4.5 RESULTADOS DO ALGORITMO DE BUSCA
4.5.1 CASOS SINTÉTICOS
Antes que esta metodologia pudesse ser aplicada a casos reais, ela foi empregada em três casos sintéticos.
O primeiro caso sintético, denominado Teste1, consistia de um pullback contendo 600 imagens reais IVUS e um segundo pullback com 500 imagens exatamente iguais às do primeiro, porém adicionando-se um ruído gaussiano (com 𝜎 = 0,5 ). Para o segundo caso sintético, Teste 2, foram utilizadas as mesmas imagens do primeiro caso, acrescentando uma rotação de 135º no sentido anti- horário às imagens do segundo pullback. No terceiro caso sintético, Teste 3, foi acrescentada uma imagem aleatória a cada duas imagens do primeiro pullback, de tal modo que este passou a contar agora com 900 imagens.
A Figura 4.8 apresenta os mapas de similaridade para os dois primeiros casos sintéticos, ou seja, a comparação de um grupo fixo de imagens com essas mesmas imagens adicionada de borramento gaussiano, Figuras 4.8(a) e (b), e com as imagens borradas e rotacionadas, Figuras 4.8(c) e (d).
Figura 4.8: Mapas de custo acumulado. (a) Caminho clássico, teste 1. (b) Caminho saltatório, teste 1.
(c) Caminho clássico, teste 2. (d) Caminho saltatório, teste 2.
Os dois primeiros casos sintéticos mostraram resultados muito similares nos quais o caminho ótimo encontrado pela metodologia propostas aparece sobreposto ao caminho real, mostrando que a metodologia proposta é robusta com relação a borramento e rotação.
A Figura 4.9 mostra o resultado do caso sintético com uma imagem aleatória, intercalada a cada duas imagens consecutivas do pullback. Em (a) observasse que o caminho ótimo obtido pela metodologia proposta utilizando a implementação clássica divergiu do caminho correto. Porém a flexibilização nesta condição, denominada neste texto como condição saltatória apresentou resultados idênticos ao esperado.
(a) (b)
(c) (d) (a) (b)
Figura 4.9: Mapa de custo acumulado para o teste 3. (a) Caminho clássico. (b) Caminho saltatório
Os resultados obtidos com o estudo dos casos sintéticos serviram como base escolha dos mapas de custo acumulado e da condição de passo para os testes com casos reais, apresentados na próxima seção.
4.5.2 CASOS REAIS
Após a validação com os testes sintéticos, a metodologia proposta foi aplicada a 3 casos reais de exames pré e pós PCI, obtidos no Hospital Universitari
de Bellvitge, Barcelona – Espanha. Estes exames foram anonimizados para evitar a
identificação do paciente e usado somente para o propósito de pesquisa.
Para os 3 casos reais, a metodologia proposta foi implementada utilizando duas abordagens diferentes para a obtenção do caminho ótimo. A primeira abordagem é denominada clássica, na qual a condição de passo é mantida rígida, a segunda abordagem é denominada saltatória e os resultados são apresentados nas figuras de 4.8 a 4.13.
As Figuras 4.10, 4.12 e 4.14 mostram os resultados da abordagem rígida e, as Figuras 4.11 4.13 e 4.15 apresentam os resultados da abordagem saltatória.
Nestas imagens, os eixos horizontais e verticais referem-se ao número de imagens no primeiro e no segundo pullbacks, respectivamente, de tal modo que o par ordenado (𝑖, 𝑗) se refere à similaridade entre imagem 𝑖 no primeiro pullback e a imagem 𝑗 do segundo.
O conjunto de pontos em vermelho representa o caminho ótimo escolhido pelo algoritmo proposto e os pontos em preto, o ground truth, determinado pelo médico especialista.
O mapa de custo acumulado para o caso 1, Figuras 4.10 e 4.11, foi construído a partir de dois pulbacks, o primeiro com 1473 imagens e o segundo com 1683 imagens e, inicializado com a correspondência (𝑛, 𝑚) = (1390, 1636).
