homeniquem/dof_python

Diagnóstico de Osteoartrite Femorotibial através de imagens de raio X

Esse trabalho foi elaborado para a Processamento e Análise de Imagens

Descrição:

A osteoartrite (artrose) é uma doença que se caracteriza pelo desgaste da cartilagem articular e por alterações ósseas nas articulações. O raio X é o principal exame para diagnóstico da doença que é classificada pela escala de Kellgren & Lawrence (KL) , de acordo com o seu grau de severidade. O diagnóstico de artrose é confirmado para KL > 1.

Dataset:

O conjunto de imagens a ser usado está disponível em https://data.mendeley.com/datasets/56rmx5bjcr/1

Especificações do programa:

O ambiente deve ser totalmente gráfico e deverá oferecer as seguintes opções acessadas por menus:

1º parte

• Ler e visualizar imagens nos formatos PNG e JPG. As imagens podem ter qualquer resolução e número de tons de cinza (normalmente variando entre 8 e 16 bits por pixel);

• Recortar uma sub-região de tamanho arbitrário com o mouse e salvá-la como arquivo.

• Buscar, em uma imagem qualquer, uma região previamente recortada ou lida de arquivo. Indicar com um retângulo a posição onde foi detectada. Uma técnica que pode ser usada para isso é a correlação cruzada:

$CCN = \frac{1}{S_A S_B}\sum_{x,y}(A(x,y)-m_A)(B(x,y)-m_B)$

$m_l=\frac{1}{N}\sum_{x,y}l(x,y)$

$S_l =\sqrt{\sum_{x,y} (l(x,y)-m_A)^2}$

onde A e B são a imagem e região buscada, com respectivos valores de intensidade médios (m) e desvios-padrões (s). O valor máximo de CCN indicará a posição mais provável de ocorrência de B em A.

2 parte:

• Sistema de cache

• Ler os diretórios onde estarão as imagens usadas para treino, validação e teste dos classificadores utilizados.

• Realizar aumento de dados através de espelhamento horizontal e equalização de histogramas.

• Especificar e treinar pelo menos 2 classificadores, exibindo-se o tempo de execução na interface:

• Classificador raso, exceto rede neural, utilizando características extraídas da imagem (projeções, textura, histogramas, descritores de forma, etc.) SVM ()

• Rede neural convolucional sorteada para o grupo. Utilize os pesos disponíveis no modelo, retreinando a parte completamente conectada com o dataset de raio X GOOGLENET

• Classificar o conjunto de teste em 2 opções: classificação binária (normal x artrose) e com as 5 classes KL. O tempo de execução deve ser medido e exibido na interface, juntamente com a matriz de confusão e as métricas de sensibilidade, especificidade, precisão, acurácia e escore F1.

Extra

• PONTOS EXTRAS: Classificador XGBoost1 (Se o grupo tiver usado o XGBoost como classificador raso deverá implementar um outro raso.)

Artigo de referencia:

Pingjun Chen, Linlin Gao, Xiaoshuang Shi, Kyle Allen, Lin Yang. “Fully automatic knee osteoarthritis severity grading using deep neural networks with a novel ordinal loss”. Computerized Medical Imaging and Graphics 75:84-92, 2019.