Desenvolvimento de um Sistema Semi-Automático para a Segmentação de
Estruturas Cerebrais em Imagens de Ressonância Magnética
Jane Maryam Rondina
1, Fernando Cendes
2, Roberto de Alencar Lotufo
31,2 Grupo de Neuroimagem, Departamento de Neurologia, Faculdade de Ciências Médicas (FCM),
Universidade Estadual de Campinas (UNICAMP), Brasil
3 Departamento de Computação e Automação (DCA), Faculdade de Engenharia Elétrica e Computação (FEEC),
Universidade Estadual de Campinas (UNICAMP), Brasil
Resumo – Este artigo apresenta características de um sistema semi-automático em desenvolvimento para
visualização e segmentação de imagens cerebrais obtidas por Ressonância Magnética Nuclear. O objetivo deste empreendimento é proporcionar a profissionais da área de Neurociências uma ferramenta computacional que possa auxiliar o processo de quantificação do volume de estruturas de interesse, importante etapa preliminar ao processo de obtenção de diagnósticos e à realização de estudos comparativos. Para esta finalidade têm sido aplicados conceitos de processamento e análise de imagens no campo da Morfologia Matemática (MM) utilizando o método Watershed como principal abordagem de segmentação. Conceitos de projeto de sistemas têm sido aplicados no contexto de uma arquitetura dual que envolve uma biblioteca de funções básicas de manipulação de imagens por MM e a implementação da interface gráfica. Este texto apresenta métodos utilizados na segmentação, características de implementação, metodologia de validação, principais recursos desenvolvidos até o momento bem como exemplos de imagens segmentadas pela ferramenta proposta e discussão da adequação do método a estruturas específicas. Ao final do artigo são brevemente discutidas algumas linhas de implementação visando à automatização completa da segmentação de determinadas estruturas. Este projeto tem sido desenvolvido em um ambiente multidisciplinar envolvendo profissionais das áreas médica e tecnológica.
Palavras-chave: Segmentação semi-automática, Neuroimagem, Ressonância Magnética, Watershed.
Abstract – This work presents a semi-automatic system under development for visualization and segmentation
of cerebral images acquired by Nuclear Magnetic Resonance. The purpose of this project is providing a computational tool to Neuroscience professionals, aiming to assist the process of volume quantification in structures of interest, important preliminary stage to diagnostic and comparative studies. For this end it has been applied image processing and analysis concepts of the Mathematical Morphology field (MM) using the Watershed method as a principal segmentation approach. It has been applied system project concepts in the context of a dual design involving a toolbox of basic functions to manipulate images using MM and the graphical interface implementation. This text presents methods used in the segmentation, validation methodology, the main recourses developed until now, sample of segmented images using the purposed tool and a discussion of the method adequacy in specific structures. At the end, are briefly discussed some implementation ways aiming a complete automation of determined structures segmentation. This project has been developed in a multidisciplinary ambient involving professionals of medical and technological areas.
Key-words: Semi-automatic segmentation, Neuroimage, Nuclear Magnetic Resonance, Watershed.
Introdução
A utilização de Imagens de Ressonância Magnética (IRM) em aplicações em neurologia tem crescido significativamente nos últimos anos. Através da Ressonância Magnética é possível obter-se imagens em vários planos do corpo humano, permitindo a visualização e análise tridimensional da anatomia das estruturas cerebrais, a partir da qual pode-se extrair importantes informações.
Entretanto, para a quantificação das estruturas em termos de área e volume é necessário um processo prévio de segmentação, visando o particionamento da imagem em regiões significativas para a obtenção de um diagnóstico. Esta etapa é de grande importância, pois o isolamento de determinadas regiões nas imagens permite que estruturas anatômicas sejam reconstruídas e analisadas.
Usualmente, a segmentação de estruturas tem sido realizada manualmente, um processo que
em geral requer um alto consumo de tempo, sendo também bastante susceptível a variações, tendo, portanto, caráter altamente subjetivo.
Em linhas gerais, neste trabalho tem-se como objetivo discutir aspectos relacionados à utilização de técnicas automatizadas de processamento e análise de imagens visando auxiliar o processo de extração de estruturas em imagens cerebrais. Pretende-se apresentar uma visão geral sobre o sistema semi-automático desenvolvido e discutir alguns resultados obtidos até o momento bem como linhas a serem seguidas visando uma maior eficácia na automatização da segmentação de determinadas estruturas.