Figura 4.10: Mapa de custo acumulado com caminho clássico, caso 1.
Figura 4.11: Mapa de custo acumulado com caminho saltatório, caso 1.
Na confecção do mapa de custo acumulado do caso 2, Figuras 4.12 e 4.13, utilizaram-se dois pulbacks, o primeiro contendo 4089 imagens e o segundo 3583 e inicializado em (𝑛, 𝑚) = (3978, 3294).
Figura 4.12: Mapa de custo acumulado com caminho clássico, caso 2.
Para o caso 3, Figuras 4.14 e 4.15, temos o mapa de custo acumulado para pulbacks contendo 1659 e 1881 imagens, respectivamente e inicializado em (𝑛, 𝑚) = (1182, 1608).
Figura 4.14: Mapa de custo acumulado com caminho clássico, caso 3.
4.6 DISCUSSÃO E CONCLUSÃO
Devido à grande quantidade de imagens nos exames, o médico especialista não realiza a leitura e, consequentemente, a comparação de todas as imagens do primeiro pulbacks com as imagens do segundo.
O padrão de análise consiste em avaliar uma a cada 6 imagens reconstruídas pelo equipamento. A consequência disto é que, ao não se considerar todas as imagens do pullback, nem sempre uma imagem terá correspondente para o
ground truth.
Essa característica para se estabelecer o ground truth dificulta a estimativa de uma métrica para avaliar o desvio entre a correspondência determinada pelo algoritmo e o ground truth definido pelo especialista.
Dessa forma, apenas é possível fazer uma análise global dos mapas de custo acumulado através da comparação visual entre as correspondências determinadas pelo algoritmo e pelo médico especialista.
Nesta análise, é possível observar que a implementação saltatória para a escolha da correspondência de menor custo apresenta uma maior estabilidade, fazendo com que a curva obtida pelo algoritmo seja mais fiel à determinada pelo médico especialista ao longo de todas as imagens do pullback.
Na implementação clássica do algoritmo de obtenção do caminho ótimo, a curva obtida pelo algoritmo apresenta uma proximidade maior em relação ao ground
truth somente no primeiro terço do caminho, a partir do qual começa a divergir o que
acaba por terminar em correspondências bem distintas das assinaladas pelo médico.
Embora utilizemos inicialmente a comparação visual para avaliar a correspondência entre o ground truth e o caminho ótimo, os resultados obtidos pela implementação saltatória apresentaram resultados muito próximos aos resultados fornecidos pelo médico especialista.
Estes resultados permitem que, a partir de uma única correspondência inicialmente obtida, seja possível reduzir o intervalo de imagens a serem examinadas no estabelecimento do ground truth, diminuindo com isso o tempo empregado para o diagnóstico e/ou acompanhamento da evolução das doenças coronarianas.
Diante disto pode-se concluir que o método proposto mostrou-se robusto e confiável no que se propôs, reduzir o trabalho e o tempo empregado no estabelecimento de correspondências em imagens de IVUS em exames pré e pós intervenção cirúrgica.
5 DISCUSSÃO GERAL
Esta tese de doutoramento pode e deve ser interpretada como um trabalho com uma linha de desenvolvimento único, pois até o presente momento, nenhum trabalho reuniu técnicas que tratassem desde o processo de construção das imagens de ultrassom, a partir do sinal de RF, passando por processos de segmentação e finalizando com o registro de imagens.
A revisão bibliográfica evidenciou que cada uma das partes deste trabalho tem sido desenvolvida em separado conforme descrito na seção 1.7. Vale ressaltar que métodos que tratam a reconstrução de imagens a partir do sinal de RF são raros na literatura, pois são, em geral, segredo industrial dos equipamentos comerciais e que a metodologia de registro de imagens é algo inédito na área de ultrassom intravascular, até o momento.
