Estratégia para Segmentação de Tecidos Cerebrais, e o uso de Aprendizado de Máquina para validação dos resultados
| Descrição do repositório |
|---|
| Projeto desenvolvido para a disciplina Visão Computacional na UFABC, ministrada pelo Prof. Dr. Francisco Zampirolli. O projeto envolve o uso de técnicas de visão computacional para processamento de imagens de ressonância magnética obtidas de pacientes saudáveis e esquizofrênicos. Para validação da estratégia de segmentação utilizada, dois modelos simples de aprendizado de máquina (KNN e SVM) foram utilizados, para verificar se é possível utilizar o resultado da visão computacional para diagnosticar pacientes. |
Dentre as variações estruturais no cérebro, podemos citar um aumento do volume dos ventrículos laterais, e um desvio na relação entre massa branca (conexões entre neurônios) e massa cinzenta (corpos celulares de neurônios).
Uma das tarefas comumente envolvida nas aplicações de visão computacional é a segmentação de objetos. Em uma imagem de ressonância, podemos utilizar métodos de segmentação para separar as massas branca e cinzenta, e então calcular a relação entre elas, buscando associar essa relação ao diagnóstico.
Estudos comprovaram que há uma dilatação dos ventrículos laterais, e uma alteração da proporção entre massa cinzenta e massa branca \cite{structuralbrainchanges} em pacientes com esquizofrenia. Uma forma de quantificar isso para usar em classificadores é associar uma imagem com a razão massa branca/massa cinzenta, e usar esses dados associados com o diagnóstico.
Dito isso, devido às alterações estruturais conhecidas que ocorrem em cérebros de pacientes esquizofrênicos e, por apresentam potencial de serem medidas por métodos de visão computacional, a proposta do projeto é criar uma \textit{pipeline} de pré-processamento de imagens de ressonância (focando apenas no aspecto anatômico/estrutural), com o objetivo de utilizar os dados processados em modelos de aprendizado de máquina, e medir a acurácia obtida.
 |
|---|
| Exemplo do resultado da segmentação feita pelo método. A primeira linha apresenta o cérebro após skull stripping, a segunda linha apresenta a segmentação de massa branca, a terceira a segmentação de massa cinzenta, e a última a segmentação de líquor. |
Esse trabalho implementou técnicas de visão computacional aprendidas durante a disciplina de Visão Computacional - Processamento de Imagens, ministrada pelo Prof. Dr. Francisco Zampirolli na Universidade Federal do ABC em 2019.
Para executar o projeto em sua máquina, você deve:
- Clonar este repositório e instalar todas as bibliotecas necessárias;
- Executar cada um dos scripts na ordem em que estão numerados.
Após executar esses scripts, o repositório estará configurado para rodar os notebooks em ./docs/!
As versões das bibliotecas utilizadas foram:
| Biblioteca | Versão |
|---|---|
| nilearn | 0.5.0 |
| nibabel | 2.3.3 |
| scipy | 1.1.0 |
| deepbrain | 0.1 |
| numpy | 1.15.1 |
| matplotlib | 2.3.3 |
| pandas | 0.23.4 |
| opencv-python | 3.4.3 |
A leitura do Relatório Final e dos notebooks com as implementações, na pasta:
./docs/ajudam a compreender as estratégias e explicam um pouco as bases neuroanatômicas envolvidas.
Os códigos implementados não tem como objetivo principal apresentarem um desempenho competitivo com técnicas de estado da arte, que envolvem processamentos muito mais complexos - o objetivo foi exercitar os conceitos aprendidos durante a disciplina.
Atualmente a tecnica mais robusta utilizada para essa tarefa é a VBM/SPM, indicação para quem quer se aprofundar no assunto. Um programa para visualização de imagens de ressonância gratuito que pode também ser de interesse é o MRIcro.
O site http://www.neuroanatomy.ca/ tem imagens muito boas para estudar neuroanatomia.
Na pasta:
./results samples/temos alguns exemplos de gifs obtidos através do uso desse pipeline para realizar a segmentação dos tecidos (10 gifs selecionados de forma aleatória).