ELABORAÇÃO DE UM ALGORITMO
COMPUTACIONAL PARA MEDIDA DE VOLUME
ENCEFÁLICO GLOBAL E VOLUMES
INTRACRANIANOS POR SEGMENTAÇÃO
AUTOMÁTICA
Paula Rejane Beserra Diniz
Ribeirão Preto - SP
2006
Faculdade de Filosofia, Ciências e Letras de Ribeirão Preto
Faculdade de Medicina de Ribeirão Preto Informática Biomédica
ELABORAÇÃO DE UM ALGORITMO
COMPUTACIONAL PARA MEDIDA DE VOLUME
ENCEFÁLICO GLOBAL E VOLUMES
INTRACRANIANOS POR SEGMENTAÇÃO
AUTOMÁTICA
Paula Rejane Beserra Diniz
Orientador: Prof. Dr. Antonio Carlos dos Santos
Dissertação apresentada à Faculdade de Filosofia Ciências e Letras e à Faculdade de Medicina ambas pertencentes a Universidade de São Paulo, como parte dos requisitos para obtenção do título de Bacharel em Informática Biomédica.
Ribeirão Preto - SP
2006
Faculdade de Filosofia, Ciências e Letras de Ribeirão Preto
Faculdade de Medicina de Ribeirão Preto Informática Biomédica
RESUMO
A perda volumétrica cerebral ou atrofia é um importante índice de destruição tecidual e pode ser usada para apoio ao diagnóstico e para quantificar a progressão de diversas doenças com componente degenerativo, como a esclerose múltipla (EM) e a demência ligada à doença de Alzheimer (DA). Nestas doenças ocorre perda tecidual regional, com reflexo no volume cerebral total. Assim, a presença e a progressão da atrofia podem ser usadas como um indexador da progressão da doença. A quantificação do volume cerebral é um procedimento relativamente simples, porém, quando feito manualmente é extremamente trabalhoso, consome grande tempo de trabalho e está sujeito a uma variação muito grande inter e intra-observador. Portanto, para a solução destes problemas há necessidade de um processo automatizado de segmentação do volume encefálico. Porém, o algoritmo computacional a ser utilizado deve ser preciso o suficiente para detectar pequenas diferenças e robusto para permitir medida reprodutíveis a serem utilizadas em acompanhamentos evolutivos. Neste trabalho testaremos a precisão de diferentes metodologias baseadas em Imagens de Ressonância Magnética para medir atrofia cerebral em controles saudáveis e em pacientes com EM e DA, tentaremos identificar as vantagens e desvantagens de cada opção e por fim será elaborada uma proposta de algoritmo a ser utilizado no Centro de Imagens da FMRP-USP, inclusive testando sua acurácia em imagens de voluntários e pacientes.
SUMÁRIO
LISTA DE FIGURAS ... 4 LISTA DE GRÁFICOS... 5 LISTA DE SIGLAS ... 6 LISTA DE TABELAS ... 7 CAPÍTULO 1: INTRODUÇÃO ... 8 1.1.CONTEXTUALIZAÇÃO... 8 1.2.MOTIVAÇÃO... 10 1.3.OBJETIVOS... 11 1.4.ORGANIZAÇÃO DO DOCUMENTO... 11CAPÍTULO 2: REVISÃO DO ESTADO DA ARTE ... 12
2.1.CONSIDERAÇÕES INICIAIS... 12
2.2.SEGMENTAÇÃO DE VOLUMES PARCIAIS DO CÉREBRO PARA QUANTIFICAÇÃO DE ATROFIA EM PATOLOGIAS NEURODEGENERATIVAS... 12
2.3.CONSIDERAÇÕES FINAIS... 13
CAPÍTULO 3: METODOLOGIA... 15
3.1.CONSIDERAÇÕES INICIAIS... 15
3.2.AS IMAGENS... 15
3.3. Avaliação do Software MRICRO como método semi-automático de Segmentação para quantificação de Atrofia ... 15
3.4. Análise da ferramenta automática de segmentação Classifier ... 18
3.4. Elaboração de uma ferramenta para quantificação de atrofia ... 21
3.5.CONSIDERAÇÕES FINAIS... 32
CAPÍTULO 4: RESULTADOS FINAIS... 33
4.1.CONSIDERAÇÕES INICIAIS... 33
4.2.ANÁLISE DA FERRAMENTA MRICRO... 33
4.3. Análise da ferramenta automática de segmentação Classifier ... 36
4.4. Elaboração de uma ferramenta para quantificação de atrofia ... 41
Os primeiros resultados do algoritmo baseado em Watershed mostraram que este apresentava problemas que dificultaram sua utilização nesta aplicação. Dentre estes problemas destaca-se o fato de não ter segmentado bem a região do cerebelo. Na tentativa de se corrigir e melhorar a segmentação culminou em um pré-processamento muito longo e custoso computacionalmente. ... 41
4.5.CONSIDERAÇÕES FINAIS... 45
CAPÍTULO 5: CONCLUSÕES E JUSTIFICATIVAS ... 46
5.1.CONSIDERAÇÕES INICIAIS... 46
5.2.ANÁLISE DA FERRAMENTA MRICRO... 46
5.3. Análise da ferramenta automática de segmentação Classifier ... 47
5.4. Elaboração de uma ferramenta para quantificação de atrofia ... 47
5.5. Comparação entre os softwares... 48
5.6. Considerações Finais ... 50
CAPÍTULO 6: TRABALHOS FUTUROS ... 51
6.1.CONSIDERAÇÕES INICIAIS... 51
6.2.TRABALHOS FUTUROS... 51
APÊNDICE A: ANÁLISE ESTATÍSTICA DOS RESULTADOS ALCANÇADOS COM O
SOFTWARE MRICRO ... 56 APÊNDICE B: ANÁLISE ESTATÍSTICA DOS RESULTADOS ALCANÇADOS COM O
SOFTWARE CLASSIFIER... 82 APÊNDICE C: ANÁLISE ESTATÍSTICA DOS RESULTADOS ALCANÇADOS COM O
SOFTWARE SCBT ... 87 APÊNDICE D: DOCUMENTAÇÃO DO SOFTWARE SCBT ... 97
LISTA DE FIGURAS
Figura 1: (a) Imagem original. b) Imagem resultante da extração do tecido não extra-cerebral... 17
Figura 2: (a) volume intracraniano total. (b) Líqüido cefalorraquiano. (c) Substância Cinzenta. (d) Substância Branca. ... 18
Figura 3: Exemplo do resultado da segmentação utilizando o software Classifier. (a) Imagem Original do tipo T1. (b) Segmentação utilizando o Classifier utilizando a imagem (a). (c) Co-registro entre a imagem original e o resultado da segmentação. ... 21
Figura 4: Resultado do Filtro Anisotrópico. (a) Imagem original. (b) Pós-aplicação do filtro ... 22
Figura 5: Resultado do Filtro Gradiente ... 23
Figura 6: Resultado da aplicação do Filtro Smooth ... 24
Figura 7: Resultado da aplicação do Watershed. A linha vermelha delimita a região cerebral. ... 25
Figura 8: Resultado do filtro Anisotrópico. (a) Imagem original. (b) Pós-aplicação do filtro ... 27
Figura 9: Resultado da limiarização. (a) Imagem Resultante do Filtro Anisotrópico. (b) Imagem limiarizada. ... 28
Figura 10: Inicialização e deformação do ROI. (a) ROI inicial. (b) ROI deformado. ... 28
Figura 11: Máscara. ... 29
Figura 12: Resultado da extração da caixa craniana. (a) Imagem Original. (b) Imagem sem a caixa craniana. ... 29
Figura 13: Exemplo de segmentação usando Entropia Máxima. Em azul está o líqüor, em Branco está a substância cinzenta e em vermelho a substância branca. ... 31
Figura 14: Comparação quanto a qualidade de segmentação. (a) Resultado do Classifier. (b) Resultado do MRICRO... 37
Figura 15: O Classifier de somente leva em consideração o cérebro em sua análise. (a) Visualizarão em um corte axial do cerebelo. (b) Visualização do encéfalo em um plano sagital. (c) Visualização do encéfalo em um plano coronal... 37
Figura 16 : Comparação entre a ferramenta BET e o algoritmo baseado em Watershed. (a) Resultado da ferramenta BET (b) Resultado da ferramenta baseada em Watershed... 42
LISTA DE GRÁFICOS
Gráfico 1: Comparação MTOFF x MPR. ... 34
Gráfico 2: Evolução do volume de líqüido cefalorraquiano ao longo do tempo para a amostra. ... 35
Gráfico 3: Comparação entre Pacientes portadores de Esclerose Múltipla e Controles em relação ao líqüido cefalorraquiano. ... 36
Gráfico 4: Histograma mostrando a diferença entre as médias da segmentação manual e a segmentação com o classifier quanto ao volume cerebral... 38
Gráfico 5: Histograma mostrando a diferença entre as médias da segmentação manual e a segmentação com o classifier quanto ao volume intracraniano... 39
Gráfico 6: Histograma mostrando a diferença entre as médias da segmentação manual e a segmentação com o classifier quanto ao volume de líqüido cefalorraquiano... 39
Gráfico 7: Histograma mostrando a diferença entre as médias da segmentação manual e a segmentação com o classifier quanto ao volume de substância cinzenta. ... 40
Gráfico 8: Histograma mostrando a diferença entre as médias da segmentação manual e a segmentação com o classifier quanto ao volume de substância branca... 41
Gráfico 9: Gráfico ilustrando a variação do volume total ao longo do tempo. ... 44
Gráfico 10: Gráfico ilustrando a variação do volume de substância branca ao longo do tempo... 45
LISTA DE SIGLAS
MRI – Ressonância magnética.
