Na medicina e biologia existem muitos problemas que podem ser resolvidos uti- lizando a análise de textura. Por exemplo na Radiologia ou Diagnóstico por imagem, cada vez mais pesquisas que usam esses métodos estão surgindo. A seguir apresentamos trabalhos recentes nessa área.
Para imagens de Tomografia Computadorizada (TC), a Ref. [32] está focada na tarefa de segmentação automática dos pulmões em imagens de TCs de alta resolução. Uma segmentação inicial é obtida com métodos baseado na morfologia. Em seguida, ela é avaliada e refinada iterativamente usando métodos de análise de textura. Além disso, também é avaliada a textura do pulmão para determinar se ele pertence a um paciente doente ou sadio. Outros trabalhos também focados no pulmão são encontrados nas Refs. [33, 34], no primeiro são utilizados métodos de análise de textura (GLCM em imagens transformadas com Wavelets de Daubechies) para detectar se um exame de TC do pulmão contém nódulos pulmonares. No segundo caso, foram analisadas regiões de interesse em TCs do pulmão para determinar se essas regiões tinham tecido com doença pulmonar obstrutiva, vários métodos de textura e forma foram utilizados em conjunto. Na Ref. [35], a análise é aplicado ao diagnóstico de figado gorduroso ou com cirrose, as técnicas utilizadas incluem Wavelets e GLCM.
Para imagens de Ressonância Magnética (RM), têm-se na Ref. [36] o estudo de imagens 3-D de RM da próstata com o objetivo de detecção e segmentação de tumores. A imagem 3-D foi composta pelo conjunto de fatias ou imagens 2-D de um exame de RM. O artigo generalizou as técnicas de análise de texturas em 2-D para utilizá-las em três dimensões. A ideia foi dividir a imagem 3-D em regiões de interesse (ROI) com forma de cubo. Esses cubos foram analisados, independentemente um do outro, pelo método
de fractais e classificados como tecido tumoral ou tecido normal. Na Ref. [37] estuda-se as imagens 2-D de RM, analisando diferentes ROIs e classificando-as em três classes: Tecido saudável, com carcinoma Ductal invasivo ou com carcinoma Lobular invasivo. Vários métodos de análise de textura foram comparados e o melhor deles foi GLCM. A Ref. [38] tem por objetivo diferenciar cistos hepáticos de hemangiomas hepáticos em imagens de Ressonância Magnética do fígado. Novamente, várias ROIs foram caracte- rizadas mediante diferentes métodos de textura e utilizadas para tarefas de classificação e clusterização. Na Ref. [39] foi analisado as versões em 3 dimensões dos métodos de análise de textura tradicionais. A tarefa a ser resolvida foi o diagnóstico da doença de Alzheimer em ROIs de 3 dimensões em imagens de RM.
Para imagens de Ultrassom existem também vários trabalhos publicados [40, 41, 42]. A Ref. [40] está focado no diagnóstico automático do infarto agudo do miocárdio, onde foi comparado o desempenho de alguns métodos de textura tradicionais como Wave- lets e GLCM. A Ref. [41] teve por objetivo classificar as ROIs das imagens de Ultrassom de mama em uma das seguintes classes: tumor benigno ou tumor maligno. Várias técni- cas de análise de textura e as suas combinações foram avaliadas. Finalmente, a Ref. [42] trabalhou com imagens de Ultrassom de placas carotídeas em pacientes com diagnostico de Estenose Assintomática da Carótida (EAC). O objetivo deste estudo foi determinar se essas imagens apresentam um alto risco de produzir algum acidente vascular cerebral usando métodos de análise de textura como GDLM.
Várias pesquisas são centradas também sobre imagens mamográficas, por exem- plo, temos a análise de microcalcificações mamárias com o objetivo determinar se elas apresentam características que podem ser classificadas como malignas [43], um outro trabalho identifica se uma ROI da mamografia contém alguma lesão mamária, distorção arquitetural ou simplesmente tecido saudável [44]. Finalmente na Ref. [45] é implemen- tado um sistema de recuperação de imagens por conteúdo baseado na textura da densidade do tecido mamário.
