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.
|