Os resultados referentes ao processo de reconstrução de imagens mostram um avanço na área de diagnóstico e, embora a teoria envolvida no processo de confecção de imagens de ultrassom a partir do sinal de RF seja bem conhecida, o desenvolvimento de algoritmos que reconstruam a imagem a partir do sinal de RF apresenta-se como uma extensão do conhecimento atual sobre os processos de reconstrução, permitindo a investigação e o desenvolvimento de novas abordagens visando o melhoramento da qualidade da imagem reconstruída sem a necessidade de estudos histológicos. Além deste fato, processos alternativos de reconstrução de imagens a partir do sinal bruto de radiofrequência eliminam o caráter subjetivo durante a fase de confecção das imagens.
Nas referências 27 e 29, os autores descrevem uma metodologia baseada na utilização de um procedimento de filtragem anisotrópica na imagem a ser segmentada, na qual são aplicadas uma transformada Wavelet discreta e um processo de limiarização por Otsu. Após isto, são utilizadas operações de morfologia matemática para a confecção das curvas se segmentação do lúmen e da adventícia.
Entretanto, esta abordagem não se mostrou eficiente com as imagens reconstruídas com os sinais de RF provenientes de um cateter equipado com um transdutor de frequência central de 40MHz.
Ao investigar os motivos na baixa eficácia do método proposto pelas referências 27 e 29, observou-se que as imagens utilizadas nos trabalhos foram obtidas com um cateter cujo transdutor apresentava frequência central de 30MHz. Este fato afeta diretamente o aspecto de granulosidade da imagem, devido ao ruído
speckle, como pode ser observado na Figura 3.1.
Para superar essa deficiência no emprego dos métodos propostos por
Moraes e Furuie, após a etapa de filtragem anisotrópica foi implementada uma
transformação de intensidade, descrita através da equação (4), cujo objetivo consiste em realçar as regiões mais distantes do transdutor.
Com isso, foi possível obter uma metodologia capaz de segmentar imagens obtidas de cateteres com frequência central de 40 MHz.
Embora esta metodologia tenha apresentado resultados promissores, principalmente para a segmentação da adventícia, ela necessita uma abordagem quantitativa para melhor avaliar seu desempenho. Entretanto, essa abordagem pode demandar certo número de imagens segmentadas por pelo menos dois médicos especialistas para serem os padrões ouro na comparação com os resultados do método proposto.
No capítulo 4 foram combinados: um processo de extração de características de imagens em geral, a definição de uma métrica para avaliar a similaridade entre características de uma imagem, a definição e confecção de um mapa de custo para o estabelecimento de um processo de Registro de Imagens inédito em imagens de ultrassom intravascular.
Este processo de registro de imagens tem por objetivo auxiliar o médico na tarefa de avaliação da eficácia dos procedimentos de intervenção cirúrgica, principalmente em relação ao tempo empregado na comparação das imagens dos exames pré e pós intervenção.
De um modo geral, os resultados produzidos por esta tese podem servir como base para a implementação em projeto de equipamentos desenvolvidos que contemplem a tecnologia de ultrassom intravascular. Como exemplo o projeto ULTRASSOM, desenvolvido pelo Instituto de Pesquisas Eldorado em parceria com diferentes universidades e institutos como, por exemplo, a UNICAMP, a USP e o COPPE, que trata do desenvolvimento de um protótipo de equipamento de ultrassom nacional. O módulo de ultrassom intravascular seria uma evolução natural deste equipamento.
6 CONCLUSÃO GERAL
Por fim, pode-se destacar que esta tese de doutorado desenvolveu um conjunto de algoritmos capaz de reconstruir imagens de ultrassom intravascular a partir do sinal bruto de radiofrequência captado pelo transdutor em ponta de cateter.
Apresentou um processo para segmentação do lúmen e da adventícia de modo a permitir a identificação das regiões do lúmen e da adventícia em artérias coronárias, a partir das imagens reconstruídas.
Desenvolveu e propôs uma métrica de similaridade, alternativa à literatura para o estabelecimento de correspondências entre pares de imagens em exames de IVUS distintos de modo a permitir o registro semiautomático de imagens, ressaltando que esta técnica de registro de imagens nunca havia sido aplicada a imagens de ultrassom até o momento.