Trabalhos em outros tipos de imagens são encontrados na Ref. [46]. Nesse traba- lho foi estudado a segmentação pela textura de zonas de não perfusão capilar em Retino- grafias fluorescentes. Essas zonas da retina do olho são formadas quando o fornecimento de sangue é interrompido, causando até mesmo cegueira. Duas fases de análise de textura são feitas na imagem. A primeira consiste em uma segmentação inicial não supervisada,
2.1 - Textura 9 ou seja, não é fornecido nenhuma classe de textura como exemplo. Portanto, a segmenta- ção é feita de tal forma que se procurem regiões diferentes conforme com alguma medida, por exemplo avaliando a energia das regiões encontradas. Depois, essa segmentação é refinada com uma análise de textura supervisada (exemplos de classes de textura são for- necidas). Na Ref. [47] analisa-se imagens de exames de Dermatoscopia para classificar as ROIs em uma das seguintes classes: Nevo melanocítico (benigno) e Melanoma (maligno). A extração de características foi feita com métodos de análise de textura, mas também se incluiu métodos de análise de bordas e geometria. Finalmente, na Ref. [48] são estudadas as colonoscopias com magnificação de imagem, com o objetivo de diferenciá-las como lesões polipoides neoplásicas (adenomas) ou não-neoplásicas. Uma variação do método de LBP em cores foi implementada para analisar a textura e a cor da imagem.
Além dos estudos mencionados acima, existem outros de carácter mais biológico. Na Ref. [49] é proposto um método de segmentação de regiões multi-celulares em ima- gens moleculares obtidas por um microscópio confocal. A ideia de segmentação foi divi- dir a imagem em vários quadrados de tamanho fixo, depois caracterizar a textura de cada quadrado e classificá-lo como parte da célula ou como parte do fundo. A classificação utiliza um modelo previamente treinado com imagens segmentadas por um especialista. Na Ref. [50] foi analisada a textura do parênquima das maçãs. O objetivo era quantificar os efeitos do congelamento nas estruturas celulares da maçã quando ela for congelada até diferentes temperaturas (−20◦C,−80◦C,−196◦C) e depois descongelada para a tempera-
tura normal (21◦C). Vários tipos de imagens foram geradas com diversas técnicas para ser
analisados. Um trabalho interessante foi encontrado na Ref. [51]. Ele teve por objetivo classificar as estruturas terciárias das proteínas. A ideia deles foi transformar a configu- ração de três dimensões dos átomos da proteína em uma matriz de distâncias. A análise de textura foi feita sobre essa matriz, o qual gerou um vetor de características que por úl- timo foi classificado com um modelo previamente treinado. Finalmente Na Ref. [52] foi analisado a textura 3-D dos scaffolds de regeneração do tecido ósseo. Esses scaffolds são ferramentas que imitam uma matriz extracelular nativa: eles atuam como suportes e pro- piciam o crescimento de tecido novo. A representação dos scaffolds em 3-D foi modelada com imagens de Microtomografia Computadorizada. Métodos fractais e de lacunaridade foram utilizadas para caracterizar a porosidade e topologia dos scaffolds com o objetivo de identificar o possível impacto no seu desempenho.
2.2 Medidas
Na teoria de sistemas dinâmicos, definir complexidade é difícil pelo motivo de ela ser um termo muito abrangente. Contudo, podemos dizer que ela representa a interação de um grande número de componentes, com diferentes graus de liberdade, cujos com- portamentos individuais não podem ser rastreados nem preditos. Segundo a Ref. [53], a complexidade pode ser vista como a quantidade de informação necessária para descre- ver um fenômeno. Portanto, fenômenos complexos precisam de mais informação. Além disso, estes sistemas apresentam um padrão global, produto das interações do seus com- ponentes, conhecido pelo termo de auto-organização [54].
Muitos trabalhos de pesquisa em análise de sinais e séries temporais têm proposto várias medidas de complexidade [55, 56]. A seguir, vamos explicar o funcionamento de três medidas que são empregadas neste trabalho: a complexidade de Lempel-Ziv, o expoente de Lyapunov e o expoente de Hurst.