Uma leitora me enviou uma imagem na semana passada, perguntando como resolver um problema de segmentação. Ela permitiu o uso da imagem neste post, por isso, mãos à obra! Trata- se de uma imagem obtida por microscopia eletrônica, de um pino dentário. Não pude automatizar a solução do problema, mas a análise e a solução manual podem orientar um caminho.

O problema

Pino de fibra dentro de um dente

Esta imagem é o corte de um dente no qual foi inserido um pino de fibra. A parte de fora é o dente; a de dentro com pequenas fibras circulares, é o pino de fibra, e circulando este pino há uma camada de adesivo. Em um mundo ideal a camada de adesivo aderiria completamente ao dente, mas isso não acontece, e as falhas na aderência aparecem em branco.

Em um mundo ideal também não haveria falhas [brancas] no dente ou na fibra para atrapalhar a segmentação. Isso são coisas que só acontecem no mundo real…

O objetivo aqui é quantificar as falhas na aderência do pino, que aparecem em branco, apenas na parte de fora da camada que uni o dente ao pino.

Traduzindo o problema

Com a explicação acima você provavelmente já identificou de que regiões, na imagem, eu estou falando.  Apesar de esta explicação ser suficiente para humanos ela não funciona para máquinas.

Queremos as regiões brancas… mas não todas… só as que estão na parte da fora da camada adesiva.

Desta afirmação tiramos duas características:

Regiões brancas: Característica colorimétrica; diz respeito ao valor de intensidade dos pixels. Como a diferença de intensidade entre as regiões de interesse e quase todo o restante da imagem é grande, um dos métodos de segmentação que provavelmente funcionará é o threshold.

Contidas na parte de fora da camada adesiva: Característica estrutural (diz respeito ao arranjo das regiões, umas em relação às outras – este tipo de característica é um pouco mais complexo que os outros). A presença de uma característica espacial indica que não será suficiente reconhecer só as regiões de interesse – precisaremos conhecer a localização de outras estruturas também.

Escala e outros ajustes

Antes de mais nada, ajuste a escala. Use barra horizontal na parte de baixo, que conforme está anotado abaixo dela, tem exatamente 500 micrômetros.

Agora ajuste as cores usadas pelo ImageJ: Edit –> Options… Em Foreground, selecione White (branco); em Background, selecione Black (preto). Isso vai evitar muita confusão adiante.

Identificando a estrutura de interesse

Vamos usar seleção manual desta vez. Não achei nenhuma solução automatizada, mas imagino que possa-se encontrar algo dedicando algum tempo à pesquisa.

Editando seleção circular.

Escolha a seleção circular na barra de ferramentas e use-a para desenhar um círculo na parte de fora da camada adesiva. As seleções, no ImageJ facilitam a vida, deixando que mudemos a localização dos pontos de referência com o mouse: é só arrastar.

Quando ficar feliz com o limite externo, vá em Edit –> Clear Outside. A parte de fora da seleção vai ficar toda em preto.

Depois ajuste a seleção para a parte de dentro da camada adesiva, só que desta vez use Edit –> Clear, para tornar preta a área dentro da seleção.

Agora, threshold

Depois de ficar só com a estrutura de interesse, e o resto da imagem preta, ajuste o threshold manualmente para que fiquem só as áreas brancas, e clique em Aply. Isso deve gerar uma imagem com fundo branco e as áreas (que antes eram brancas), em preto. (Na verdade acho que essas cores não fazem muito sentido, mas é assim que o ImageJ funciona)

Medição da área

Já escrevi de forma detalhada como usar o Particle Analyzer do ImageJ, então qualquer dúvida é só dar uma olhada lá.

Em Analyse –> Set Measurements, selecione Área.

Vá em Analyse –> Analyse Particles… para abrir o diálogo do analisador.

Tudo fica como está, apenas selecione Display Results e Summarize, para poder ver os resultados.

Resultado:

A tabela Results vai mostrar a área de cada partícula medida, e é útil se você quiser identificar as áreas ou mesmo eliminar algumas. No entanto, se for importante identificar regiões em separado, seria bom usar uma operação de fechamento, já que nesta escala as regiões ficaram muito finas e acabam se separando.

As áreas estão em micrômetros, como já ajustamos a escala no início.

Na tabela Summary, ficam os resultados gerais. De lá você consegue a área total.

Automatização

Automatizar o processo exige um pouco mais de pesquisa. O maior problema é identificar a camada adesiva sem que as falhas influenciem na segmentação. Eu consegui alguns resultados interessantes usando filtro de mínima, mas não chegou a ficar bom.

Créditos

A imagem é de Danielson Pontes; e quem enviou as informações foi Fabiola Silva.

Hei! Este é o post de número 101, e eu nem tinha percebido…