Deste modo, esta tese reuniu, desenvolveu e ampliou o conhecimento acerca do processamento de imagens de ultrassom intravascular, desde a construção da imagem a partir do dado bruto de radiofrequência até sua utilização em processos de segmentação de bordas e no estabelecimento de correspondências entre exames distintos.
6.1 TRABALHOS FUTUROS
Os parágrafos anteriores apresentam uma síntese das ideias principais desenvolvidas nesta tese de doutoramento. Embora, já tenham sido publicados os resultados obtidos durante esse processo, sempre existirão novas perguntas que podem proporcionar novos trabalhos científicos.
Entre os trabalhos futuros é possível citar:
Obtenção de imagens segmentadas por médicos especialistas para avaliar quantitativamente os resultados do processo de segmentação;
A elaboração de uma métrica para avaliar os resultados do registro de imagens;
Desenvolver outras métricas para a construção da matriz de custo;
Confecção de diferentes matrizes de custo;
REFERÊNCIAS
[1] Mansur, A. P. e Favarato, D. Mortalidade por Doenças Cardiovasculares no Brasil e na Região Metropolitana de São Paulo: Atualização 2011. Revista Arquivos Brasileiros de Cardiologia, vol 99, nº 2, 2011.
[2] Nichols, M.; Townsend, N.; Luengo-Fernandez, R.; Leal, J.; Gray, A.; Scarborough, P. e Rayner, M. European Cardiovascular Disease Statistics 2012. European Heart Network, Brussels, European Society of Cardiology, Sophia Antipolis, 2012.
[3] Go, A.S.; Mozaffarian, D.; Roger, V.L.; Benjamin, E.J.; Berry, J.D.; Blaha, M.J.; Dai, S.; Ford, E.S.; Fox, C.S.; Franco, S.; Fullerton, H.J.; Gillespie, C.; Hailpern, S.M.; Heit, J.A.; Howard, V.J.; Huffman, M.D.; Judd, S.E.; Kissela, B.M.; Kittner, S.J.; Lackland, D.T.; Lichtman, J.H.; Lisabeth, L.D.; Mackey, R.H.; Magid, D.J.; Marcus, G.M.; Marelli, A.; Matchar, D.B.; McGuire, D.K.; Mohler, E.R. 3rd; Moy, C.S.; Mussolino, M.E.; Neumar, R.W.; Nichol, G.; Pandey, D.K.; Paynter, N.P.; Reeves, M.J.; Sorlie, P.D.; Stein, J.; Towfighi, A.; Turan, T.N.; Virani, S.S.; Wong, N.D.; Woo, D. e Turner, M.B. American Heart Association Statistics Committee and Stroke Statistics Subcommittee. Heart disease and stroke statistics – 2014 update: a report from the American Heart Association. Circulation. 129:e28–e292, 2014.
[4] Unal, G.; Bucher, S.; Carlier, S.; Slabaugh, G.; Fang, T. e Tanaka, K. Shape- driven segmentation of the arterial wall in intravascular ultrasound images. IEEE Trans. Inf. Technol. Biomed. 12:335–47, 2008.
[5] Fauci, A.S.; Braundwald, E.; Isselbacher, K. J.; Wilson, J. D.; Martin, J. B.; Kasper, D.; Hauser e Longo, D. Editors. Harrison's Principles of Internal Medicine. 14th ed. New York, NY: McGraw-Hill. 1998.
[6] Hansson, G. K. Inflammation, atherosclerosis, and coronary artery disease. New England Journal of Medicine, 352:1685–1695, 2005.
[7] Asakura, T. e Karino, T. Flow patterns and spatial distribution of atherosclerotic lesions in human coronary arteries. Circulation Research, 66(4):1045–1066, April 1990.