fMRI – Ressonância magnética funcional. PET - Positron Emission Tomography.
BET – Brain Extraction tool.
LISTA DE TABELAS
Tabela 1 : Erro relativo médio para cada software. ... 49
CAPÍTULO 1: INTRODUÇÃO
1.1. Contextualização
Doença de Alzheimer é uma doença degenerativa do cérebro caracterizada pelo início insidioso de demência. Falhas na memória, no julgamento, na extensão da atenção e na habilidade em resolver problemas são seguidos de apraxia e uma perda global das habilidades cognitivas. A condição ocorre principalmente após os 60 anos de idade e é caracterizada patologicamente por atrofia cortical severa e a tríade de placas senis; emaranhados neurofibrilares e filamentos do neurópilo [1]. Uma a cada 100 pessoas maiores de 70 e uma a cada 1000 pessoas maiores de 60 anos será portadora da Doença de Alzheimer. Esta é a avaliação de 1999, feita pela Federação Espanhola de Associações de Familiares de Enfermos de Alzheimer (AFAF). Existe atualmente em todo o mundo entre 17 e 25 milhões de pessoas com a Doença de Alzheimer, o que representa 70% do conjunto das doenças que afetam a população geriátrica. É uma doença terminal que causa uma deterioração geral da saúde, à medida que a doença progride o sistema imunológico deteriora-se, e surge perda de peso, que aumenta o risco de infecções da garganta e dos pulmões. Assim, a Doença de Alzheimer é a terceira causa de morte nos países desenvolvidos, perdendo apenas para as doenças cardiovasculares e para o câncer. Os pacientes de Alzheimer já são quatro milhões, nos Estados Unidos. No Brasil, não há dados precisos, mas estima-se que a confusão mental atinge por volta de meio milhão de idosos [2].
A Esclerose Múltipla é um transtorno auto-imune que afeta principalmente adultos jovens e é caracterizado pela destruição de mielina no sistema nervoso central.
Achados patológicos incluem múltiplas áreas bem demarcadas de desmielinização por toda substância branca do Sistema Nervoso Central. Manifestações clínicas incluem perda visual, transtornos de movimentos extra-oculares, parestesias, perda de sensação, fraqueza, disartria, espasticidade, ataxia e disfunção da bexiga. O padrão usual é o de ataques recidivantes seguidos de recuperação parcial, porém formas agudas fulminantes e crônicas progressivas também ocorrem [1]. Ocorre com freqüência diferente em diversos países, havendo nos Estados Unidos mais de 350.000 pacientes. Embora não atinja exclusivamente um determinado sexo, sua ocorrência é significativamente maior entre as mulheres (cerca de 70% dos portadores são do sexo feminino). Por ser uma doença de pessoas jovens (inicia geralmente quando os pacientes têm entre 20 e 30 anos de idade), a esclerose múltipla ocasiona um custo econômico-social muito elevado, uma vez que acomete pessoas que estão na sua fase de maior capacidade produtiva [3].
No estudo destas e de outras doenças do Sistema Nervoso Central convencionou-se o uso de Imagens de Ressonância Magnética, pois esta técnica provou ser sensível para detectar lesões e alterações ao longo do tempo. Na Doença de Alzheimer e na Esclerose Múltipla as Imagens de Ressonância Magnética são usadas como instrumento principal para o diagnóstico e para monitorar os efeitos progressivos do tratamento destas doenças [4 - 8]. Na Esclerose Múltipla a carga da lesão, como indicada em imagens T2 está pobremente correlacionada com a inabilidade clínica. Correlações mais fortes foram encontradas entre a inabilidade e os marcadores de Esclerose Múltipla tais como a avaliação quantitativa de atrofia cerebral ou espinhal [4]. Estas descobertas, de acordo com exames histopatológicos, sugerem que o desenvolvimento da disfunção neurológica permanente está associado com o cérebro e com a medula espinhal atrofiada [5 - 12].
A perda de axônios na Esclerose Múltipla e na Doença de Alzheimer parece ser fator dominante para ocorrência de atrofia. Atrofia é a diminuição no tamanho de uma célula, tecido, órgão ou múltiplos órgãos, associada com uma variedade de condições patológicas, como alterações celulares anormais, isquemia, desnutrição ou alterações hormonais [2]. Embora existam controvérsias, o desenvolvimento da atrofia parece estar associado com a perda progressiva de mielina, axônios e, secundariamente, de corpos neuronais, sendo mais expressiva na fase tardia da doença, quando o acúmulo de lesões ao longo de anos, atinge um limiar responsável pela perda volumétrica perceptível.
A medida do volume inteiro do cérebro através de imagens de Ressonância Magnética é um marcador potencial para monitorar quantitativamente o curso da doença. Até hoje os volumes fracionários da substância cinzenta e da substância branca na Esclerose Múltipla e na Doença de Alzheimer foram investigados em poucos estudos [13 - 15]. Sabe-se que as mudanças do tecido não estão restritas à substância branca, mas que a matéria cinzenta está afetada também [15]. Os estudos recentes sugerem que na Esclerose Múltipla a substância cinzenta e a branca atrofiada não ocorrem sempre simultaneamente, mas podem ser relacionadas a processos degenerativos independentes que variam de acordo com o tipo da progressão da doença.
1.2. Motivação
A quantificação do volume cerebral é um procedimento relativamente simples, porém, quando feito manualmente é extremamente trabalhoso, consume grande tempo de trabalho e está sujeito a uma variação muito grande inter e intra-observador. Portanto, para a solução destes problemas a utilização de um processo automatizado
de segmentação do volume encefálico está claramente indicado. Porém, o algoritmo computacional a ser utilizado deve ser preciso o suficiente para detectar pequenas diferenças e robusto para permitir medidas reprodutíveis a serem utilizadas em acompanhamentos evolutivos. Embora atrofia cerebral seja medida em diversos estudos longitudinais, há, ainda, uma falta de consensos no método mais apropriado a ser usado.
1.3. Objetivos
Os objetivos deste projeto são:
a) Testar a precisão de diferentes metodologias baseadas em Imagens de Ressonância Magnética para medir atrofia cerebral em controles saudáveis e em pacientes com esclerose múltipla (EM) e doença de Alzheimer (DA);
b) Identificar as virtudes e fraquezas de cada opção; e
c) Implementar uma ferramenta a ser utilizada no Centro de Imagens da FMRP-USP, avaliando a sua acurácia em imagens de voluntários e pacientes.
1.4. Organização do Documento
O restante deste documento está dividido da seguinte forma: no capitulo 2 é dedicado ao estado da arte onde será apresentada uma revisão bibliográfica, no capítulo 3 será exposta a metodologia utilizada neste projeto, o capítulo 4 tem como objetivo apresentar os resultados finais do desenvolvimento do trabalho, as conclusões são apresentadas na no capítulo 5 e subseqüentemente será exposta a bibliografia citada no trabalho.
