MARCO AURELIO GRANERO SANTOS
RECONSTRUÇÃO, SEGMENTAÇÃO E REGISTRO DE IMAGENS DE ULTRASSOM INTRAVASCULAR RECONSTRUÍDAS A PARTIR DOS DADOS BRUTOS DE RADIOFREQUÊNCIA
CAMPINAS 2016
UNIVERSIDADE ESTADUAL DE CAMPINAS
UNIVERSIDADE ESTADUAL DE CAMPINAS
FACULDADE DE ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO
CAMPINAS 2016
Tese de Doutorado apresentada ao Programa de Pós-Graduação em Engenharia Elétrica da Faculdade de Engenharia Elétrica e de Computação da Universidade Estadual de Campinas para obtenção do título de Doutor em Engenharia Elétrica, na área de Área de Concentração Engenharia Biomédica.
ESTE EXEMPLAR CORRESPONDE À VERSÃO FINAL DA TESE DEFENDIDA PELO ALUNO MARCO AURELIO GRANERO SANTOS E ORIENTADO PELO PROF. DR. EDUARDO TAVARES COSTA Assinatura do Orientador
_______________________________________________________________________
MARCO AURELIO GRANERO SANTOS
Orientador: Prof. Dr. Eduardo Tavares Costa Coorientador: Prof. Dr. Marco Antônio Gutierrez
RECONSTRUÇÃO, SEGMENTAÇÃO E REGISTRO DE IMAGENS DE ULTRASSOM INTRAVASCULAR RECONSTRUÍDAS A PARTIR DOS DADOS BRUTOS DE RADIOFREQUÊNCIA
COMISSÃO JULGADORA – TESE DE DOUTORADO
Candidato: Marco Aurelio Granero Santos Data da Defesa: 29 de abril de 2016.
Título da Tese: Reconstrução, Segmentação e Registro de Imagens de Ultrassom Intravascular Reconstruídas a partir dos Dados Brutos de Radiofrequência
Prof. Dr. Eduardo Tavares Costa (Presidente, FEEC/UNICAMP) Prof. Dr. Joaquim Miguel Maia (CPGEI/UTFPR)
Prof. Dr. Wagner Coelho de Albuquerque Pereira (COPPE/UFRJ) Prof. Dr. Pedro Xavier de Oliveira (FEEC/UNICAMP)
Profª. Drª. Letícia Ritner (FEEC/UNICAMP)
A ata da defesa, com as respectivas assinaturas dos membros da Comissão Julgadora, encontra-se no processo de vida acadêmica do aluno.
Àquela que me manteve lúcido nos momentos de desespero, calmo nos momentos de tempestade
AGRADECIMENTOS
Gostaria inicialmente de agradecer a Deus por me colocar nesta família maravilhosa, cujo apoio foi fundamental para a conclusão deste trabalho.
Meu muito obrigado à minha Mãe, que saiu de sua casa e ficou três meses morando comigo em Barcelona; ao meu Pai, que me ensinou a ser um profissional comprometido; à minha Irmã e Irmão que lutaram e sofreram comigo.
À minha eterna Namorada Zaira que esteve sempre ao meu lado, apoiando e encorajando a seguir em frente mesmo nos momentos de maior adversidade; aos meus filhos, Marcos, Yasmin e Jéssica, que se vieram de mim ou não pouco importa, pois compartilhamos de um amor tão intenso que não cabe maiores explicações.
Aos meus irmãos de coração que me adotaram ou foram adotados por mim, obrigado.
Aos amigos do curso, Jair, Frango, Alexandre, Mineiro, Arnaldo, Carina, João, Reinaldo, Leard, e com certeza você que está lendo esse parágrafo e pensando que também deveria estar aqui, me desculpe, mas sempre irá faltar alguém.
Aos professores do Departamento de Engenharia Biomédica que contribuíram para minha formação profissional, em particular aos professores Bassani, Rosana, Eduardo, Sérgio, Pedro. Ao professor Sérgio Furuie da Poli-USP.
Ao Prof. Dr. Marco Antônio Gutierrez, por tornar possível parte do desenvolvimento deste trabalho junto ao InCor e que aceitou ser meu coorientador nesta tese. Ao INCC que obteve uma bolsa junto ao CNPq para que fosse possível realizar um estágio junto à Universidade de Barcelona.
