Link de acesso: http://tede.ufam.edu.br/handle/tede/3292

A tuberculose (TB) é uma doença infectocontagiosa, transmitida pelo bacilo de Koch, ou Mycobacterium tuberculosis. Estima-se que 1,4 milhões de pessoas morreram de tuberculose em 2010. Cerca de 95% dessas mortes ocorreram em países subdesenvolvidos ou em desenvolvimento. No Brasil, a cada ano são registrados mais de 68 mil novos casos. Atualmente, o Amazonas é o estado brasileiro com a maior taxa de incidência da doença. Um dos métodos de diagnóstico da TB, adotado pelo Ministério da Saúde, é o exame de baciloscopia de campo claro. A baciloscopia consiste na contagem dos bacilos em lâminas contendo amostras de escarro do paciente, preparadas e coradas de acordo com metodologia padronizada. Nos últimos cinco anos, pesquisas relacionadas ao reconhecimento de bacilos da tuberculose, utilizando imagens obtidas por microscopia de campo claro, tem sido realizadas com vistas a automatização desse método diagnóstico, em face do fato de que o número elevado de exames de baciloscopia realizado pelos profissionais induzirem a fadiga visual e em consequência a erros diagnósticos. Esse trabalho apresenta um novo método de reconhecimento e segmentação de bacilos da tuberculose em imagens de campos de lâminas, contendo secreção pulmonar do paciente, coradas pelo método de Kinyoun. A partir dessas imagens foram extraídas amostras de pixels de bacilos e de fundo para treinamento do classificador. As imagens foram automaticamente discriminadas em dois grupos, de acordo com o conteúdo de fundo. O método desenvolvido seleciona um conjunto ótimo de características de cor do bacilo e do fundo da imagem, empregando o método de seleção escalar de características. Essas características foram utilizadas em um classificador de pixels, um perceptron multicamada, treinado pelo algoritmo backpropagation. O conjunto ótimo de características selecionadas, {G-I, Y-Cr, L-a, R-G, a}, proveniente dos espaços de cores RGB, HSI, YCbCr e Lab, combinado com a rede perceptron com 18 (dezoito) neurônios na primeira camada, 3 (três) na segunda e 1 (um) na terceira (18-3-1), resultou em uma acurácia de 92,47% na segmentação dos bacilos. O método de discriminação de imagens em relação ao conteúdo de fundo automatizado contribuiu para afirmar que o método descrito neste trabalho é mais adequado para segmentar bacilos em imagens com baixa densidade de conteúdo de fundo (fundo mais uniforme). Para os trabalhos futuros, novas técnicas para remover os ruídos presentes em imagens com alta densidade de conteúdo de fundo (fundo contendo muitos artefatos) devem ser desenvolvidas.