CAPÍTULO 2: Revisão do estado da arte
2.1. Considerações Iniciais
O Estado da Arte é uma das partes mais importantes de todo trabalho científico, uma vez que faz referência ao que já se tem descoberto sobre o assunto pesquisado, evitando que se perca tempo com investigações desnecessárias. Além disso, auxilia na melhoria e desenvolvimento de novos postulados, conceitos e paradigmas.
Délcio Salomon diz em seu trabalho Como fazer uma monografia, “verificamos dois momentos na actuação científica: o pesquisador, ao desenvolver para o leitor o assunto, deixa de ser por um momento investigador, para se tornar o filósofo de seu trabalho. Abandona as técnicas da pesquisa com que já se habituara, para usar os recursos da lógica da demonstração”.(1991: 239)
Este capítulo apresenta as idéias e trabalhos principais da área até o momento. Nele é possível encontrar um resumo do que existe na área de pesquisa e desenvolvimento do problema.
2.2. Segmentação de volumes parciais do cérebro para
quantificação
de
atrofia
em
patologias
neurodegenerativas
Existem várias indicações para medidas do volume do cérebro. Os principais campos de aplicação são diagnóstico, monitoração da doença, e avaliação de tratamentos potenciais na Esclerose Múltipla [16 - 18] e em doenças neurodegenerativas, como a doença de Alzheimer [19-20]. Rudick em seu trabalho propõe a fração parenquimal do
cérebro (FPC), que é definida como a relação do volume do parênquima encefálico com o volume total dentro do contorno da superfície craniana, como um marcador para processos patológicos destrutivos nos pacientes de Esclerose Múltipla [17]. De Stefano encontrou uma perda substancial de volume de substância cinzenta cortical (MC) na Esclerose Múltipla [18].
As medidas de alterações cerebrais progressivas requerem técnicas muito sensíveis, capazes de detectar variações pequenas e precisas, pois as mudanças do volume encefálico, ao longo do tempo, não são grandes.
Dependendo das técnicas que forem usadas, a redução do volume do cérebro foi relatada entre 0,6 e 1,0 % por ano tanto em pacientes com Alzheimer como para pacientes com Esclerose Múltipla. No contraste, a redução anual relatada do volume total do cérebro em controles saudáveis varia de 0,1 a 0,3% e é principalmente devido à diminuição da substância cinzenta. A diminuição natural da substância cinzenta pode ser inclusive mais lenta, com uma perda de volume de menos de 0,1% ao ano, relata Lukas em seu trabalho [16].
Fox em seu estudo propõe o uso da combinação do co-registro e a subtração digital das imagens de RM para se determinar as diferenças, quanto a atrofia, do cérebro de pacientes com Alzheimer e pacientes saudáveis [19].
Embora atrofia cerebral seja medida em diversos estudos longitudinais, há, ainda, uma falta de consensos no método mais apropriado a ser usado como é apontado por Lukas e colaboradores [16].
2.3. Considerações Finais
A modalidade mais indicada para o estudo a Ressonância Magnética, pois se tornou um padrão no estudo de doenças neurodegenerativas por ter se mostrado sensível para
detectar lesões e alterações ao longo do tempo. Hoje, esta modalidade usada como instrumento principal para o diagnostico e para monitorar os efeitos progressivos do tratamento destas doenças.
Os principais campos de aplicação para as medidas do volume do cérebro são o diagnóstico, monitoração da doença, e avaliação de tratamentos potenciais na Esclerose Múltipla [16 - 18] e em doenças neurodegenerativas, como a doença de Alzheimer [19-20]. Algo importante a ser observado é que embora os volumes cerebrais sejam medidos em diversos estudos longitudinais, há, ainda, uma falta de consenso no método mais apropriado a ser usado.
CAPÍTULO 3: Metodologia
3.1. Considerações Iniciais
Este capítulo apresentará o trabalho realizado ao longo do ano de 2006, abordando, como foco principal, a metodologia e os materiais utilizados.
O que será apresentado é o resultado de um longo período de estudo e testes necessários para a o entendimento dos conceitos envolvidos em cada uma das metodologias.
Apresentaremos em forma de tópicos, onde cada um contém uma breve descrição de uma metodologia específica.
3.2. As Imagens
Foram utilizadas imagens de pacientes com Esclerose Múltipla e Doença de Alzheimer, já adquiridas para seguimento clínico, bem como de controles voluntários normais recrutados na comunidade, em trabalhos anteriores, sem vínculo de trabalho ou subordinação com os investigadores. As imagens estão arquivadas em banco de dados do laboratório do Centro de Ciências das Imagens e Física Médica da FMRP-USP.
3.3. Avaliação do Software MRICRO como método
semi-automático de Segmentação para quantificação de
Atrofia
O MRICRO é um software livre que possui ferramentas para processamento, análise e visualização de imagens. Este permite que usuários dos sistemas operacionais Windows e Linux façam uso de seus serviços. É um programa autônomo. Permite que os
neurologistas identifiquem regiões de interesse (por exemplo, regiões lesionadas). O método de segmentação para as estruturas em questão é baseado no histograma da imagem analisada [21].
Inicialmente foi necessária a preparação de uma máquina, um computador Pentium 4, processador Intel, 512 MB de RAM e com sistema operacional Windows XP, disponibilizado pelo laboratório do Centro de Ciências das Imagens e Física Médica da FMRP-USP, onde foi instalado O software MRICRO e todas as outras ferramentas necessárias para esta etapa.
Com base no estudo dos métodos e ferramentas foi definido um organograma que será descrito no decorrer desta seção.
Foram utilizadas imagens de Ressonância Magnética, mais especificamente séries do tipo T1 com cortes de 1 e 5 milímetros, de 10 pacientes com Esclerose Múltipla, já adquiridas para seguimento clínico, bem como de 10 controles voluntários normais recrutados na comunidade, em trabalhos anteriores, sem vínculo de trabalho ou subordinação com os investigadores. Estas imagens foram devidamente selecionadas de forma a garantir o pareamento das amostras (pacientes versus controles) e que tanto pacientes como controles tivessem mais de um exame em intervalos de tempo de 1 ou 2 anos.
Como pré-processamento fez-se necessária a separação do tecido cerebral do não cerebral para evitar que pixels das regiões não pertencentes ao encéfalo falseassem os resultados. Para este propósito foi utilizada a ferramenta BET (Brain Extration Tool), uma ferramenta totalmente automática, que utiliza um modelo moldável que se ajusta ao cérebro para então determinar as fronteiras do tecido cerebral [22]. É muito rápido (a segmentação feita em menos de 1 minuto) e não requer nenhum co-registro ou outro
pré-processamento antes de ser aplicado. Esta ferramenta encontra-se disponível no software MRICRO [22]. O resultado desta etapa é demonstrado na figura 1.
(a) (b)
Figura 1: (a) Imagem original. b) Imagem resultante da extração do tecido não extra-cerebral.
Além da etapa anterior foi feito o co-registro entre exames de um mesmo paciente ao longo do tempo para evitar problemas de volume parcial. Para esta etapa utilizou-se o software SPM (Statistical Parametric Mapping), que se trata de um conjunto de funções e sub-rotinas do MATLAB [23].
A definição dos valores limiares para segmentar o volume total, líquido cefalorraquiano, substância cinzenta e substância branca foram feitos a partir da análise das imagens e seus respectivos histogramas por um neuroradiologista.
As estruturas foram segmentadas e os valores de volume, fornecidos pelo software, foram inseridos em planilhas e analisados com o auxilio do software MINITAB, executando testes de decisão estatística t-student para amostras pareadas e independentes conforme o caso. Um exemplo dos resultados da segmentação das estruturas pode ser contemplado através da figura 2.
(a) (b)
(c) (d)
Figura 2: (a) volume intracraniano total. (b) Líqüido cefalorraquiano. (c) Substância Cinzenta. (d) Substância Branca.
