RESULTADOS
4.8 Integrando a ontologia aos dados extraídos das análises es- tatísticas
Fig. 27: Indivíduo relacionado a uma classe ontológica e epistêmica.
presenta o ventrículo lateral, e sob as classes epistêmicas que representam seus conceitos (são es- sas classes: Abaixo_da_Media_Paciente,Abaixo_da_Media_Controle, Acima_da_Media_Paciente eAcima_da_Media_Paciente).
Essa diferenciação de como classificamos o indivíduo pelo conceito que ele representa é essen- cial quando pensamos em análises mais realistas aos especialistas sobre uma base de imagens. Por exemplo, um especialista poderia desejar aplicar técnicas de análises estatísticas sobre grupos de pa- cientes e controles e extrair alterações relevantes a partir de características dos indivíduos que com- põem os grupos (como idade, sexo, escolaridade, hábitos, etc). Essas características de indivíduos estariam representadas por uma ontologia modelada para essa finalidade, entretanto a classificação de uma determinada alteração observada em função dessa características, levaria a criação de indivíduos essencialmente epistêmicos.
Este processo entretanto estaria limitado a associação de indivíduos as classes existentes, como abordamos no capítulo 2.3.1 a esquizofrenia afeta diversas estruturas do cérebro, não apenas o sis- tema ventricular cerebral. Na próxima sessão abordaremos como podemos inserir novas classes na ontologia, descobertas a partir da análise estatística.
4.8 Integrando a ontologia aos dados extraídos das análises es-
na literatura médica e, até mesmo descobrir novas alterações que eventualmente não sejam percep- tíveis e integrar essas descobertas a probabilidades de ocorrência disponíveis na literatura médica.
Essas probabilidades de ocorrência de determinada alteração morfológica são encontradas nas meta-análises, esses trabalhos como já abordamos anteriormente, contém informações de estudos realizados em diferentes grupos de indivíduos e apontam o percentual de ocorrência de alterações nesses grupos.
Utilizaremos como base dos resultados desta seção o trabalho de Santoset al. fei09. Em síntese o trabalho propõe a aplicação do PCA+MLDA e testes de tamanho efetivo em um conjunto de 68 imagens, compostas por grupos de pacientes e controles saudáveis. Após a descoberta desses pontos, eles são segmentados por meio do algoritmo de modelos deformáveis, que agrupam pontos próxi- mos compondo uma região na imagem e calcula-se sua pertinência estatística em relação a tabela 1, apresentada na seção 2.3.1.
Ao aplicar o PCA+MLDA no conjunto de amostras se encontra o hiperplano de separação entre as amostras e os extremos dos grupos, como podemos observar na imagem 28.
Fig. 28: Projeção no espaço do MLDA das imagens originais. Os pontos verdes correspondem ao extremo de cada grupo dado por três vezes o desvio padrão de cada grupo (+3√
σp e −3√ σc), os pontos amarelos correspondem a média de cada grupo, e o ponto preto ao hiperplano de separação.
Fonte: Adaptado de Santos [76]
Após a aplicação do modelo discriminante estatístico (PCA+MLDA), as imagens são reconstruí- das levando-se em consideração os extremos, pois essas imagens possuirão a maior diferenças entre
os grupos. Assim, com as imagens reconstruídas é aplicado testes de tamanho efetivo que identifica as diferenças de voxels mais significativas nas imagens. A imagem 29 apresenta os cortes axial, coronal e sagital com as alterações relevantes encontradas.
Fig. 29: Pontos identificados pelo testes de tamanho efetivo que representam alterações estatísticas relevantes entre os extremos do grupo de paciente e controle encontrados pelo MLDA para os cortes axial, coronal e sagital.
Fonte: Adaptado de Santoset al. [7]
Após a identificação dos pontos relevantes pelos testes de tamanho efetivo, foi aplicada a seg- mentação por modelos deformáveis, cujo objetivo é obter as relações espaciais entre os pontos des- cobertos. Em síntese, a segmentação utilizando modelos deformáveis pode agrupar os pontos que pertencem a uma mesma região espacial na imagem. A imagem 30 apresenta um exemplo de um corte de neuroimagem com os pontos mais significativos descobertos pela análise do PCA+MLDA e testes de tamanho efetivo, e a segmentação por meio de modelos deformáveis.
Fig. 30: Segmentação por meio de modelos deformáveis das regiões encontradas pela análise do PCA+MLDA e testes de tamanho efetivo.
Fonte: adaptado de Santoset al. [7]
Após as análises estatísticas e segmentação utilizando modelos deformáveis, é necessário repre- sentar as estruturas anatômicas correspondentes. Na próxima seção exploraremos como converter os pontos encontrados pelas análises estatísticas em informação sobre regiões cerebrais.
4.8.1 Identificando regiões cerebrais
A transformação de pontos de interesse no espaço das neuroimagens nas estruturas anatômicas correspondentes pode ser feita através de uma transformação do espaço MNI (orientação dos pontos nativa das neuroimagens utilizadas nesse trabalho) para o espaço de Talairach. Para tal transformação utilizamos a aplicaçãoGingerALE3do projetoBrain Map, que faz a tradução dos pontos MNI para Talairach automaticamente e gera um arquivo que pode ser carregado no cliente do atlas, que fornece as regiões.
Por exemplo, queremos saber qual região cerebral corresponde a um ponto de interesse em uma imagem MNI, dado que o ponto de origem nas imagens utilizadas nesse trabalho é (46; 64; 37), e sendo o ponto de origem, sua distância (i;j;k) é dada por (0; 0; 0) e tamanho de cada voxel é de (2; 2; 2).
Então se quisermos descobrir a distância do ponto (48; 72; 40)dado em coordenadas (x,y,z), a distância(i;j;k)ao ponto de origem(46; 64; 37)será(4; 16; 6)mm. Essa distância ao ponto de origem é dada também pela aplicação MRicro como podemos observar na figura 31.
Fig. 31: Destacado na imagem, distância ao ponto de origem dado pelo MRicro.
Esse ponto pode ser carregado na aplicaçãoGingerALE, através da opçãoTools -Convert Foci, escolhendo a opçãoMNI(SPM) to Talairach, apresentada na figura 32.
3Aplicação disponível para download em: http://www.brainmap.org/icbm2tal/ último acesso em 21/04/2009
Fig. 32: Interface para conversão de pontos do GingerAle.
Após a transformação, as distâncias no espaço de Talairach obtidas que correspondem à distância MNI (4; 16; 6) são: (2.65; 12.6; 10.92), que consultadas no atlas de Talairach apontam as regiões cerebrais as quais esses pontos pertencem, como podemos observar na tabela 5.
Granularidade da informação Região Hemisphere level Right Cerebrum
Lobe level Sub-lobar
Gyrus level Lateral Ventricle Tissue level Cerebro-Spinal Fluid
Celular level *
Tab. 5: Regiões apontadas pelo atlas de Talairach para o ponto de exemplo.
O atlas de Talairach apresenta a informação classificada em 5 níveis [77] representados na figura 33. Devido a granularidade, a informação pode não existir em alguns níveis e nesses casos é apresen- tado um “*”, como podemos perceber nos resultados de nosso exemplo na tabela 5
Então, assim como em nosso exemplo, podemos descobrir a qual região cerebral pertence os pontos encontrados pelas análises estatísticas aplicadas ao grupo de imagens. A próxima seção aborda o resultado dessa conversão de pontos relevantes em regiões cerebrais e a realimentação da ontologia a partir desses pontos.