Contagem automática do parasito Trypanosoma cruzi utilizando processamento de imagens.

Abstract

A automação está se tornando a cada dia mais presente na vida das pessoas, otimizando processos, poupando profissionais na realização de tarefas repetitivas ou de auto risco. Nesse sentido, técnicas de processamento digital de imagens vem ganhando cada vez mais espaço, considerando o grande número de aplicações que vão desde o processamento de imagens médicas até o monitoriamento de atividades industriais. Com o objetivo de automatizar um problema real através de técnicas de processamento de imagens, esse trabalho propõe uma solução automática para a contagem do parasito Trypanosoma cruzi (T. cruzi) em meio de cultura e uma breve análise do mesmo parasito em amostras de sangue para experimentos realizados no Laboratório de Imunopatologia do NUPEB/UFOP. Atualmente esse procedimento é feito de forma manual, demandando envolvimento total do pesquisador que tem o auxílio de um contador estatístico para monitorar a tarefa. A solução para essa questão deve ser de baixo custo e prática para o pesquisador, porém existem poucas abordagens na literatura para identificação do T. cruzi, sendo elas baseadas na variação de velocidade do parasito. Todavia, tanto no vídeo de amostras de sangue quanto em meio de cultura, o parasito apresenta baixo contraste o que dificulta sua detecção. Para resolver o problema, serão usadas metodologias que possibilitem identificar uma característica inerente ao parasito: o seu movimento. Com o objetivo de identificar o deslocamento dos objetos na cena, foram utilizadas as abordagens de background subtraction combinada com optical flow e Gaussian Mixture Model (GMM) para comparar com a primeira solução. Foram feitos experimentos com diversas concentrações de amostras em meio de cultura, onde a principal, Berenice 78, foi diluída em proporções 1:2, 1:10 e 1:100. O resultado da sensibilidade obtido para cada um desses experimentos com o algoritmo de background subtraction com optical flow foi 40%, 91%, 85% e 45% respectivamente. Para o modelo de GMM, os valores de sensibilidade foram 73%, 90%, 81% e 86%. Apesar da boa performance do GMM, essa abordagem detecta um maior número de falsos positivos, sendo assim o primeiro método mais eficaz que o segundo.