3.4. Análise da ferramenta automática de segmentação
Classifier
O CLASSIFIER é um script para segmentação, totalmente automático, que utiliza as ferramentas MINC como base para execução de sua tarefa. As ferramentas MINC são um conjunto de ferramentas e de bibliotecas, desenvolvidas no Instituto Neurológico de Montreal na Universidade de McGill, para processamento de imagem no formato proprietário MINC. Seu método se segmentação é baseado na uniformidade na do sinal dos tecidos. Utiliza como método de classificação dos pixels um classificador Bayesiano. O Classifier é um software proprietário que foi gentilmente cedido por seus idealizadores do Instituto Neurológico de Montreal para que este possa ser avaliado neste estudo.
Inicialmente foi necessária a preparação de uma máquina específica, um computador Apple Macintosh G4, disponibilizado pelo laboratório do Centro de Ciências
das Imagens e Física Médica da FMRP-USP, onde foi instalado todo o pacote MINC incluindo o Classifier.
Foram utilizadas imagens de Ressonância Magnética, mais especificamente séries do tipo T1 e T2 ambas com cortes de cinco milímetros (utilizadas por exigência do software avaliado) de pacientes com Esclerose Múltipla, já adquiridas para seguimento clínico, bem como de controles voluntários normais recrutados na comunidade, em trabalhos anteriores. Estas imagens foram devidamente selecionadas de forma a garantir o pareamento das amostras (pacientes versus controles) e que tanto pacientes como controles tivessem em seus protocolos de estudo as séries necessárias.
Com base no estudo da ferramenta foi da estabelecido um organograma de processamento a ser seguido no decorrer do desenvolvimento desta fase do estudo e que será detalhado adiante.
A intensidade do sinal medida a partir dos tecidos raramente é uniforme. Esta não uniformidade da intensidade é atribuída a não uniformidade na distribuição do campo magnético gerado pela bobina de radiofreqüência (RF), as correntes parasitas ou correntes de Eddy e quanto à anatomia do paciente tanto dentro e como fora do campo de visão. Embora estes 10 ou 20% de variação da intensidade de sinal tenham pouco impacto no diagnóstico visual, o desempenho das técnicas automáticas da segmentação que supõem a homogeneidade da intensidade dentro de cada classe pode ser significativamente prejudicado [25]. Este é o caso do Classifier, portanto para evitar problemas com a não uniformidade do sinal fez-se necessária a utilização do script NU_CORRECT como parte do pré-processamento. O NU_CORRECT é uma ferramenta MINC, mais especificamente um script em Perl, que calcula um conjunto de aproximações para corrigir a não uniformidade da intensidade do sinal em imagens de MRI. Descrito como o Non-parametric Non-uniform intensity Normalization (N3), o método é independente da
seqüência do pulso e insensível aos dados patológicos que poderiam, de outra maneira, violar as suposições modelo[26].
Além da etapa descrita anteriormente o co-registro entre exames de um mesmo paciente ao longo do tempo fez-se necessário para evitar problemas de volume parcial. Para esta tarefa será utilizado o software mincresample que se trata de um script que está incluso no pacote das ferramentas MINC [27].
Para o pré-processamento e processamento das imagens criou-se um script denominado Process_classifier, em linguagem Perl para automatizar estas duas etapas. Após o processamento foi necessário criar um módulo para extração dos volumes denominado Classifier_Volumetric, em linguagem Perl, que extrai a partir do label gerado pelo classifier o volume intra-craniano, o volume cerebral, volume das lesões em T1, o volume cerebral, volume das lesões em T2, volumes de líqüido cefalorraquiano, substância cinzenta e substancia branca.
As estruturas foram segmentadas e os valores de volume, fornecidos pelo software, foram inseridos em planilhas e analisados com o auxilio do software MINITAB, executando testes de decisão estatística t-student para amostras pareadas e independentes conforme o caso, os resultados estatísticos encontram-se no apêndice B. Um exemplo dos resultados da segmentação das estruturas pode ser contemplado através da figura 3.
(a) (b) (c)
Figura 3: Exemplo do resultado da segmentação utilizando o software Classifier. (a) Imagem Original do tipo T1. (b) Segmentação utilizando o Classifier utilizando a imagem (a). (c) Co-registro entre a
imagem original e o resultado da segmentação.
3.4. Elaboração de uma ferramenta para quantificação de
atrofia
A terceira ferramenta a ser avaliada foi desenvolvida ao longo do projeto, para isto, foi feito uso do software ImageJ e a linguagem de programação usada será JAVA. Esta ferramenta fornece o volume cerebral: total, do líqüido cefalorraquiano, substância branca e da substância cinzenta.
Para chegar numa ferramenta que atenda as características definidas testamos duas abordagens detalhadas a seguir.
3.4.1. Abordagem utilizando o Algoritmo Watershed
Inicialmente pensou-se na utilização do algoritmo de Watershed para segmentação da caixa craniana. Abaixo detalharemos a experiência usando esta técnica.
Com base no estudo das metodologias e ferramenta foi possível estabelecer um algoritmo para extração do tecido cerebral do não-cerebral para parte do pré-processamento. Este algoritmo baseia-se na aplicação de filtros e por último na aplicação do algoritmo Watershed.
A seguir temos o detalhamento das 4 etapas do algoritmo.
1ª etapa: Aplicação do filtro anisotrópico
O efeito visual de um filtro anisotrópico é o de suavização da imagem e a redução do número de níveis de cinza. As altas freqüências, que correspondem às transições abruptas são atenuadas. A suavização tende a minimizar ruídos e apresenta o efeito de borramento da imagem. A figura 4 mostra o resultado da aplicação do filtro [28].
(a) (b)
Estes filtros são conhecidos por filtros de média, pois obtêm a média entre pontos vizinhos, deixando a imagem com menos detalhes. A não utilização deste filtro leva a uma supersegmentação por parte do algoritmo Watershed.
2ª etapa: Aplicação do filtro Gradiente
O operador gradiente é comumente utilizado para detecção de contornos. De forma geral, a resposta do gradiente é a informação diferencial dos dados. Os gradientes de imagens discretas podem ser calculados a partir dos operadores lineares de convolução, tais como operadores de Sobel, Prewitt ou Kirsch, entre outros [28]. Na figura 5 é possível observar o resultado da aplicação deste filtro.
Figura 5: Resultado do Filtro Gradiente
3ª etapa: Aplicação do filtro smooth
Os filtros (máscaras) de suavização são usados para a redução do ruído e por este motivo diminuem a nitidez da imagem, possibilitando que somente detalhes mais grosseiros fiquem evidentes.
Figura 6: Resultado da aplicação do Filtro Smooth
4 ª etapa: Aplicação do Algoritmo Watershed
O último passo do paradigma consiste na aplicação do operador Watershed sobre a imagem resultante da etapa anterior. O resultado será uma imagem com o limite cerebral definido.
O operador Watershed (ou linha de partição de águas) é uma das ferramentas de segmentação de imagens mais eficientes e utilizadas dentro da morfologia matemática, pois apresenta considerável desempenho em relação às outras abordagens [29].
A idéia básica do operador Watershed pode ser exemplificada através da seguinte analogia. Uma imagem em níveis de cinza pode ser vista como uma superfície cujos pontos têm altitudes relativas aos valores dos pixels. Quanto maior o valor do nível de cinza correspondente, maior a altitude. Como as bordas dos objetos já foram ressaltadas pelo operador gradiente, a superfície seria formada de vales e bacias. Ainda, pode-se imaginar que essa superfície é imersa em água, a partir dos pontos mais baixos. Conforme o nível de água nas bacias e vales aumenta, as águas dessas bacias transbordam e tocam
aquelas provenientes de outras bacias. Nesse ponto, são construídas barragens para evitar a união dessas águas, daí o nome de "linha de partição de águas" [29].
Esse processo pode ser representado matematicamente através de operadores morfológicos.
Figura 7: Resultado da aplicação do Watershed. A linha vermelha delimita a região cerebral.
A comparação da segmentação alcançada com técnicas já existentes no mercado, como a ferramenta BET, e a dificuldade de melhorar o tempo de pré-processamento levaram a busca por outra técnica que suprisse as necessidades do problema.
3.4.2. Abordagem utilizando o Algoritmo Snake e Entropia Máxima
Com base em pesquisas realizadas optou-se por experimentar o algoritmo Snake ou Modelo de contorno Ativo para extração da caixa craniana e o algoritmo de entropia Máxima para segmentação dos tecidos. Neste tópico detalharemos o estudo realizado e o algoritmo desenvolvido.
