Análise do Desempenho de Algoritmos em Tomografia de Impedância Elétrica no Diagnóstico de Câncer de Mama

Abstract

O objetivo do presente trabalho foi implementar a técnica de Tomografia de Impedância Elétrica (TIE) no diagnóstico de câncer de mama, por meio de simulações feitas a partir do software EIDORS (Electrical Impedance Tomography and Diffuse Optical Tomography Reconstruction Software) e da ferramenta para cálculos numéricos computacionais OCTAVE. A medição da impedância do tecido in vivo, é possível com os métodos invasivos e não invasivos [1] onde dentre os métodos não invasivos, se inclui a Tomografia de Impedância

Elétrica. Na TIE um arranjo de eletrodos é alocado na fronteira de um objeto e uma fonte injeta

correntes alternadas (de baixa frequência) através dos eletrodos e medem-se as voltagens resultantes na fronteira. Com estes dados estima-se a condutividade (ou resistividade) da seção transversal do objeto (dimensão 2) criando-se uma imagem do mesmo [4]. Na resolução de um cenário por meio da técnica TIE, é necessário resolver o Problema Direto e o Problema Inverso. Ao determinarmos os potenciais elétricos no contorno do objeto, conhecendo-se a distribuição de resistividade e corrente elétrica, temos o problema direto. Quando determinamos a distribuição de resistividade, conhecendo-se os potenciais elétricos e a corrente elétrica, estamos tratando do problema inverso. Os códigos do EIDORS resolvem o problema direto e inverso num domínio bidimensional e foram implementados no OCTAVE. Para aplicar a TIE no diagnóstico de câncer mamário, injeta-se corrente em eletrodos localizados ao redor da mama e medem-se potenciais elétricos nos demais. Após essa medição, outros eletrodos injetam corrente e realizam novamente as medições do potencial elétrico. Para a resolução do problema direto simulou-se o tecido adiposo de uma mama feminina, um cisto e um tecido neoplásico maligno (câncer) por meio do Método de Elementos Finitos FEM (Finite  Element  Method).  Para  a  resolução  do  modelo  inverso,  é  necessário  informar  o algoritmo de regularização. Em nosso caso foram escolhidos os algoritmos de regularização do Eidors, Tikhonov [2], Noser [6] e Laplace [7]. Com base no cenário proposto, análises foram simuladas nos modelos direto e inverso. Foram utilizadas as técnicas de processamento de imagens pelas métricas da Distância Euclidiana [3] e do Coeficiente de Pearson [5]. O algoritmo de Noser obteve a melhor classificação de acordo com métricas de desempenho de proximidade entre neoplasias e resolução das imagens geradas na reconstrução.