[8] Katritsis, D. G.; Efstathopoulos, E. P.; Pantos, J.; Korovesis, S.; Kourlaba, G.; Kazantzidis, S.; Marmarelis, V. e Voridis, E. Anatomic characteristics of culprit sites in acute coronary syndromes. Journal of Interventional Cardiology, 21(2):140–150, 2008.
[9] Katouzian, A.; Angelini, E. D.; Carlier, S. G.; Suri, J. S.; Navab, N. e Laine, A. F. A state-of-the-art review on segmentation algorithms in IVUS images, IEEE Transactions on Information Technology in Biomedicine, vol. 16, nº 5, 2012.
[10] Saijo, Y. IVUS is still alive – Multi parameter analysis for tissue characterization of coronary atherosclerosis and interpretation from acoustic microscopy observation. IEEE International Ultrasonic Symposium Proceedings, 2005-2008, 2011.
[11] Mendizabal-Ruiz, E.; Rivera, M. e Kakadiaris, I. Segmentation of the luminal border in intravascular ultrasound B-mode images using a probabilistic approach. Medical Image Analysis, 17, 649–70, 2013.
[12] Ciompi, F. ECOC-based plaque classification using in-vivo and ex-vivo Intravascular Ultrasound data. Tese de mestrado. Computer Vision Center. Campus UAB. Barcelona (Spain) – 2008.
[13] Mintz, G., Nissen, S., Anderson, W., Bailey, S., Erbel, R., Fitzgerald, P., Pinto, F., Rosenfield, K., Siegel, R., Tuzcu, E., Yock, P. American College of Cardiology clinical expert consensus document on standards for acquisition, measurement and reporting of intravascular ultrasound studies (IVUS). Journal of the American College of Cardiology, 37 (5), 1478–1492, 2001. [14] Azhari, H. Basics of biomedical ultrasound for engineers. John Wiley &
[15] Taki, A., Roodaki, A., Kamaledin, S., Avansari, S., Unal, G. e Navab, N. An IVUS image-based approach for improvement of coronary plaque characterization. Computer in Biology and Medicine 43:268-280, 2013.
[16] Hernàndez-Sabaté, A., Gil, D., Fernandez-Nofrerias, E., Radeva, P. e Martí, E. Approaching artery rigid dynamics in IVUS. IEEE Transactions on Medical Imaging, vol. 28, nº 11, 2009.
[17] Webb, S. The Physics of Medical Imaging, Institute of Physics Publishing. Bristol, UK, 1995.
[18] Szabo, T. L. Diagnostic Ultrasound Imaging: inside out. Elsevier, USA, 2004.
[19] Noble, J. A., Ultrasound image segmentation and tissue characterization. Proceedings of the Institution of Mechanical Engineers, Part H: Journal of Engineering in Medicine vol. 224: 307, 2010. DOI: 10.1243/09544119JEIM604
[20] http://www.bostonscientific-international.com/ acessado 03/02/2014.
[21] Gonzalez, R. C., Woods, R. E. e Eddins, S. L. Digital Image Processing Using Matlab. Prentice Hall. 2004.
[22] Balocco S, et al. Standardized evaluation methodology and reference database for evaluating IVUS image segmentation. Comput Med Imaging Graph (2013), http://dx.doi.org/10.1016/j.compmedimag.2013.07.001
[23] Katouzian A, Baseri B, Konofagou E, Laine A. Automatic detection of blood versus non-blood regions on intravascular ultrasound (IVUS) images using wavelet packet signatures. In: Proc. SPIE medical imaging 2008: ultrasonic imaging and signal processing. 2008.
[24] Mendizabal-Ruiz E, Rivera M, Kakadiaris I. Segmentation of the luminal border in intravascular ultrasound b-mode images using a probabilistic approach. Medical Image Analysis 17(6):649–70, 2013.
[25] Mendizabal-Ruiz E. e. Kakadiaris I. Probabilistic segmentation of the lumen fromintravascular ultrasound radio frequency data. International Conference on Medical Image Computing and Computer Assisted Intervention – MICCAI 2012. Vol. 7511: 454-461.
