Diversos m´etodos foram propostos para automatizar a tarefa de delimita¸c˜ao do enc´efalo. Uma taxonomia atual para tais m´etodos ´e definida por duas amplas categorias: m´etodos ba- seados em regi˜ao e m´etodos baseados em bordas. Alguns m´etodos podem tamb´em pertencer
M´etodo HEAD - the Human Encephalon Automatic Delimiter 107 `a fam´ılia dos meta-algoritmos, cujo resultado ´e uma combina¸c˜ao de resultados individuais provenientes de diferentes algoritmos que se prestam `a mesma tarefa. Nesta se¸c˜ao ´e apre- sentada uma revis˜ao dos principais m´etodos de cada categoria.
7.2.1
M´etodos baseados em regi˜ao
Os m´etodos baseados em regi˜ao exploram diretamente o conceito de coerˆencia espacial da imagem. Os tecidos de massa cinzenta e massa branca formam um bloco compacto no centro da imagem: o c´erebro. Normalmente, nenhum outro bloco de tecidos na cabe¸ca ´e maior que o c´erebro. Os m´etodos baseados em regi˜ao visam criar uma m´ascara bin´aria inicial, onde a maioria dos voxels do c´erebro ´e definida como classe de primeiro plano, e a maioria dos voxels que circundam o c´erebro ´e definida como classe do plano de fundo. Para isso, geralmente ´e utilizado o m´etodo de limiariza¸c˜ao, ou threshold, [168, 169, 170, 171, 172], e detec¸c˜ao de bordas [166]. Ap´os a cria¸c˜ao da m´ascara inicial, a regi˜ao do c´erebro ´e completamente separada utilizando opera¸c˜oes de morfologia matem´atica.
Atkins e Mackiewich [169] apresentaram um m´etodo baseado em regi˜ao que integra fil- tragem anisotr´opica, limiariza¸c˜ao, morfologia matem´atica bin´aria, e contornos ativos (sna-
kes) [173]. Neste m´etodo, um ´unico n´ıvel de limiariza¸c˜ao ´e determinado ajustando-se uma ´
unica curva gaussiana no histograma da imagem filtrada. Uma desvantagem evidente est´a no fato de que uma ´unica curva gaussiana representa um modelo inadequado para o histograma de uma imagem de cabe¸ca, que pode, normalmente conter mais de uma saliˆencia associada aos tecidos de massa branca e massa cinzenta.
Lemieux et al. [168] apresentaram outro m´etodo de an´alise do histograma da imagem. Um n´ıvel inicial de limiariza¸c˜ao ´e obtido com o m´etodo de Otsu [164]. Ent˜ao, um n´ıvel mais refinado ´e determinado por um processo iterativo. A cada passo deste processo o n´ıvel inicial ´e incrementado e uma an´alise de componentes conexos em 3D ´e realizada. Evidentemente, a desvantagem deste m´etodo ´e a alta complexidade computacional, pois a an´alise de com- ponentes conexos em 3D ´e uma opera¸c˜ao custosa para ser executada v´arias vezes dentro de um processo iterativo. Outro m´etodo denominado MBRASE [171] utiliza uma abordagem iterativa similar, que tamb´em demanda um alto custo computacional. Os dois m´etodos se diferenciam apenas no crit´erio de parada da itera¸c˜ao.
O algoritmo 3DIntracranial [170], que faz parte do sistema AFNI [174], realiza uma seg- menta¸c˜ao fatia por fatia da imagem 3D. Este m´etodo procura dois limites globais, inferior e superior, no histograma da imagem, tentando ajustar trˆes curvas gaussianas: uma para a massa cinzenta, outra para massa branca e outra para o plano de fundo. Este ajuste ´e realizado utilizando o m´etodo SIMPLEX que encontra um ajuste para tal modelo baseado nos m´ınimos quadrados. Ap´os o ajuste, o limite superior ´e definido como o centro da gaus- siana associada `a massa branca somado ao dobro do valor correspondente de desvio padr˜ao. De forma similar, o limite inferior, ´e definido como o centro da gaussiana associada `a massa cinzenta subtra´ıdo do dobro do valor correspondente de desvio padr˜ao. Novamente, obser-
108 Cap´ıtulo 7 vamos que o modelo sugerido para o ajuste no histograma ´e comumente inadequado, pois as saliˆencias associadas aos tecidos de massa branca e cinzenta muitas vezes aparecem no histo- grama como uma ´unica saliˆencia. A grande diferen¸ca em tamanho entre saliˆencia associada ao plano de fundo e as demais saliˆencias no histograma tamb´em pode causar imprecis˜ao no processo de ajuste do modelo. Al´em disso, o m´etodo SIMPLEX ´e um algoritmo iterativo que demanda, relativamente, um alto esfor¸co computacional.