Metodologia
A metodologia relacionada a este trabalho compreende os métodos de processamento e análise de imagens utilizados, aspectos de projeto e implementação de sistemas e formas de avaliação da ferramenta computacional proposta. A seguir são brevemente discutidos estes tópicos.
a) Morfologia Matemática e o Método Watershed com Marcadores:
As técnicas de processamento e análise de imagens utilizadas neste trabalho estão relacionadas ao campo da Morfologia Matemática (MM), abordagem que focaliza aspectos geométricos e topológicos de regiões de uma imagem. Neste campo, um dos principais métodos de segmentação está relacionado a uma transformação que define a linha divisora de bacias hidrográficas – ou Watershed. Este é o método utilizado no sistema proposto neste trabalho.
Conceitualmente, o funcionamento do método Watershed baseia-se em um princípio físico: considera-se que os mínimos regionais de uma imagem em níveis de cinza (representada como uma superfície topográfica) sejam perfurados e que a superfície seja imersa na água, que penetra regularmente pelas perfurações até que fluxos provenientes de mínimos regionais diferentes possam se unir. Diques podem então ser construídos para evitar esta fusão de fluxos. A água continua penetrando até que, ao chegar ao topo, somente os diques emergem. Estes são então considerados como linhas divisoras que contornam as bacias hidrográficas, cada qual contendo apenas um dos mínimos regionais iniciais [Beucher et al., 1993]. O método Watershed clássico é aplicado a todos os mínimos regionais de uma imagem. Esta abordagem em geral leva a um efeito de super-segmentação, pois muitos mínimos correspondem a ruídos ou descontinuidades na imagem, dos quais não se deseja que originem bacias.
Uma das abordagens para contornar este problema é a realização do método Watershed a partir de marcadores, elementos que são utilizados para fornecer uma informação adicional a respeito das estruturas que serão segmentadas e a partir dos quais as linhas divisoras serão inferidas. Nesta abordagem, os marcadores rotulados localizados na imagem são equivalentes às perfurações na superfície, que é submetida a um contínuo fluxo onde a água pode penetrar, sendo colorida de acordo com o rótulo do marcador. O fluxo prossegue e na posição em que a mistura de águas de diferentes cores está iminente é construída uma barreira para evitar esta fusão. Conforme a superfície toda submerge, as represas são as Linhas Divisoras de Águas e cada lago colorido constitui a região particionante provida pela transformação Watershed.
A obtenção dos marcadores pode ser feita automaticamente ou por intervenção humana. No primeiro caso, os marcadores são detectados diretamente da imagem original por procedimentos de processamento de imagens resultando em uma imagem binária de marcadores. No segundo caso (em que o usuário fornece os marcadores) caracteriza-se um processo semi-automático de segmentação, que pode ser também denominado de segmentação assistida, supervisionada ou interativa. Esta é a abordagem utilizada neste trabalho.
A quantidade mínima de marcadores necessária para a extração de n regiões de interesse na imagem é n+1 (um marcador para cada região e um para o fundo da imagem). Marcadores adicionais podem ser fornecidos no intuito de corrigir falhas e aumentar a exatidão da segmentação. Não é necessário que os marcadores sejam regiões conexas; podem ser formados por várias partes, desde que estas possuam o mesmo rótulo.
Para ilustração do método, a figura 1a) mostra um pequeno trecho de um corte coronal do cérebro incluindo regiões ventriculares. A figura 1b) ilustra a inserção de marcadores vermelhos para os ventrículos e azuis para o fundo e o respectivo resultado da segmentação (mostrado sobre a imagem através de contornos brancos). A figura 1c) mostra uma esquematização da superfície topológica referente ao trecho simulando a infiltração de água em duas diferentes cores. Os diques (linhas divisoras de águas) são representados pelas linhas verticais de cor cinza. Pode-se observar que há infiltração de cor azul entre os dois marcadores vermelhos, o que ocorre porque a topologia mostrada é um corte correspondente a apenas uma linha na imagem, mas a infiltração ocorre em toda a superfície.
a)
(b)
(c)
Figura 1 – Segmentação de ventrículos em um corte coronal no cérebro e esquema gráfico do método
Watershed com marcadores
Para estudos sobre Morfologia Matemática e o método Watershed recomendam-se as referências [Dougherty, 1992], [Haralick et al., 1987] e [Beucher et al., 1993]. Sobre a implementação do método Watershed utilizada neste projeto pode-se consultar [Lotufo et al., 2000]. O desenvolvimento deste trabalho baseia-se também em um estudo anterior relacionado a imagens cardíacas [Rondina, 2001].
b) Projeto e Implementação:
No desenvolvimento do sistema interativo proposto tem sido empregada uma metodologia de projeto pela qual os procedimentos de
processamento das imagens são independentes da implementação da interface. Estes são providos através de uma biblioteca de Morfologia Matemática [Barrera et al., 1998] que vem sendo implementada em um ambiente de programação de algoritmos de processamento e análise de imagens. Através deste ambiente, bibliotecas de procedimentos de imagens implementadas em C tornam-se automaticamente acessíveis pelas linguagens Tcl/Tk e MATLAB.