[26] Ciompi F, Pujol O, Fernandez-Nofrerias E, Mauri J, Radeva P. Ecoc random fields for lumen segmentation in radial artery IVUS sequences. Medical Image Comput Comput Assist Interv. 5762:869–76, 2009.
[27] Moraes M. e Furuie, S. S. Automatic coronary wall segmentation in intravascular ultrasound images using binary morphological reconstruction. Ultrasound Med Biol. 37:1486–99, 2011.
[28] Balocco S, Gatta C, Ciompi F, Pujol O, Carrillo X, Mauri J, et al. Combining growcut and temporal correlation for ivus lumen segmentation. In: Lecture Notes in Computer Science, 6669:556–63, 2011.
[29] Moraes, M.C., Furuie, S.S. An automatic media-adventitia border segmentation approach for IVUS images. Computing in Cardiology, 389–92, 2010.
[30] Otsu N. A threshold selection method from gray-level histograms. IEEE Trans Syst Man Cybern, 9(1):62–6, 1979.
[31] Yu, Y. e S. Acton. Speckle reducing anisotropic diffusion. IEEE Transactions on Image Processing, vol. 11:1260-1270, 2002.
[32] Moraes, M. C. Estimativa do Tipo de Lesão em Estruturas das Coronárias Usando Nível de Deformação em Imagens de Ultrassom Intravascular. Tese de doutorado. Universidade de São Paulo. São Paulo (Brasil). 2012.
[33] Udupa, J. K., LeBlanc, V. R., Zhuge, Y., Imielinska, C., Schmidt, H., Currie, L. M., Hirsch, B. E. e Woodburn, J. A framework for evaluating image segmentation algorithms. Computerized Medical Imaging and Graphics 30: 75– 87, 2006.
[34] Zitová, B. e Flusser, J. Image registration methods a survey. Image and Vision Computing, 21: 977-1000, 2003.
[35] Sinha, S. N., Frahm, J-M., Pollefeys, M. e Y. Genc, Feature tracking and matching in video using programmable graphics hardware. Machine Vision Application. DOI 10.1007/s00138-007-0105-z.
[36] Song, Z.L., Li, S. e George, T.F. Remote sensing image registration approach based on a retrofitted SIFT algorithm and Lissajous-curve trajectories. Opt. Express 18.2:513–522, 2010.
[37] Kratochvil, B.E., Dong, L.X., Zhang, L. e Nelson, B.J. Image-based 3D reconstruction using helical nanobelts for localized rotations. Journal Microscopy 237: 122–135, 2010.
[38] Lisin, D., Mattar, M., Blaschko, M., Learned-Miller, E. e Benfield, M. Combining local and global image features for object class recognition. Proccedings of the 2005 IEEE Computer Vission Pattern Recognition. DOI 10.1109/CVPR.2005.433.
[39] Suna, W., Zhoub, W. e Yangb, M. Non-rigid registration of medical images with scale-space corner detection and thin-plate spline. Biomedical Signal Processing and Control 7: 599– 605, 2012.
[40] Reducindo, I., Arce-Santana, E. R., Campos-Delgado, D. U., Vigueras-Gomez, F., Mejía-Rodríguez, A. R., Cattaneo, M. G. e Rizzo, G. Non-rigid Multimodal Medical Image Registration Based on the Conditional Statistics of the Joint Intensity Distribution. Procedia Technology 7:126–133, 2013.
[41] Chen, M., Shao, Z., Li, D. e Liu, J. Invariant matching method for different view point angle images. Application Optics, 52.1:96–104, 2013.
[42] Zhao, X., He, Z. e Zhang, S. Improved keypoint descriptors based on Delaunay triangulation for image matching. Optik - International Journal Light Electron Opt. http://dx.doi.org/10.1016/j.ijleo.2013.12.022
[43] Yu, Y., Huang, K., Chen, W., Tan, T. A novel algorithm for view and illumination invariant image matching. IEEE Trans. Image Process. 21:229–240, 2012.