1ª etapa: Segmentação da caixa craniana Para esta etapa foi utilizado o algoritmo Snake.
Snake é um tipo particular de contorno ativo no qual uma curva inicial é deformada em direção à borda pela ação de forças internas e externas a ela [30].
Contornos Ativos fazem uso de informações locais sobre um contorno. Seu uso é indicado quando não temos informação precisa da geometria das bordas dos objetos [30].
O Snake usa o modelo paramétrico que consiste de uma curva elástica que pode adequar-se dinamicamente a formas de objetos em resposta a forças internas (forças elásticas) e forças externas (forças da imagem e restrições). Estas forças podem ser determinadas em função de um processo de minimização global ou equivalentemente, considerar que elas se baseiam apenas em informação local [30].
O uso de Snakes corresponde a uma vigorosa técnica de segmentação de imagens. Oferecem um único e poderoso método de análise de imagens que mistura geometria, física e teoria de aproximação [30].
Para realizarmos a segmentação da caixa craniana foi necessário seguir os seguintes passos:
1) Uso de um filtro anisotrópico
O efeito visual de um filtro anisotrópico é o de suavização da imagem e a redução do número de níveis de cinza. As altas freqüências, que correspondem às transições abruptas são atenuadas. A suavização tende a minimizar ruídos e apresenta o efeito de borramento da imagem. A figura a baixo mostra o resultado da aplicação do filtro [28].
(a) (b)
Figura 8: Resultado do Filtro Anisotrópico. (a) Imagem original. (b) Pós-aplicação do filtro
Estes filtros são conhecidos por filtros de média, pois obtêm a média entre pontos vizinhos, deixando a imagem com menos detalhes.
2) Limiarização
A limiarização consiste na identificação, em uma imagem, de um limiar de intensidade em que o objeto melhor se distinga do fundo [31].
Para tanto se utilizou o método autoThreshold da classe ImageProcessor que converte a imagem para uma imagem binária utilizando um método automático de Threshold.
(a) (b)
Figura 9: Resultado da limiarização. (a) Imagem resultante do Filtro Anisotrópico. (b) Imagem limiarizada.
3) Aplicação do algoritmo Snake
A este algoritmo necessita de ser inicializado através de um objeto da classe ROI. Depois de vários testes a melhor figura para inicialização foi um círculo centrado no centro de massa da imagem. Seu raio varia de acordo com o corte representado pela imagem.
O ROI é deformado até chegar à borda do encéfalo.
(a) (b)
4) Máscara e a finalização da segmentação
A partir da detecção da borda do encéfalo uma mascara para segmentação é criada como mostra a figura 11.
Figura 11: Máscara.
Para finalizar a segmentação aplica-se uma operação AND entre a máscara e a imagem original. O resultado será uma imagem com o fundo preto e o encéfalo segmentado.
(a) (b)
Figura 12: Resultado da extração da caixa craniana. (a) Imagem Original. (b) Imagem sem a caixa craniana.
2ª etapa: Segmentação dos tecidos cerebrais (Substância Branca, Substância cinzenta e líqüido cefalorraquiano)
Para esta etapa utilizou-se um algoritmo baseado na Entropia Máxima.
A entropia é freqüentemente utilizada para indicar a quantidade de informação contida em uma determinada fonte. Mas também é utilizada para graduar a desordem (incerteza) de um conjunto de dados [31].
No processamento de imagens considera-se a imagem como resultado de um processo aleatório, a probabilidade pi na equação abaixo corresponde à probabilidade de um pixel em uma imagem digital assumir um valor de intensidade i (i=1,..,G). O histograma dos níveis de intensidade da imagem se transforma facilmente na função densidade de probabilidade da imagem, apenas dividindo cada número de pixels de intensidade i, gi, pelo número de pixels na imagem, N [31].
Sendo:
i g é a quantidade de pixels com intensidade i .
G é o número de níveis de cinza na imagem (ou no canal).
i p representa a probabilidade do nível de cinza i ser encontrado na imagem. N é a quantidade total de pixels da imagem (altura x largura).
H é a entropia da imagem.
Porém a entropia de uma imagem é uma medida não negativa e seu resultado A entropia máxima ocorre quando uma imagem contém a mesma quantidade de pixels para todas as intensidades, isto é, todas as intensidades têm a mesma probabilidade de ocorrerem [31].
O algoritmo utilizado é baseado na teoria de entropia proposto por KAPUR PUN. Pelo algoritmo de Pun, a entropia associada aos pixels pretos, Hb, e a entropia associada aos pixels brancos, Hw, são delimitadas pelo valor de corte t. O algoritmo sugere que t seja tal que maximize a função H = Hb + Hw. No caso, Hb e Hw são determinados por: Hb= - somatório de 0 ate t de p [i] *log(p [i]) e Hw = - somatório de t+1 ate 255 de p [i] *log(p [i]). Onde p[i] é a probabilidade do pixel i de cor[i] na imagem e o logaritmo é tomado com base 256, no caso [31].
A partir do valor de entropia máxima encontrado a imagem é limiarizada utilizando o método threshold da classe ImageProcessor.
A primeira estrutura segmentada através desse processo é o líqüido cefalorraquiano que logo após é subtraído da imagem original. A imagem sem o líqüido cefalorraquiano é submetida novamente ao algoritmo de entropia máxima que extrai a substância cinzenta. Uma vez subtraída a substância cinzenta temos a substância branca. A figura 12 mostra um exemplo de segmentação baseada nesta técnica.
Figura 13: Exemplo de segmentação usando Entropia Máxima. Em azul está o líqüor, em branco está a substância cinzenta e em vermelho a substância branca.
3.5. Considerações Finais
Nos itens acima foi feita uma breve descrição do que foi feito no decorrer deste ano, destacando toda a parte teórica das metodologias utilizadas em cada uma das etapas do projeto.
O período de tempo correspondente a este documento foi de bastante estudo, adaptações metodológicas e físicas (hardware), o que permitiu avaliar cada metodologia, descobrindo suas vantagens e desvantagens práticas.
Uma vez definidas as metodologias os problemas foram sanados e as qualidades de cada método foram levadas em consideração para garantir um alto desempenho e conseqüentemente bons resultados do produto final deste estudo.
CAPÍTULO 4: Resultados Finais
4.1. Considerações Iniciais
O objetivo central deste capítulo é apresentar os resultados finais do desenvolvimento do trabalho.
O que será apresentado é o resultado alcançado a partir da aplicação das metodologias e conceitos descritos no capítulo anterior.
Este capítulo está dividido em tópicos, onde cada tópico contem uma breve descrição dos resultados da aplicação de uma metodologia específica.
4.2. Análise da Ferramenta MRICRO
Neste trabalho analisou-se a sensibilidade para diferenciar as estruturas mencionadas usando imagens do tipo T1 com espessuras de corte de 1 e 5 milímetros. O uso desses tipos de imagens no cálculo dos volumes total e do líqüido cefalorraquiano não mostrou diferenças estatisticamente significativas. Já quanto ao cálculo do volume da substância cinzenta e substância branca foram encontradas diferenças entre médias das duas populações. Este resultado se deve a diferença na espessura dos cortes, onde no MPR têm-se cortes de um mm e no MTOFF têm-têm-se cortes de cinco mm. O gráfico 1 mostra as diferenças encontradas .
Comparação MTOFF X MPR 0 200 400 600 800 1000 1200 1400 1600 VOLUME TOTAL VOLUME LIQUOR VOLUME DA MASSA CINZENTA VOLUME DA MASSA BRANCA Estrutura v o lu m e e m c m ³ MTOFF MPR
Gráfico 1: Comparação MTOFF x MPR.
Foi avaliada também a sensibilidade a variações de volume destas estruturas em pacientes de Esclerose Múltipla ao longo do tempo. Nos testes realizados a ferramenta mostrou-se sensível para detectar a não variação do volume total ao longo do tempo além do aumento do líqüido cefalorraquiano, como é amplamente relatado na literatura [24]. Porém não foi capaz de detectar diferenças quanto a substância cinzenta e a substância branca nos intervalos de tempo de 1 e 2 anos. O gráfico 2 ilustra a evolução, ao longo do tempo, do volume de líqüido cefalorraquiano para a amostra de pacientes.