À Profa. Dra. Petia I. Radeva, professora da Universidade de Barcelona, que aceitou desenvolver parte deste trabalho junto a seu grupo de pesquisa. Ao Dr. Juan Rigla (Joan), uma pessoa singular, responsável direto pela minha ida a Barcelona.
Em particular, a dois grandes amigos, que em muitos momentos deixaram suas tarefas de lado para me ajudar: John Sims e Mariana Baroni.
Não poderia deixar de agradecer àquele que tornou tudo isso possível: Meu Orientador, Professor Doutor Eduardo Tavares Costa.
“Não pergunte a minha formação, apenas me apresente o problema que eu me
encarrego de encontrar a solução.”
RESUMO
O ultrassom intravascular (IVUS) consiste em uma importante ferramenta de auxílio ao diagnóstico que possibilita a visualização de cortes tomográficos de seções transversais de vasos sanguíneos. Este trabalho apresenta o desenvolvimento de um conjunto de algoritmos capaz de reconstruir as imagens de ultrassom intravascular a partir do sinal bruto de radiofrequência captado pelo transdutor em ponta de cateter. Apresenta também uma metodologia para o processo de segmentação das imagens de ultrassom reconstruídas, de modo a obter a identificação das regiões do lúmen e da adventícia de artérias coronárias. Ao final, é apresentado um processo de registro semiautomático de imagens visando avaliar o resultado de PCI’s (Percutaneous Coronary Intervention) através do emparelhamento de imagens de ultrassom intravascular em exames pré e pós-operatório. Os resultados do processo de reconstrução se mostraram bastante promissores, principalmente no que diz respeito à relação sinal ruído nas imagens reconstruídas o que permite um melhor detalhamento do vaso sob investigação. A metodologia para a segmentação do lúmen e da adventícia apresentaram resultados promissores principalmente na segmentação da adventícia. O processo de registro semiautomático, inédito até o momento com imagens de ultrassom, mostrou-se eficiente na obtenção de correspondências entre imagens de exames distintos, possibilitando que o médico intervencionista obtenha de um modo mais eficiente as correspondências entre os exames pré e pós-operatórios.
Palavras-chave: Sinal de RF, ultrassom, IVUS, imagens de ultrassom, reconstrução de imagens, registro de imagens, SIFT, DTW, mapa de similaridade.
ABSTRACT
Intravascular ultrasound (IVUS) is an important auxiliary diagnostic tool that enables the visualization of tomographic images of cross section of blood vessels. This thesis presents the development of a set of algorithms able to reconstruct intravascular ultrasound images from the raw RF signal picked up by a transducer in a catheter tip. It also presents a method for the segmentation process of the reconstructed ultrasound images to obtain identification of regions of the lumen and adventitia of coronary arteries. Finally, a semiautomatic image registration process is presented to assess the outcome of PCI’s (Percutaneous Coronary Intervention) by pairing of intravascular ultrasound images in pre and postoperative procedures. The results of the reconstruction process showed promise, especially as regards the signal noise ratio which allows a better detailing about the vessel under investigation. The methodology proposed for the segmentation of the lumen and adventitia showed promising results especially with respect to segmentation of the adventitia. The semiautomatic image registration was efficient in getting correspondences between imagens in different exams optimizing the work of the interventional physician.
Keywords: RF signal, ultrasound, IVUS, ultrasound images, image reconstruction, image registration, SIFT, DTW, similarity map.