Esta metodologia dual confere flexibilidade ao projeto, possibilitando que a aplicação seja mais facilmente estendida e adaptada de acordo com as críticas e sugestões dos usuários e ao longo da evolução na compreensão do problema.
Para o desenvolvimento da interface foi utilizada a ferramenta Tcl/Tk (Tool Command Language and Toolkit), uma linguagem de programação de domínio público. Tcl é uma linguagem de comandos (scripts) munida de um interpretador. Tcl provê uma máquina virtual que é portável entre ambientes Unix, Windows e Macintosh. A máquina virtual provida é extensível, pois uma aplicação pode definir novos comandos Tcl associados a um procedimento C ou C++.
Desta forma, o sistema a ser disponibilizado é portável, podendo ser executado nas plataformas Unix e MS-Windows 32 bits.
A implementação da interface é modular. A figura 2 apresenta um diagrama de blocos elaborado para ilustrar as formas de interação do operador com o sistema e o fluxo de processamento. O operador interage com o sistema fornecendo parâmetros para pré e pós-processamento, inserção de marcadores e, eventualmente, desenho de contornos manuais e ajustes.
c) Validação:
Para a consolidação de uma nova abordagem relacionada a um procedimento de auxílio ao diagnóstico é necessário um processo de validação do método proposto. Junto a este projeto, têm sido realizados testes comparativos entre o método semi-automático e um método manual bem como testes de repetibilidade intra-operador e inter-operadores.
O objetivo é avaliar o erro em relação à segmentação manual (considerada como padrão de
comparação) e analisar a quantidade de variação entre as segmentações realizadas pelo método proposto.
Resultados
A figura 3 mostra a tela principal do sistema com a sobreposição de uma janela de ampliação de um trecho de corte.
Figura 3 – Tela principal do sistema semi-automático
Entre os principais recursos desenvolvidos até o momento estão ferramentas gráficas de desenho e edição de marcadores, desenho de contornos manuais, inserção e edição de rótulos, marcadores automáticos para o fundo das imagens, alteração de brilho e contraste, zoom, filtragem das imagens, suavização dos contornos, ocultação de marcadores e de contornos, apresentação de áreas das estruturas de um corte e do volume total das estruturas segmentadas em todo o exame e manipulação de arquivos incluindo gravação da segmentação e gravação de resultados quantitativos. Os resultados quantitativos são gravados em um arquivo de texto com tabulações que separam os campos, de forma que possam ser carregados diretamente em programas de planilhas
gráficas para análises comparativas. Os marcadores gravados podem ser novamente carregados em outras seções para editar a segmentação, sendo possível incluir novos marcadores, manipular os marcadores existentes e alterar parâmetros.
O sistema conta também com um help que vem sendo atualizado conforme desenvolvimento de novos recursos.
A figura 4 mostra um exemplo de um corte coronal onde são segmentados o contorno cerebral, hipocampos, ventrículos, núcleos caudados e o cerebelo. Para a segmentação de cada estrutura são utilizados marcadores de uma determinada cor. É necessário ao mínimo um marcador para cada estrutura, podendo ser incluídos marcadores adicionais para obter-se o resultado desejado.
Figura 4 – Exemplo de corte coronal e os rótulos dos marcadores referentes às estruturas segmentadas.
O método Watershed particiona a imagem em regiões disjuntas, sendo necessário incluir-se também marcadores para o fundo da imagem (ou seja, a região que não faz parte das estruturas de interesse). Um recurso foi desenvolvido para incluir um marcador automático para a região extra-cranial, visando diminuir a quantidade de interação necessária. Este procedimento foi desenvolvido utilizando-se uma seqüência de rotinas morfológicas, que são representadas na figura 6. Inicialmente é obtido o histograma da imagem (fig. 6b). Pode-se observar que o histograma é formado por três picos principais (em linhas gerais, o pico mais alto corresponde ao fundo da imagem, região escura, o segundo pico corresponde à massa branca e o terceiro corresponde à massa cinzenta). Em seguida é procurado o valor referente ao ponto mínimo entre os dois primeiros picos do histograma, com o qual é feito um thresholding na imagem obtendo-se todos os pontos de valores de cinza menores que o limiar (fig. 6c). Na imagem binária obtida é feita uma abertura morfológica por área e inversão da imagem, obtendo-se desta forma a região intra-cranial, ainda em uma imagem binária (figura 6d). É realizada então uma subtração desta imagem por sua erosão, o que resulta em um contorno (fig. 6e). Finalmente, o contorno obtido é sobreposto à imagem original para efeito de visualização (figura 6f).
Informações sobre as operações morfológicas básicas (como erosão, abertura, entre outras) podem ser obtidas em [Haralick et al., 1987].