Ev olução v olume de Líquido Ce falorraquiano 300 350 400 450 500 550 600 650 700
exame1 exam e2 exame3 intervalo de 1 ano entre exames
v o lu m e (c m ³) paciente 1 paciente 2 paciente 3 paciente 4 paciente 5 paciente 6 paciente 7 paciente 8 paciente 9 paciente 10
Gráfico 2: Evolução do volume de líqüido cefalorraquiano ao longo do tempo para a amostra.
Por último uma comparação entre voluntários saudáveis e pacientes foi estabelecida. O software foi capaz de detectar diferenças entre os pacientes normais e portadores de Esclerose Múltipla quanto à substância branca e líqüido cefalorraquiano, porém quanto a substância cinzenta não mostrou variações quando analisadas as médias das duas populações. O gráfico 3 ilustra um dos resultados desta comparação, onde se observa que existe uma diferença estatisticamente significativa entre as médias das populações.
D
a
d
o
s
Percentagem de licor dos pacientes doentes Percentagem de licor dos controle
35
30
25
20
15
Plotagem Individual de Valores
para Porcentagem de Licor em Controles versus Pacientes Doentes
Gráfico 3: Comparação entre Pacientes portadores de Esclerose Múltipla e Controles em relação ao líqüido cefalorraquiano.
Em anexo encontra-se um relatório detalhado com os resultados dos testes estatísticos aplicados aos resultados da alcançados com o método.
Os resultados demonstrados nesta seção foram expostos no XI Congresso de Física Médica de 14/06/2006 à 17/06/2006 na Cidade de Ribeirão Preto. O título do trabalho: Avaliação do Software Mricro como Método Semi-Automático para Segmentação de Estruturas Anatômicas em Imagens de Ressonância Magnética para Quantificação de Atrofia Cerebral.
4.3. Análise da ferramenta automática de segmentação
Classifier
Em resultados preliminares o software mostrou um bom desempenho quanto a qualidade da segmentação observada, não tendo problemas com regiões preocupantes e muito comuns em outras metodologias como a região do globo ocular que freqüentemente
não é bem extraída. A figura 14 ilustra uma comparação entre a segmentação feita no MRICRO e a segmentação feita pelo CLASSIFIER.
(a) (b)
Figura 14: Comparação quanto a qualidade de segmentação. (a) Resultado do Classifier. (b) Resultado do MRICRO.
Mesmo apresentando bons resultados o mesmo o software não considera regiões inferiores do encéfalo como o cerebelo e as exclui da classificação. Portanto não é indicado para avaliação de patologias neurodegenerativas que se manifestem nestas regiões. A figura a seguir ilustra as regiões desconsideradas pelo software.
(a) (b) (c)
Figura 15: O Classifier somente leva em consideração o cérebro em sua análise. (a) Visualização em um corte axial do cerebelo. (b) Visualização do encéfalo em um plano sagital. (c) Visualização do
Os resultados das análises estatísticas mostraram resultados extremamente animadores. Testes t-student para amostras pareadas mostraram que não existem diferenças estatisticamente satisfatórias entre a segmentação manual e a segmentação realizada com o classifier.
O gráfico 4 mostra a diferença entre as médias da população quanto ao volume cerebral. Como é possível observar a média da população segmentada automaticamente usando a ferramenta em questão apresenta-se dentro do intervalo de aceitação, provando que não existem diferenças estatisticamente satisfatórias entre as metodologias comparadas.
Gráfico 4: Histograma mostrando a diferença entre as médias da segmentação manual e a segmentação com o classifier quanto ao volume cerebral.
O gráfico 5 mostra a diferença entre as médias da população quanto ao volume intracraniano. Observa-se que a média da população segmentada automaticamente usando a ferramenta em questão apresenta-se dentro do intervalo de aceitação, provando que não existem diferenças estatisticamente satisfatórias entre as metodologias comparadas.
Differences Fr e q u e n c y 200 100 0 -100 4 3 2 1 0 _ X Ho Histogram of Differences
Gráfico 5: Histograma mostrando a diferença entre as médias da segmentação manual e a segmentação com o classifier quanto ao volume intracraniano.
O gráfico 6 faz uma comparação entre as médias da população quanto ao volume de líqüido cefalorraquiano. Nele observa-se que a média da população segmentada automaticamente usando a ferramenta em questão apresenta-se dentro do intervalo de aceitação, provando que não existem diferenças estatisticamente satisfatórias entre as metodologias comparadas.
Gráfico 6: Histograma mostrando a diferença entre as médias da segmentação manual e a segmentação com o classifier quanto ao volume de líqüido cefalorraquiano.
CLASSIFIER Fr e q u e n c y 350 300 250 200 150 5 4 3 2 1 0 _ X H o Histogram of CLASSIFIER
(with Ho and 95% t-confidence interval for the mean)
Differences Fr e q u e n c y 300 200 100 0 -100 3,0 2,5 2,0 1,5 1,0 0,5 0,0 -0,5 _ X Ho Histogram of Differences
No gráfico 7 é possível observar as diferenças entre as médias da população quanto ao volume de substância cinzenta. Nele observa-se que a média da população segmentada automaticamente usando a ferramenta em questão apresenta-se dentro do intervalo de aceitação, provando que não existem diferenças estatisticamente satisfatórias entre as metodologias comparadas.
Gráfico 7: Histograma mostrando a diferença entre as médias da segmentação manual e a segmentação com o classifier quanto ao volume de substância cinzenta.
No gráfico 8 é possível observar as diferenças entre as médias da população quanto ao volume de substância branca. Nele observa-se que a média da população segmentada automaticamente usando a ferramenta em questão apresenta-se dentro do intervalo de aceitação, provando que não existem diferenças estatisticamente satisfatórias entre as metodologias comparadas. CLASSIFIER Fr e q u e n c y 440 420 400 380 360 340 320 300 5 4 3 2 1 0 _ X Ho Histogram of CLASSIFIER
Gráfico 8: Histograma mostrando a diferença entre as médias da segmentação manual e a segmentação com o classifier quanto ao volume de substância branca.
Em anexo encontra-se um relatório detalhado com os resultados dos testes estatísticos aplicados aos resultados da alcançados com o método.
4.4. Elaboração de uma ferramenta para quantificação de
atrofia
Os primeiros resultados do algoritmo baseado em Watershed mostraram que este apresentava problemas que dificultaram sua utilização nesta aplicação. Dentre estes problemas destaca-se o fato de não ter segmentado bem a região do cerebelo. Na tentativa de se corrigir e melhorar a segmentação culminou em um pré-processamento muito longo e custoso computacionalmente.
Embora com alguns problemas foi possível observar resultados interessantes. CLASSIFIER Fr e q u e n c y 600 550 500 450 400 350 300 8 7 6 5 4 3 2 1 0 -1 _ X Ho Histogram of CLASSIFIER
A maioria dos algoritmos de extração do tecido cerebral do não cerebral deixa a desejar em regiões específicas como a região dos olhos e por vezes sofrem o efeito do ruído da imagem prejudicando o resultado final.
A figura 16 faz uma comparação entre o resultado da ferramenta BET, baseada em um modelo moldável, e da ferramenta baseada no algoritmo Watershed. É importante observar o melhor desempenho da ferramenta desenvolvida com relação à região do globo ocular.
(a) (b)
Figura 16 : Comparação entre a ferramenta BET e o algoritmo baseado em Watershed. (a) Resultado da ferramenta BET (b) Resultado da ferramenta baseada em Watershed.
O algoritmo em questão é independente da seqüência de pulso e insensível a não uniformidade do sinal da imagem que poderiam, de outra maneira, enviesar os resultados.
A figura 17 ilustra alguns resultados. A linha vermelha limita as bordas determinadas pelo algoritmo Watershed.
(a) (b) (c)
Figura 17: Resultados alcançados com o algoritmo elaborado. (a) Plano sagital (b) e (c) Plano axial.
Deste modo optou-se por trabalhar com os algoritmos Snake e o da Entropia Máxima.
O resultado foi um plugin para o software ImageJ capaz de segmentar os tecidos de interesse e retornar seus volumes para posterior análise.