LISTA DE FIGURAS
Figura 1.1: Ilustração da anatomia das artérias coronarianas direita e esquerda
evidenciando a ramificação esquerda, em circunflexa e descendente anterior ... 16
Figura 1.2: Estrutura de uma artéria ... 17
Figura 1.3: Desenvolvimento da Aterosclerose acompanhado de diminuição no diâmetro do lúmen ... 18
Figura 1.4: Bifurcação com crescimento de placa aterosclerótica ... 19
Figura 1.5: (a) Esquema de aquisição de imagem de IVUS ... 22
Figura 1.6: À esquerda, sombra acústica causada por depósito de cálcio e à direita artefato causado pela rotação não uniforme do cateter ... 23
Figura 2.1: Diagrama em blocos do processo de reconstrução das imagens de IVUS. . 29
Figura 2.2: Resposta em frequência do filtro Butterworth utilizado ... 32
Figura 2.3: Perfil da função do TGC, com 𝛽 = 0,4605 𝑑𝐵/𝑐𝑚 ... 34
Figura 2.4: Envelope de uma linha em modo A do sinal de RF. ... 35
Figura 2.5: DDP de um sinal. ... 37
Figura 2.6: Diferentes perfis em função do parâmetro gamma . ... 38
Figura 2.7: Imagem polar: (a) Dados brutos de RF, (b) Filtragem passa-banda, (c) TGC, (d) Envelope do sinal ... 40
Figura 2.8: Imagem polar: (a) Compressão logarítmica, (b) DDP, (c) Transformação de intensidade. ... 41
Figura 2.9: Resultado final do processo de reconstrução de uma imagem de ultrassom intravascular, a partir do sinal bruto de radiofrequência. ... 42
Figura 2.10: Colocação de um Stent e artefato gerado pelo cateter ... 43
Figura 2.11: Placa calcificada e sua sombra acústica característica ... 44
Figura 2.12: Remodelação do lúmen após a colocação de um stent ... 45
Figura 2.13: Região de ramificação de um vaso, com calcificação ... 46
Figura 2.14: Sombra acústica da membrana que envolve o coração ... 47
Figura 2.15: Segmentação do lúmen e da adventícia ... 48
Figura 2.16: Região de ramificação de vaso com formação de placa calcificada ... 49
Figura 2.17: Stent mal expandido ... 50
Figura 2.18: Reverberação do pulso acústico... 51
xi
Figura 2.20: Imagens reconstruídas pelo método proposto e do equipamento iLab. ... 53
Figura 3.1: Imagem da região da implantação de um stent obtida com transdutores de diferentes frequências ... 57
Figura 3.2: Fase de pré-processamento. (a) Imagem polar. (b) Atenuação do cateter. (c) Filtragem anisotrópica. (d) Ganho. (e), (f) Transformação de intensidade. ... 64
Figura 3.3: Transformada Wavelet das Imagens da transformação de intensidade... 65
Figura 3.4: Binarização da Transformada Wavelet ... 66
Figura 3.5: Resultados do processo de segmentação da região da média-adventícia .. 68
Figura 3.6: Contorno da região da média-adventícia e sua segmentação ... 69
Figura 3.7: Resultados do processo de segmentação da região do lúmen ... 70
Figura 3.8: Contorno da região do lúmen e sua segmentação ... 71
Figura 3.9: Imagem segmentada ... 72
Figura 4.1: Formação das diferenças das Gaussianas, 𝐷𝑜𝐺 ... 78
Figura 4.2: Gradiente da imagem e descritores do ponto de interesse ... 80
Figura 4.3: Descritores SIFT de uma imagem. ... 81
Figura 4.4: Alinhamento de duas séries temporais ... 82
Figura 4.5: Matrizes de custo e de custo acumulado com caminho ótimo . ... 83
Figura 4.6: Correspondências entre os descritores SIFT entre uma imagem e sua cópia rotacionada em 45º no sentido anti-horário ... 85
Figura 4.7: Imagens de referência e de estudo e suas correspondências ... 86
Figura 4.8: Mapas de custo acumulado dos testes sintéticos 1 e 2 ... 91
