Introdução

A microscopia intravital (MI) é uma ferramenta capaz de registrar dinamicamente diversos eventos na microcirculação de animais. A análise dos vídeos de MI permite a avaliação de parâmetros relevantes para o estudo da progressão de doenças inflamatórias e para o desenvolvimento de novos medicamentos. Contudo, mesmo com o uso de técnicas para imobilização da espécime em observação, a estabilização da mesma e a remoção de artefatos de movimento do vídeo ainda são um desafio. Os artefatos são causados, principalmente, pelos batimentos cardíacos e respiração do animal, que ocasionam mudanças momentâneas no plano focal do microscópio e, consequentemente, geram borramentos e distorções nas imagens.

Objetivo

O objetivo do projeto foi desenvolver um sistema computacional para a detecção automática de quadros de vídeo de MI degradados por borramento de movimento e desfocagem para que possam ser restaurados ou, se a degradação for excessiva, removidos.

Metodologia

O sistema desenvolvido nesta pesquisa extrai índices estatísticos do espectro de potência dos quadros de vídeo a fim de caracterizá-los e, em seguida, treina classificadores para que possam classificar os quadros nas classes “borrado” e “não borrado”. A característica área (𝐴) consiste na soma dos valores do espectro de potência binarizado por meio da limiarização pelo algoritmo de Otsu. A característica energia (𝐸) é proveniente do espectro de potência sem a transformada logarítmica e corresponde à soma dos 0,5% maiores valores do mesmo, normalizados pela soma de todos os valores espectrais. As projeções do espectro de potência 2D nos eixos 𝑢 e 𝑣 podem ser interpretadas como distribuições de probabilidade e, então, três novos valores foram inseridos ao vetor de características: a média e os desvios-padrão dos espectrogramas marginais. Por fim, a metade superior do espectro de potência 2D foi mapeada na forma de histograma polar, em que as seções radiais foram ponderadas pela soma das intensidades dos níveis de cinza em cada direção, resultando em doze novas características. Os classificadores utilizados neste projeto foram Support Vector Machine (SVM), Random Forest (RF) e Naive Bayes (NB), os quais tiveram os parâmetros previamente ajustados e foram submetidos à técnica k-fold de validação cruzada, com k = 5. Por fim, o procedimento de classificação foi replicado utilizando as cinco características mais importantes apontadas pelo RF, o qual calcula a importância das mesmas de forma implícita na etapa de treinamento.

Resultados

Em termos de comparação, os maiores valores médios de AUC e Acurácia obtidos foram 0,983 e 91,48%, respectivamente, utilizando o classificador SVM com núcleo radial basis function (SVM-RBF). A análise das importâncias mostrou que as medidas A e E foram as mais relevantes e a seleção de características conseguiu prover uma melhoria para o caso do classificador NB.

Conclusões

Tanto as análises qualitativas quanto as análises quantitativas demonstraram que os índices estatísticos extraídos do espectro de potência dos quadros de vídeo foram suficientes para caracterizá-los e separá-los nas classes “borrado” e “não borrado”, o que demonstra que o sistema desenvolvido, além de possuir baixo computacional, é propício para preprocessar vídeos de MI.