De forma alternativa, o bem conhecido Brain Surface Extractor - BSE [166, 175, 176, 177], parte do sistema BrainSuite, utiliza filtros de detec¸c˜ao de bordas para estabelecer uma m´ascara inicial para o c´erebro. Por esse motivo, o m´etodo ´e comumente confundido com um m´etodo baseado em bordas. O BSE emprega uma pr´e-filtragem anisotr´opica seguida por uma detec¸c˜ao de bordas realizada com o filtro de Marr-Hildreth para determinar uma m´ascara inicial ruidosa. Opera¸c˜oes de morfologia matem´atica bin´aria s˜ao ent˜ao utilizadas para separar completamente a regi˜ao do c´erebro e filtrar adequadamente a m´ascara final. Em um estudo comparativo realizado por Fennema-Notestine [167], o m´etodo BSE se mostrou mais preciso e eficiente que diversos outros m´etodos bem conhecidos.
Outro m´etodo baseado em regi˜ao ´e proposto por Hata et al. [172], que empregam l´ogica fuzzy e crescimento de regi˜oes para alcan¸car uma m´ascara inicial para o c´erebro. Huang
et al. [178] apresentam uma abordagem h´ıbrida, combinando o algoritmo EM e contornos
geod´esicos ativos.
7.2.2
M´etodos baseados em bordas
Os m´etodos baseados em bordas procuram encontrar uma representa¸c˜ao da superf´ıcie do c´erebro utilizando diretamente modelos de superf´ıcie deform´avel combinados com for¸cas de atra¸c˜ao local. Um algoritmo bem conhecido desta classe ´e o BET (Brain Extraction
Tool) [179], que faz parte de dois sistemas de dom´ınio p´ublico: o software MRIcro e a biblioteca FSL. Tal m´etodo emprega um modelo deform´avel de superf´ıcie que se ajusta iterativamente ao enc´efalo. Inicialmente, uma malha de triˆangulos esf´erica ´e estabelecida no centr´oide da imagem, sendo lentamente deformada. Em cada itera¸c˜ao os v´ertices da malha s˜ao movimentados com base em trˆes for¸cas de atra¸c˜ao e ajuste: duas delas controlam o espa¸camento dos v´ertices para garantir uma superf´ıcie suave, sem auto-intersec¸c˜oes. A outra for¸ca ´e baseada em um detector local de bordas, que procura atrair os v´ertices da malha para as bordas do c´erebro.
S´egonne et al. [180] desenvolveram um m´etodo baseado no algoritmo de watershed e em um modelo de superf´ıcie deform´avel. O algoritmo de watershed cria uma estimativa ini- cial do volume do c´erebro que ´e utilizada para iniciar o modelo deform´avel. Uma primeira etapa de deforma¸c˜ao ´e realizada utilizando-se parˆametros globais das bordas do c´erebro. Posteriormente, uma an´alise baseada em atlas verifica a corre¸c˜ao da superf´ıcie resultante, modificando-a caso alguma parte importante do c´erebro tenha sido desconsiderada. Final- mente, ´e realizada uma deforma¸c˜ao mais refinada utilizando parˆametros de escopo local `as
M´etodo HEAD - the Human Encephalon Automatic Delimiter 109 bordas do c´erebro. Este m´etodo de segmenta¸c˜ao ´e denominado HWA (Hybrid Watershed
Algorithm) e faz parte do sistema FreeSurfer.
O trabalho de Fennema-Notestine et al. [167] apresenta uma avalia¸c˜ao comparativa dos m´etodos HWA, BET, BSE e 3DIntracranial, testando-os em volumes de ressonˆancia magn´etica de diversos grupos de diagn´ostico. Eles principalmente conclu´ıram que os m´etodos HWA e BSE s˜ao os mais robustos entre os diversos diagn´osticos, e, com respeito `a especifi- cidade, o m´etodo BSE ´e o melhor para todos os grupos.
Meta-algorithms
O m´etodo BEMA, proposto por Rex et al. [181] ´e um exemplo de m´etodo que pertence `a fam´ılia de meta-algoritmos. Em particular, o m´etodo BEMA executa quatro diferentes m´etodos de delimita¸c˜ao do enc´efalo, e combina as sa´ıdas individuais para obter um resul- tado aprimorado. Os algoritmos utilizados pelo BEMA s˜ao os previamente mencionados BSE, BET, HWA, e 3DIntracranial. Rehm et al. [182] prop˜oem uma abordagem similar combinando o resultado de trˆes t´ecnicas incluindo o m´etodo BSE. A principal desvantagem dos meta-algoritmos ´e a alta complexidade computacional, o que os torna inadequados para o uso pr´atico.