Figura 4.9: Mapa de custo acumulado para o teste 3 ... 92
Figura 4.10: Mapa de custo acumulado com caminho clássico, caso 1. ... 94
Figura 4.11: Mapa de custo acumulado com caminho saltatório, caso 1. ... 94
Figura 4.12: Mapa de custo acumulado com caminho clássico, caso 2. ... 95
Figura 4.13: Mapa de custo acumulado com caminho saltatório, caso 2. ... 95
Figura 4.14: Mapa de custo acumulado com caminho clássico, caso 3. ... 96
LISTA DE ABREVIATURAS E SIGLAS
3D Tridimensional CNR Contrast Noise Ratio
DDP Digital Development Process
DICOM Digital Imaging and Communications in Medicine DoG Difference of Gaussian
DTW Dynamic Time Warping
DWPF Discrete Wavelet Packet Frame DWPT Discrete Wavelet Packet Transform ECOC Error Correcting Output Code
FEEC Faculdade de Engenharia Elétrica e de Computação FIR Finite Impulse Response
HCFMUSP Hospital das Clínicas da Faculdade de Medicina da Universidade de São Paulo
InCor Instituto do Coração IR Image Registration IVUS Ultrassom Intravascular PCA Principal Component Analysis PCI Percutaneous Coronary Intervention RF Radiofrequência
SIFT Scale Invariant Features Transform SNR Signal Noise Ratio
SRAD Speckle Reducing Anisotropic Diffusion TGC Time Gain Compensation
SUMÁRIO
1 INTRODUÇÃO ... 15
1.1 ESTRUTURA ARTERIAL CORONARIANA ... 16
1.2 DESENVOLVIMENTO DA ATEROSCLEROSE ... 17
1.3 TRATAMENTOS À ATEROSCLEROSE ... 20
1.4 ULTRASSOM INTRAVASCULAR – IVUS ... 21
1.5 DESAFIOS AO IVUS ... 22
1.6 VISÃO GERAL DO TRABALHO DESENVOLVIDO... 24
1.7 ESTRUTURA DO TRABALHO ... 25
2 RECONSTRUINDO AS IMAGENS DE IVUS ... 27
2.1 INTRODUÇÃO E OBJETIVOS ... 27
2.2 RECONSTRUÇÃO DAS IMAGENS DE IVUS... 30
2.3 O MÉTODO DE RECONSTRUÇÃO ... 31
2.3.1 ARQUIVO DE DADOS DE RF ... 31
2.3.2 FILTRAGEM PASSA-BANDA ... 32
2.3.3 TGC – TIME GAIN COMPENSATION ... 33
2.3.4 ENVELOPE DO SINAL ... 35
2.3.5 COMPRESSÃO DA ESCALA DE INTENSIDADE DOS DADOS ... 36
2.3.6 PROCESSO DE DESENVOLVIMENTO DIGITAL – DDP ... 36
2.3.7 CONFECÇÃO DA IMAGEM FINAL ... 39
2.4 RESULTADOS ... 39
2.5 DISCUSSÃO E CONCLUSÃO ... 54
3 SEGMENTAÇÃO DAS IMAGENS RECONSTRUÍDAS ... 55
3.1 INTRODUÇÃO E OBJETIVOS ... 55
3.1.1 SEGMENTAÇÃO DO LÚMEN ... 58
3.1.2 SEGMENTAÇÃO DA MÉDIA-ADVENTÍCIA ... 59
3.2 O MÉTODO DE SEGMENTAÇÃO ... 61
3.2.1 PRÉ-PROCESSAMENTO ... 61
3.2.2 DELIMITAÇÃO DAS REGIÕES DO LÚMEN E DA ADVENTÍCIA ... 64
3.3 DISCUSSÃO E CONCLUSÃO ... 73
4.1 INTRODUÇÃO E OBJETIVO ... 74
4.2 SIFT – SCALE INVARIANT FEATURES TRANSFORM ... 76
4.2.1 DETECÇÃO DE EXTREMOS NO ESPAÇO DE ESCALA ... 77
4.2.2 LOCALIZAÇÃO DE PONTOS DE INTERESSE ... 78
4.2.3 ATRIBUIÇÃO DE ORIENTAÇÃO ... 79
4.2.4 OBTENÇÃO DOS DESCRITORES DOS PONTOS DE INTERESSE ... 79
4.3 DTW – DYNAMIC TIME WARPING ... 81
4.4 O MAPA DE SIMILARIDADE E O ESTABELECIMENTO DE CORRESPONDÊNCIAS ... 83
4.5 RESULTADOS DO ALGORITMO DE BUSCA ... 89
4.5.1 CASOS SINTÉTICOS ... 90 4.5.2 CASOS REAIS ... 92 4.6 DISCUSSÃO E CONCLUSÃO ... 97 5 DISCUSSÃO GERAL ... 99 6 CONCLUSÃO GERAL ... 102 6.1 TRABALHOS FUTUROS ... 102
1 INTRODUÇÃO
O desenvolvimento tecnológico, científico e cultural ao qual a sociedade moderna está sujeita tem alterado a qualidade de vida dos seres humanos de forma cada vez mais rápida. Do mesmo modo que tem possibilitado o aumento da expectativa de vida, pelo combate a doenças e o aumento de produtividade de alimentos, também tem contribuído para uma piora na qualidade da alimentação da população como um todo.