[44] Lowe, D. G. Distinctive Image Features from Scale-Invariant Keypoints. Journal of Computer Vision 60.2:91-110, 2004.
[45] Alhwarin, F., Wang, C., Ristic-Durrant, D. e Gräser, A. Improved SIFT-Features Marching For Object Recognition. BCS International Academic Conference 2008 – Visions of Computer Science, pp. 179-190, 2008.
[46] Wang, Y-Y, Li, Z-M, Wang, L. e Wang, M. A Scale Invariant Feature Transform Based Method. Journal of Information Hiding and Multimedia Signal Processing. ISSN 2073-4212. Vol. 4, Number 2, April 2013.
[47] Yu, D.,Yu, X., Hu, Q., Liu, J., Wu, A. Dynamic time warping constraint learning for large margin nearest neighbor classification. Inform. Sciences, 181:2787-2796, 2011.
[48] Müller, M. Information Retrieval for Music and Motion. Springer, 2007, XVI, 318p. ISBN 987-3-540-74047-6.
[49] Arfken, G. B. e Weber, H. J. Mathematical Methods for Physics. Elsevier, 2005.
[50] Alberti, M. Detection and Alignment of Vascular Structures in Intravascular Ultrasound using Pattern Recognition Techniques. Tese de doutorado. Universidade de Barcelona. Barcelona (Espanha), 2013.
[51] Ortiz, S. H. C., Chiu, T. e Fox, M. D. Ultrasound image enhancement: A review. Biomedical Signal Processing and Control 7:419-428, 2012.
[52] Granero, M. A. ; Gutierrez, M. A. ; Costa, E. T. Rebuilding IVUS Images From Raw Data Of The RF Signal Exported by IVUS Equipment. In: Leon Deligiannidis e Hamid Arabnia (Org.). Emerging Trends in Image Processing, Computer Vision and Pattern Recognition, Elsevier, 2015, USA. ISBN: 978-0-12-802045-6.
APÊNDICE A – TRABALHOS AFINS PUBLICADOS PELO AUTOR
Artigos apresentados em congressos nacionais:
GRANERO, M. A.; REBELO, M.; MORENO, R. A.; LONGO JUNIOR, A.; GUTIERREZ, M. A.; COSTA, E. T. Sincronizador para a aquisição de imagens de CT de um simulador cardíaco dinâmico. In: XXIII Congresso Brasileiro de Engenharia Biomédica, 2012, Porto de Galinhas. Anais do XXIII Congresso Brasileiro de Engenharia Biomédica, 2012. v. 1. p. 1551-1554.
Artigos apresentados em congressos internacionais:
GRANERO, M. A. ; GUTIERREZ, M. A. ; COSTA, E. T. Rebuilding IVUS Images From Raw Data Of The RF Signal Exported by IVUS Equipment. In: The 2014 International Conference on Image Processing, Computer Vision, and Pattern Recognition, 2014, Las Vegas. Int'l Conf. IP, Comp. Vision, and Pattern Recognition | IPCV '14|, 2014. p. 57-62.
GRANERO, M. A.; BARONI, M. P. M. A., COSTA, E. T., RADEVA, P. I. An Alternative Technique for Imaging Registration in IVUS Images. In: The 2015 International Symposium on Signal and Image Processing, Computer Vision and Pattern Recognition, 2015, Las Vegas. CSCI – ISPC ’15, 2015. ISBN: 978-1-4673- 9795-7/15 IEEE DOI 10.1109/CSCI.2015.63
Capítulos de livros:
GRANERO, M. A. ; GUTIERREZ, M. A. ; COSTA, E. T. Rebuilding IVUS Images From Raw Data Of The RF Signal Exported by IVUS Equipment. In: Leon Deligiannidis e Hamid Arabnia (Org.). Emerging Trends in Image Processing, Computer Vision and Pattern Recognition, Elsevier, 2015, USA. ISBN: 978-0-12- 802045-6.