Foi avaliada a sensibilidade a variações de volume destas estruturas em pacientes de Esclerose Múltipla ao longo do tempo.
As análises estatísticas demonstraram que esta ferramenta é excelente para cálculo de volume intracraniano. O gráfico 9 mostra uma comparação entre alguns dos pacientes da amostra. É possível observar que existe uma variação uma pequena variação do volume ao longo do tempo, porém esta variação é estatisticamente insignificante como mostram as análises em anexo.
Gráfico 9: Gráfico ilustrando a variação do volume total ao longo do tempo.
Podemos então concluir que esta ferramenta mostrou-se sensível o bastante para detectar a não variação do volume total ao longo do tempo além da diminuição da substância branca, como é amplamente relatado na literatura [24]. Porém não foi capaz de detectar diferenças quanto a substância cinzenta e o líqüido cefalorraquiano nos intervalos de tempo de 1 e 2 anos. O gráfico 10 ilustra a evolução, ao longo do tempo, do volume de substância branca para a amostra de pacientes.
Comparação Volume total 1 ano
0 200 400 600 800 1000 1200 1400 1600 1800 2000 1 2 3 4 5 6 7 8 pacientes v o lu m e s ( c m 3 )
Gráfico 10: Gráfico ilustrando a variação do volume de substância branca ao longo do tempo.
Em anexo encontra-se um relatório detalhado com os resultados dos testes estatísticos aplicados aos resultados da alcançados com o método.
4.5. Considerações Finais
Nos itens acima foi feita uma breve descrição dos resultados alcançados a partir das metodologias definidas no capítulo anterior.
Os resultados apresentados são válidos e conclusivos. Foram apresentados gráficos e análises estatísticas que comprovam a veracidade do que foi mostrado ao longo deste capítulo.
A partir destas análises serão apresentadas as conclusões deste trabalho.
Volume de Massa Branca ao longo de 1 ano
300 400 500 600 700 800 1 2 ano v o lu m e (c m 3 ) Série1 Série2 Série3 Série4 Série5 Série6 Série7
CAPÍTULO 5: Conclusões e justificativas
5.1. Considerações Iniciais
Este capítulo tem como objetivo apresentar as conclusões do trabalho desenvolvido no período de aproximadamente um ano.
Nos tópicos iniciais serão apresentadas conclusões individuais de cada software testado. Por último apresentaremos uma comparação entre os mesmo e a conclusão final deste trabalho.
5.2. Análise da Ferramenta MRICRO
A avaliação inicial do tipo de imagem a ser usada resultou no consenso de que as imagens do tipo MPR produzem melhores resultados que as imagens do tipo MTOFF, muito provavelmente por possuir uma melhor resolução espacial. Em nossas análises o MRIcro mostrou um bom desempenho quanto à segmentação do volume total (p<0,05) e do líqüido cefalorraquiano (p<0,05), sugerindo que este simples software pode ser usado como ferramenta quantitativa neste tipo de avaliação. Embora estas mesmas análises indiquem que o método de segmentação mediante histograma, usando este software, não possui tal eficiência para segmentar substância branca (p>0,05) e cinzenta (p>0,05). Alertamos que o software permite corrigir a segmentação, de forma manual. Desta forma, concluímos que este método é apropriado para detectar atrofia, porém não é indicado para inferir a região (substância branca ou substância cinzenta) afetada.
5.3. Análise da ferramenta automática de segmentação
Classifier
Análises iniciais mostram que este algoritmo é bastante sofisticado e atende aos requisitos de desempenho embora exclua de sua análise as regiões do bulbo e do cerebelo, o que dificulta a análise de algumas patologias com atrofia significativa nestas regiões. É importante salientar que esta desvantagem pode ser superada através do cálculo do volume intracraniano total fornecido pela ferramenta.
Comparações estatísticas (testes t-student para amostras pareadas) mostraram que não existem diferenças significativas entre os resultados do software em questão e os resultados de nosso padrão ouro, a segmentação manual, isto para todas as estruturas segmentadas. O que nos leva a concluir que esta ferramenta é adequada para a atividade proposta neste trabalho.Tal característica não foi alcançada por nenhum dos dois outros softwares avaliados neste trabalho, fazendo com que o Classifier se destaque entre os mesmos.
5.4. Elaboração de uma ferramenta para quantificação de
atrofia
Os primeiros resultados do algoritmo baseado em Watershed mostraram que este apresentava problemas que dificultaram sua utilização nesta aplicação. Dentre estes problemas destaca-se o fato de não ter segmentado bem a região do cerebelo. Na tentativa de se corrigir e melhorar a segmentação culminou em um pré-processamento muito longo e custoso computacionalmente.
Deste modo optou-se por trabalhar com os algoritmos Snake e o da Entropia Máxima.
Embora não tenha apresentado diferenças estatisticamente satisfatórias com o padrão ouro esta ferramenta mostrou-se ser capaz de detectar atrofia cerebral, pois se mostrou invariante quanto ao volume total intracraniano (p<0,05) e conseguiu detectar variações na substância branca de pacientes com Esclerose Múltipla (p<0,05), como é amplamente relatado na literatura.
Porém não apresentou bons resultados para detecção de variações na substância cinzenta e no líqüido cefalorraquiano, acreditamos que este resultado deva-se ao problema de volume parcial o que leva ao software confundir regiões com líqüido cefalorraquiano e de substância cinzenta.
5.5. Comparação entre os softwares
Resultados obtidos dos softwares em questão permitem avaliá-los e compará-los em relação às metas, ao padrão e a outros programas.
Podemos simplificar a definição de desempenho para avaliação de softwares como sendo a freqüência com que este programa produz um resultado considerado correto. Medida desempenho varia de acordo com a problemática em questão [32].
Quando se trabalha com problemas de medição e estimativas a métrica mais indicada é o erro relativo [32].
Neste tópico faremos uma comparação entre os softwares através o Erro Relativo apresentado pelos mesmos.
A tabela 1 mostra a os valores de erro relativo médio para cada uma dos softwares nas diferentes estruturas segmentadas.
Volume total Volume de Líqüido cefalorraquiano Volume de Substância Cinzenta Volume de Substância Branca MRICRO 0,064637 0,445252 0,342986 0,163194 Classifier 0,03474 0,042283 0,027841 0,022738 SCBT 0,125534 0,436281 0,687798 0,159745
Tabela 1 : Erro relativo médio para cada software.
O gráfico 11 mostra uma comparação entre os erros relativos dos softwares.
Comparação dos Erros Relativos Médios
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7
Volume total Volume de Líquor Volume de Substância Cinzenta Volume de Substância Branca Estruturas E rr o R e la ti v o MRICRO Classifier SCBT
Gráfico 11: Gráfico ilustrando a variação do volume de substância branca ao longo do tempo.
Através do gráfico é possível observar que o classifier apresenta os menores valores de erro relativo médio para todas as estruturas segmentadas demonstrando seu alto desempenho para esta aplicação.
O MRICRO e o SCBT, embora não tenham alcançado taxas de erro tão baixas quanto o do Classifier, apresentaram taxas baixas de erro quanto ao volume total e estão bem próximos quando comparadas às taxas do volume de substância branca e de líqüido cefalorraquiano.
5.6. Considerações Finais
Devido ao seu desempenho compatível com o da segmentação manual e suas taxas de erro baixas o classifier é considerado por este trabalho a melhor ferramenta de segmentação. Sendo esta apta a definir se os volumes necessários à detecção de atrofia cerebral. Porem vale a pena ressaltar que esta ferramenta é proprietária e, adicionalmente, não inclui a segmentação das estruturas da fossa posterior (cerebelo e tronco cerebral) no cálculo.
Os demais softwares apresentaram bons resultados, porém não tão bons quando comparados ao classifier, sendo consideradas boas alternativas quando se deseja somente saber se está ocorrendo ou não atrofia nos pacientes em estudo.
CAPÍTULO 6: TRABALHOS FUTUROS
6.1. Considerações Iniciais
O presente capítulo apresenta as sugestões trabalhos futuros identificados no decorrer da elaboração deste trabalho.
6.2. Trabalhos futuros
Durante o desenvolvimento deste trabalho, identificaram-se alguns possíveis trabalhos futuros, dos quais descrevem-se, a seguir, os mais interessantes e relevantes.
