Introdução ao processamento de imagens DICOM, linguagem de máquina e redes neurais : uma abordagem prática

Abstract

As redes neurais são consideradas o estado da arte para automação e reconhecimento de imagens. O entendimento básico sobre a computação e as principais metodologias envolvidas faz-se necessário para construir as habilidades mínimas para criação e implementação de projetos na área. Python é uma das linguagens de programação mais utilizadas no meio científico para o desenvolvimento e implementação desses algoritmos. Os seus atuais frameworks de desenvolvimento disponibilizam bibliotecas específicas para leitura e processamento de imagens médicas digitais. A padronização dos exames através do padrão Digital Imaging and Communications in Medicine (DICOM) permite o uso da biblioteca Pydicom para leitura e manipulação de seus atributos. Os dados da imagem podem ser manipulados com operações algébricas, porém várias bibliotecas permitem a implementação em alto nível das principais transformações, aplicações de filtros, detecção de curvas e bordas etc. O OpenCV disponibiliza, de maneira acessível, funções para processamentos avançados de imagem, incluindo a localização de templates contidos em uma imagem de interesse com execução em bloco. Softwares de análise de imagens científicas, como o ImageJ, podem ser utilizados para otimizar o tempo durante o processo de criação de um banco de dados de templates. O estudo de linguagem de máquina depende da compreensão dos métodos mais comuns de aprendizado supervisionado e não supervisionado. Algoritmos de regressões lineares e classificações constituem a base primária desses conceitos. Os modelos de agrupamentos podem ser representados pelo K-Means, o qual pode ser utilizado nas segmentações. As redes neurais podem variar desde modelos mais simples, como o perceptron, até modelos mais complexos para identificação de imagens. Bibliotecas como Keras e TensorFlow tornam a sua implementação mais intuitiva. A avaliação dos resultados com o TensorBoard possibilita a comparação das execuções dos diferentes modelos, facilitando sua interpretação. Conhecer as especificidades e limitações dos métodos permite ao radiologista realizar correções e adequações na aquisição das imagens e na construção de um banco de dados para treino.