Desta forma pode-se obter o contorno cranial, que pode ser um eficiente marcador para o fundo das imagens. Através do raio da erosão pode-se aproximar mais o contorno da superfície do cérebro, aumentando ainda mais a eficácia da segmentação devido à proximidade do marcador à borda.
No sistema esta seqüência de procedimentos é automática, podendo ser visualizado um preview aplicado automaticamente a todos os cortes do exame.
(a) (b)
(c) (d)
(e) (f)
Figura 6 – Obtenção automática da segmentação do crânio, que pode ser utilizada eficientemente como um
Discussão e Conclusões
Na automatização do processo de segmentação de imagens médicas usualmente tem-se como objetivo diminuir a quantidade de interação humana, visando reduzir o trabalho repetitivo e diminuir a subjetividade.
Os resultados obtidos até o momento têm sido incentivadores. Em testes preliminares da segmentação de estruturas que apresentam bom contraste (como os ventrículos e o cerebelo ), pôde-se obpôde-servar uma redução significativa da quantidade de interação em relação à segmentação manual. A segmentação do contorno cerebral mostrou resultados muito bons, tendo-se observado que o método utilizado é bastante eficaz na detecção dos sulcos e giros da superfície cerebral.
Em relação à segmentação dos hipocampos, foi realizado recentemente um estudo sistemático de comparação entre a segmentação pelo método proposto e o método manual utilizando-se conjuntos de imagens de pacientes e controles. Os resultados mostraram que o método proposto é bastante compatível com o manual, apresentando, contudo, uma redução sistemática discreta no volume em relação ao obtido manualmente (como também observado em outros trabalhos sobre automatização da segmentação, como []). Em relação à quantidade de interação, este estudo mostrou que a segmentação semi-automática do hipocampo não resultou em ganho significativo de tempo em relação à manual, sendo necessária a utilização de um número elevado de marcadores. Novos testes têm mostrado, contudo, que a utilização de recursos de filtragem e alteração de contraste como pré-processamentos podem reduzir significativamente a quantidade de marcadores.
O sistema na versão atual (semi-automática) encontra-se disponível, podendo ser utilizado na segmentação de qualquer estrutura cerebral (pois seu modo de funcionamento é genérico). Pretende-se a partir de agora trabalhar visando aumentar a eficácia da segmentação incluindo dados específicos a determinadas estruturas, visando obter-se procedimentos automáticos que seriam acrescentados ao sistema já existente. Desta forma, pretende-se disponibilizar uma ferramenta que compreenda as três abordagens de segmentação (como ilustrado no esquema da figura 2), tendo sua base principal na abordagem semi-automática, mas contendo também recursos para a segmentação manual e procedimentos completamente automáticos que possam ser experimentados em estruturas específicas.
Agradecimentos
Agradecemos à Fapesp pelo apoio financeiro para a etapa atual do projeto (Processo 01/07671-0).
Referências
1.
Artigos em Revistas e Anais e Capítulos de LivrosBarrera, J., Banon, G.J.F., Lotufo R.A., Hirata, J.R. (1998), “Mmach: a Mathematical Morphology Toolbox for the Khoros System”, Journal of Electronic Imaging, v. 7, n. 1, p. 174-210.
Beucher, S., Meyer, F. (1993), “The Morphological Approach to Segmentation: the Watershed Transform”, In: Mathematical Morphology in Image Processing, Eds.: E. R. Dougherty, New York: Marcel Dekker, p. 433-481.
Haralick, R.M., Sternberg, S.R., Zhuang, X. (1987), “Image Analysis Using Mathematical Morphology”, IEEE Transactions on Pattern Analysis and Machine Intelligence, v. 9, n. 4, p. 532-550.
Higgins, W.E., Ojard, E.J. (1993), “Interactive Morphological Watershed Analysis for 3D Medical Images.” Comp. Medical Imaging and Graphics, v. 17, p. 387-397.
Lotufo, R.A., Falcão, A.X. (2000), “The Ordered Queue and the Optimality of the Watershed Approaches”, Mathematical Morphology and its Application to Image and Signal Processing, p. 341-350.
1.1.
Livros e TesesDougherty, E.R. (1992), An Introduction to Morphological Image Processing, Bellingham: SPIE Optical Engineering Press.
Rondina, J.M. (2001), Segmentação Interativa do Ventrículo Esquerdo em Seqüências de Imagens de Ressonância Magnética (cineMR), Tese de Mestrado, Faculdade de Engenharia Elétrica e Computação, UNICAMP, Campinas, 114p.
Contato
Jane Maryam Rondina
Email: maryam@dca.fee.unicamp.br Laboratório de Neuroimagem
Unicamp, Cidade Universitária Zeferino Vaz, s/n. Telefone: (19) 3788-7734