1) Quanto ao Classifier
Um trabalho futuro interessante seria o estudo e a utilização dos problemas relacionados com a segmentação do Classifier em relação ao bulbo e do cerebelo. Tentar apontar sugestões de melhorias para expandir a capacidade deste software mantendo sua qualidade de segmentação.
2) Quanto ao SCBT
Para melhor o desempenho desta ferramenta seria interessante utilizar outras metodologias de calculo de entropia, nossa sugestão inicial é utilizar a entropia de Tsallis nunca antes utilizada neste tipo de aplicação.
Outro trabalho interessante seria o estudo da interferência do volume parcial neste tipo de aplicação e definir qual a melhor solução para o problema.
REFERÊNCIAS BIBLIOGRÁFICAS
1. Biblioteca Virtual em Saúde. Disponível em: < http: //www.bvs.br/ > Acesso em: 31 de Março de 2006.
2. Sociedade Paulista de Psiquiatria Clínica Disponível em: <www.sppc.med.br> Acesso em: 19 de fevereiro de 2006.
3. Universidade Federal de Minas Gerais. HC promove simpósio sobre esclerose múltipla. Ed.Minas Gerais, 2005 Disponível em: <http: //www.ufmg.br/online/arquivos/001499.shtml> Acesso em: 31 de março de 2006.
4. Rovaris M, Filippi M (1999) Magnetic resonance techniques to monitor disease evolution and treatment trial outcomes in multiple sclerosis. Curr Opin Neurol 12:337–344
5. DeCarli C, Kaye JA, Horwitz B, Rapoport SI. Critical analysis of the use of computer-assisted transverse axial tomography to study human brain in aging and dementia of the Alzheimer type. Neurology 1990; 40:872–83.
6. Jobst KA, Smith AD, Szatmari M, et al. Detection in life of confirmed Alzheimer’s disease using a simple measurement of medial temporal lobe atrophy by computed tomography. Lancet 1992; 340: 1179–83.
7. Davis PC, Gearing M, Gray L, et al. The CERAD experience, part VIII: neuroimaging-neuropathology correlates of temporal lobe changes in Alzheimer’s disease. Neurology 1995; 45: 178–79.
8. Rusinek H, de Leon MJ, George AE, et al. Alzheimer’s disease: measuring loss of cerebral gray matter with MR imaging. Radiology 1991; 178: 109–14.
9. Losseff NA, Wang L, Lai HM, Yoo DS,Gawne-Cain ML, McDonald WI,Miller DH, Thompson AJ (1996) Progressive cerebral atrophy in multiple sclerosis: a serial MRI study. Brain119:2009–2019
10. Losseff NA, Webb SL, O’Riordan JI, Page R, Wang L, Barker GJ, Tofts PS, McDonald WI, Miller DH, Thompson AJ (1996) Spinal cord atrophy and
disability in multiple sclerosis: a new reproducible and sensitive MRI method with potential to monitor disease progression. Brain 119:701–708
11. Phillips MD, Grossman RI, Miki Y, Wei L, Kolson DL, van Buchem MA, Polansky M, McGowan JC, UdupaJK (1998) Comparison of T2 lesion volume and magnetization transfer ratio histogram analysis and of atrophy and measures of lesion burden in patients with multiple sclerosis. AJNR Am J Neuroradiol 19:1055–1060
12. Edwards SG, Gong QY, Liu C, Zvartau ME, Jaspan T, Roberts N, Blumhardt LD (1999) Infratentorial atrophy on magnetic resonance imaging and disability in multiple sclerosis. Brain 122:291–301
13. Liu C, Edwards S, Gong Q, Roberts N, Blumhardt LD (1999) Three dimensional MRI estimates of brain and spinal cord atrophy in multiple sclerosis. J Neurol Neurosurg Psychiatry 66:323–330
14. Ge Y, Grossman RI, Udupa JK, Babb JS, Nyul LG, Kolson DL (2001) Brain atrophy in relapsing-remitting multiple sclerosis: fractional volumetric analysis of gray matter and white matter.Radiology 220:606–610
15. Chard DT, Griffin CM, Parker GJ, Kapoor R, Thompson AJ, Miller DH (2002) Brain atrophy in clinically early relapsing-remitting multiple sclerosis. Brain 125:327–337
16. Lukas, C., Hahn, H.K., Bellenberg, B., et al.: Sensitivity and reproducibility of a new fast 3D segmentation technique for clinical MR based brain volumetry in multiple sclerosis. Neuroradiology (2004) in print
17. Rudick, R.A., Fisher, E., Lee, J.C., et al.: Use of the brain parenchymal fraction to measure whole brain atrophy in relapsing-remitting MS. Neurology 53 (1999) 1698–1704
18. De Stefano, N., Matthews, P.M., Filippi, M., et al.: Evidence of early cortical atrophy in MS: Relevance to white matter changes and disability. Neurology 60 (2003) 1157–1162
19. Fox, N.C., Freeborough, P.A., Rossor, M.N.: Visualisation and quantification of rates of atrophy in Alzheimer’s disease. Lancet 348 (1996) 94–97
20. Brunetti, A., Postiglione, A., Tedeschi, E., et al.: Measurement of global brain atrophy in Alzheimer’s disease with unsupervised segmentation of spin-echo MRI studies. J Magn Reson Imaging 11 (2000) 260–266.
21. MRIcro 1.39, Chris Rorden, 1999-2005. Disponível livre em: http://www.sph.sc.edu/comd/rorden/mricro.html. Acesso em: 09 de junho de 2006.
22. Página oficial da ferramenta BET. Disponível em: <http://www.fmrib.ox.ac.uk/analysis/research/bet/> Acesso em: 26 de maio de 2006.
23. Página oficial do software SPM. Disponível em: <
http://www.fil.ion.ucl.ac.uk/spm/ > Acesso em: 26 de maio de 2006.
24. Miller DH, Barkhof F, Frank JA, et al. Measurement of atrophy in multiple sclerosis: pathological basis, methodological aspects and clinical relevance.Brain
25. John G. Sled, Alex P. Zijdenbos, Member, IEEE, and Alan C. Evans. A Nonparametric Method for Automatic Correction of Intensity Nonuniformity in MRI Data
26. Site da ferramenta NU_CORRECT. Disponível em: < http://wiki.bic.mni.mcgill.ca/index.php/N3 > Acesso em: 11 de junho de 2006.
27. Site da ferramenta no Mincresample. Disponível em: <http://wiki.bic.mni.mcgill.ca/index.php/MincresampleManPage> Acessado em: 11 de junho de 2006.
28. Gonzales and Wintz - Digital image Processing - Third Edition, Addison Wesley, 1992.
29. Site do IME .Disponível em : <http://www.ime.usp.br/~abvg/rfinal/node10.html> Acessado em : 11 de junho de 2006.
31. Fabrício martins Lopes, Um Modelo Perceptivo De Limiarização De Imagens Digitais
32. Joaquim César Felipe, Desempenho das Técnicas de Análise de Imagens.
APÊNDICE A: Análise Estatística dos Resultados Alcançados
com o software MRICRO
Análise para os pacientes controles
Objetivo: Comparar as imagens MTOFF e MPR
Volume total
Ho: não existem diferenças entre MTOFF e MPR. Ha: existe diferença entre os exames MTOFF e MPR
Resultado do teste t-student para amostras pareadas (usando minitab)
Paired T-Test and CI: mtoff; mpr
Paired T for mtoff - mpr
N Mean StDev SE Mean mtoff 10 1548,66 130,95 41,41 mpr 10 1510,69 164,14 51,91 Difference 10 37,9700 135,0059 42,6926 95% CI for mean difference: (-58,6074; 134,5474)
T-Test of mean difference = 0 (vs not = 0): T-Value = 0,89 P-Value = 0,397
Differences Fr e q u e n c y 320 240 160 80 0 -80 -160 3,0 2,5 2,0 1,5 1,0 0,5 0,0 -0,5 X _ Ho Histogram of Differences
(with Ho and 95% t-confidence interval for the mean)
ANÁLISE: Através do resultado obtido podemos provar que não existem diferenças entre MTOFF e MPR com um nível de significância de 95%.