Isso tem contribuído para o aumento de algumas doenças específicas, como por exemplo, das doenças cardiovasculares que apresentam um grande fator de risco aos pacientes. Este fato fica evidenciado pelos dados apresentados pelo DATASUS 1, mostrando que, somente no Brasil, esse grupo de doenças é responsável por 27,3% das causas de morte e 10,5% das internações, sendo, dessa forma, a principal causa de mortes na população brasileira [1].
Na Europa, a cada ano, as doenças cardiovasculares são responsáveis pela morte de 4 milhões de pessoas, o que representa 47% do total de mortes do continente europeu como um todo e cerca de 40% das mortes na União Europeia [2]. Nos Estados Unidos, segundo a American Heart Association Heart Disease and
Stroke Statistics, as doenças cardiovasculares representam cerca de 40,6% das
causas de morte [3].
Dentre as doenças cardíacas, a formação e ruptura de placas ateroscleróticas são identificadas como precursoras de diversas patologias, como trombose, síndrome coronariana aguda, infarto do miocárdio e angina [4].
As próximas seções destacam a estrutura arterial coronariana, o desenvolvimento da aterosclerose e seu tratamento, o ultrassom intravascular e seus desafios. Este capítulo é finalizado com duas seções contemplando os objetivos e a estrutura do trabalho.
1
1.1 ESTRUTURA ARTERIAL CORONARIANA
As artérias coronarianas ou simplesmente coronárias correspondem a um conjunto de vasos responsáveis pelo suprimento de sangue ao músculo cardíaco (miocárdio). Os principais vasos responsáveis pelo fornecimento de sangue rico em oxigênio ao miocárdio são a artéria coronária direita, a artéria circunflexa esquerda e a artéria descendente anterior esquerda, estas últimas, ramificações da artéria coronariana esquerda (veja Figura 1.1).
Figura 1.1: Ilustração da anatomia das artérias coronarianas direita e esquerda evidenciando a ramificação esquerda, em circunflexa e descendente anterior.
Modificado de: http://minhavidasymnav.adam.com/content.aspx?productId= 125&pid=70&gid=9367 Acesso em 15/01/2016.
A estrutura de uma artéria é composta de três camadas conhecidas na literatura como íntima, média e adventícia. A íntima encontra-se diretamente em contato com o sangue e é protegida por uma fina camada de tecido fibroso conhecido como endotélio, composto de células epiteliais escamosas responsáveis por minimizar a fricção com o sangue. A média é composta de tecido muscular liso e elástico. Já a adventícia é composta principalmente por tecido conjuntivo. A anatomia de uma artéria é apresentada na Figura 1.2.
Figura 1.2: Estrutura de uma artéria. (a) Representação da íntima, média e
adventícia. (b) Corte histológico post-mortem de uma artéria coronariana indicando: (A) adventícia, (M) média, (I) íntima e (L) lúmen. Adaptado de Alberti, M., 2013.
1.2 DESENVOLVIMENTO DA ATEROSCLEROSE
Segundo Unal et al (2008), a formação e ruptura da placa aterosclerótica encontram-se associadas ao surgimento de diferentes patologias cardíacas conhecidas como doenças cardíacas. Aterosclerose consiste em uma doença inflamatória crônica, sistêmica e progressiva com múltiplos estágios caracterizada por um endurecimento e estenose da camada intimal devido ao acúmulo de placa contendo partículas de lipoproteínas intra e extracelular e macrófagos [5].
O processo de formação da aterosclerose tem início com a inflamação da parede interna do vaso. Isto permite que células de gordura (lipídios) e outros resíduos celulares possam se acumular no interior da parede arterial. Uma descrição detalhada desse processo pode ser encontrada em [6].
