Processamento de Imagens de Raio-X

Este repositório é dedicado ao estudo de organização e processamento de imagens de raio-x. Neste projeto, pretende-se configurar e operar um PACS, realizar o processamento de arquivos DICOM e entender o uso do modelo pré-treinado da biblioteca TorchXRayVision para análise e classificação de achados médicos.

Conceitos iniciais

Os conceitos a seguir foram fundamentais para entender melhor as ferramentas e as aplicações do desafio:

• Um PACS (Picture Archiving and Communication System) é um sistema de arquivamento e comunicação de imagens médicas que permite o armazenamento, acesso e compartilhamento digital de imagens radiológicas e outros tipos de exames em uma rede hospitalar.

• Um arquivo DICOM (Digital Imaging and Communications in Medicine) é um formato padrão para armazenar e transmitir imagens médicas junto com informações associadas, permitindo a interoperabilidade entre diferentes sistemas de imagens médicas.

• Docker é uma plataforma open source que possibilita o empacotamento de uma aplicação dentro de um container, para que ela possa se adequar e rodar em qualquer máquina que tenha essa tecnologia instalada.

• Orthanc é um PACS que permite melhorar os fluxos de arquivos DICOM nos hospitais e possibilita análises automatizadas de imagens médicas. A API REST do Orthanc permite a interação com o servidor para realizar operações como upload, consulta e manipulação de imagens DICOM.

• TorchXRayVision é uma biblioteca open source que permite integrar conjuntos de dados de raios-x do tórax e modelos de deep learning. O modelo utilizado aqui permite identificar e classificar diversas condições patológicas presentes nas imagens de radiografia.

A partir desses conceitos, segui uma série de tarefas para alcançar os objetivos do estudo.

1. Configurar e rodar um PACs Orthanc, utilizando Docker.

Para iniciar, o Docker Desktop foi instalado e configurado para o ambiente virtual WSL2, com a ajuda do repositório wsl2-docker-quickstart.

A imagem utilizada foi jodogne/orthanc-python, seguindo as instruções em Orthanc Book.

Para simplificar o gerenciamento do container do OrthacC, criei os arquivos docker-compose.yaml e orthanc.json, contendo todas as configurações personalizadas e os plugins necessários para rodar corretamente a aplicação. Mais tarde, de acordo com os scripts criados, adicionei um Dockerfile para incluir todas as dependências necessárias.

Para construir a nova imagem:

docker-compose build

Para iniciar o container em segundo plano (modo detached):

docker-compose up -d

Para abrir um terminal bash no container:

docker-compose exec orthanc bash

Para sair da sessão atual dentro do container:

exit

Para parar e remover os containers, volumes e redes criados:

docker-compose down

Com isso, foi possível interagir com o ambiente do Orthanc pelo endereço http://localhost:8042. A principal dificuldade nessa tarefa foi entender o ambiente Docker e como utilizá-lo para rodar o PACS isoladamente. Os links acima foram essenciais para ajudar nessa configuração.

2. Utilizar um script Python para enviar arquivos DICOM.

O script send_dicom.py envia os arquivos DICOM na pasta dicom_samples para o Orthanc. A API REST do Orthanc foi utilizada para enviar arquivos DICOM para o servidor por meio de uma requisição HTTP, utilizando a função requests.post().

3. Computar os resultados de classificação de achados utilizando o TorchXRayVision.

A partir do repositório TorchXRayVision, foi possível aplicar o modelo pré-treinado da biblioteca para analisar e detectar patologias em imagens de raio-x do tórax. As previsões geradas pelo modelo correspondem a probabilidades associadas à presença de cada patologia em uma imagem de radiografia.

Para gerar o process_dicom.py e computar os resultados, utilizei como base o código da sessão getting started do repositório. Aqui, a principal dificuldade foi adaptar o código de leitura de imagens para a leitura de arquivos DICOM, já que o modelo de previsão exige formatos e tamanhos específicos para gerar os resultados. Por exemplo, alguns arquivos armazenavam imagens com um tamanho maior que o limite de pixels esperado pela função xrv.utils.read_xray_dcm, o que exigiu um ajuste nos parâmetros para ler a imagem corretamente. Uma outra solução foi utilizar a função em read_xray_dcm.py, que trata especificamente as imagens deste projeto. Particularidades como essa demandaram várias adaptações no código para que as previsões fossem realizadas corretamente.

Os resultados com as previsões foram gerados em results_torchxrayvision.json.

4. Criar um DICOM SR (Structured Report) para cada arquivo DICOM com os resultados do modelo, e enviá-los para o PACS local OrthanC.

Para criar um DICOM SR, utilizei a biblioteca pydicom para manipular os arquivos DICOM e adicionar os resultados do modelo TorchXRayVision.

A biblioteca highdicom foi usada para criar um Structured Report (SR) a partir de cada DICOM do projeto, que implementa o template TID1500 Measurement Report, uma forma padronizada de armazenar medições e avaliações gerais de imagens médicas.

Assim, o script send_SR.py foi criado para ler os arquivos DICOM, adicionar os resultados do modelo como um SR, e enviar esses arquivos para o PACS Orthanc.

Esta é a parte do projeto na qual senti maior dificuldade. Foi preciso entender a estrutura dos arquivos DICOM SR e como adicionar informações corretamente, já que, nesses arquivos, os dados são organizadas de forma hierárquica e, por isso, deve-se tomar cuidado ao criar cada instância do relatório.

Considerações finais

Durante este desafio, consegui expandir meu conhecimento sobre processamento de imagens médicas e ferramentas que auxiliam no desenvolvimento de software. Cada etapa do projeto foi uma oportunidade de aprendizado, desde a integração de diferentes bibliotecas até a adaptação de modelos de deep learning para aplicações médicas, solidificando meu entendimento sobre o impacto da inteligência artifical e da computação como um todo na área da saúde.