Adventícia Media Intima
Figura 1.3: Desenvolvimento da Aterosclerose acompanhado de diminuição no diâmetro do lúmen. (a) Desenvolvimento do processo inflamatório, início da lesão das células endoteliais (b) Acúmulo de gordura (c) Formação de tecido fibrótico em
torno da lesão (formação do trombo) (d) Aparecimento de núcleos de cálcio e necrótico (e) Processo de ruptura da placa aterosclerótica (f) Ruptura com vazamento à luz do vaso. Imagem cedida do material pessoal do Dr. Juan Rigla.
O surgimento da placa aterosclerótica2 causa um estreitamento do lúmen arterial restringindo o fluxo sanguíneo e de oxigênio ao músculo cardíaco. Além disso, placas contendo núcleos fibrolipídicos são instáveis e sujeitas à ruptura, isto é, a capa fibrótica que separa o núcleo da lesão vascular do lúmen do vaso pode se desintegrar, expondo seu conteúdo ao fluxo sanguíneo (Figura 1.3f).
2
A partir desse ponto o termo placa aterosclerótica passa a ser referenciado apenas como placa
(a) (b)
(c) (d)
Embora não exista uma região privilegiada para o aparecimento de placas, as regiões nas quais um vaso arterial se divide em dois vasos filhos, chamados de ramo principal e ramo lateral, conhecidas na literatura como bifurcações, são consideradas regiões críticas do ponto de vista clínico, uma vez que são mais suscetíveis ao aparecimento destas.
Nessas regiões, o espessamento e a formação de placas estão frequentemente localizados na parede exterior de uma ou ambas as ramificações [7], conforme ilustrado na Figura 1.4.
Figura 1.4: Bifurcação com crescimento de placa aterosclerótica. À esquerda vê-se a redução do fluxo sanguíneo e à direita a formação de um coágulo.
Adaptado de Alberti, M., 2013.
Além disso, a proximidade da lesão do vaso e sua consequente localização, proximal (antes) ou distal (após) à bifurcação são parâmetros utilizados para avaliar a vulnerabilidade, o risco de ruptura e consequentemente os efeitos da formação de trombos nas artérias [8].
Coágulo Placa Coágulo Redução do fluxo sanguíneo Corte da Figura 2.11
1.3 TRATAMENTOS À ATEROSCLEROSE
Dependendo do estágio em que se encontra o desenvolvimento da obstrução coronariana e consequentemente, da formação da placa, o tratamento pode ser medicamentoso ou intervencionista. Nos estágios iniciais, após a avaliação cardiológica é possível administrar medicamentos para reduzir a pressão arterial, para prevenir a formação de coágulos e para reduzir o colesterol e deste modo combater o avanço da lesão. Em outros casos é necessário um procedimento clínico chamado Intervenção Coronária Percutânea (PCI – Percutaneous coronary
intervention) conhecido como angioplastia coronariana [13].
A angioplastia coronariana consiste na desobstrução (total ou parcial) de artérias acometidas de placa com o intuito de aumentar o fluxo sanguíneo através da introdução de um cateter em alguma artéria periférica do paciente (braquial ou femural), durante um procedimento conhecido como cateterismo [13].
O cateterismo tem como objetivo investigar e diagnosticar o tipo de lesão e consequentemente a obstrução à qual está submetido o vaso em estudo. Uma vez atribuído um diagnóstico, diferentes tipos de intervenções podem ser realizadas ainda durante o procedimento. Dentre elas podemos destacar: a colocação de um balão de angioplastia; a colocação de um stent; procedimentos de roto-ablation e,
cutting ballon, todos estes guiados por algum tipo de modalidade de imagem
médica, geralmente por raio-X. Outra alternativa intervencionista consiste na cirurgia cardíaca [13].
A grande vantagem dos PCI´s reside no tempo de recuperação e de internação, sendo que o paciente pode ter alta do ambiente hospitalar entre 24 e 48 horas após o procedimento e voltar às suas atividades normais após 5-7 dias [13].
Dentro dos PCI’s, a angiografia é considerada o padrão ouro dentre as técnicas de aquisição de imagens para as doenças coronarianas, sendo o procedimento mais utilizado nas rotinas clínicas de intervenções coronarianas percutâneas. Entretanto, as imagens de angiografia não apresentam informações geométricas e patológicas adequadas a respeito do tamanho e da composição de
placas ateroscleróticas devido à sua natureza projetiva [9]. Com o objetivo de suprir essa deficiência, o ultrassom intravascular (IVUS) apresenta-se como uma modalidade de imagem mais favorável à visualização de placas coronarianas [9].
1.4 ULTRASSOM INTRAVASCULAR – IVUS
O Ultrassom Intravascular (IVUS) vem sendo aplicado clinicamente desde o início dos anos 90 e tem-se tornado uma importante ferramenta clínica para o estudo da artéria coronária durante os PCI’s [10], atuando como um complemento valioso à inspeção angiográfica.
Segundo [9], as imagens de IVUS apresentam como vantagens:
1. Proporcionar imagens em tons de cinza, em tempo real da seção transversal da parede do vaso sanguíneo, podendo incluir características sobre a morfologia e a patologia das estruturas;
2. A resolução da imagem e a penetração do sinal são suficientes para permitir uma avaliação do corte tomográfico da coronária;
3. As imagens, em tons de cinza, podem ser combinadas com o sinal de RF retroespalhado processado e esta combinação pode ser posteriormente utilizada para a caracterização da vulnerabilidade das placas;
4. Pode auxiliar na tomada de decisões em processos de intervenção cardiológicas como:
a. necessidade de tratamento adicional (colocação de stent ou angioplastia); b. localização para a implantação do stent ou para a angioplastia;
c. avaliação do resultado de uma angioplastia ou um procedimento de colocação de stents;
d. gestão dos fatores de risco associados aos sintomas e avanços da doença coronariana;
e. indicador da necessidade de intervenção cirúrgica.
A aquisição de sequências de imagens de IVUS consiste em introduzir um fio guia de pequeno diâmetro (usualmente 0,36 mm) no interior do ramo a ser
imageado. Um cateter contendo um minúsculo transdutor de ultrassom é, então, deslizado sobre o fio guia e posicionado na região de interesse [11].
Uma vez que o cateter esteja posicionado corretamente, o equipamento de IVUS inicia o processo de aquisição de imagens a uma taxa usual de 30 quadros por segundo. O cateter é então puxado na direção proximal do vaso por um equipamento mecânico com velocidade de recolhida controlada e fixa num processo denominado pullback, cuja velocidade é fixada em 0,5 mm/s [11].
Figura 1.5: (a) Esquema de aquisição de imagem de IVUS, (b) Cateter de IVUS. Modificado de Granero et al, 2015.
De um modo geral, em artérias coronárias humanas, os exames de IVUS são realizados desde os 10 mm mais distal da lesão até a região mais proximal à artéria aorta [13]. Entretanto, se o médico intervencionista julgar necessário o cateter pode ser mantido na região da lesão para a obtenção de informação complementar.
1.5 DESAFIOS AO IVUS
Quando o feixe de ultrassom detecta uma mudança de impedância acústica, por exemplo, a fronteira entre dois órgãos ou tecidos, ecos ordenados deste feixe são retroespalhados e detectados e utilizados para confecção das imagens. Entretanto, mesmo tecidos ou órgãos considerados homogêneos, contém regiões de não-homegeneidade [14].
Estas regiões são tipicamente menores do que o comprimento de onda do feixe de ultrassom e são responsáveis por espalhar a energia acústica em quase todas as direções. Esse espalhamento é responsável por atribuir à imagem de ultrassom um padrão granular conhecido como speckle [14].
Além do speckle, o feixe de ultrassom pode ser refletido pelo fio guia resultando em regiões de alto brilho e sombras nas imagens. O próprio cateter também produz um artefato circular conhecido como reverberação (detalhes na Figura 1.6).
Figura 1.6: À esquerda, sombra acústica causada por depósito de cálcio e à direita artefato causado pela rotação não uniforme do cateter.
A rotação não uniforme do cateter pode também introduzir ruídos e distorções às imagens de IVUS. Nesse caso, a troca do cateter e a realização de um novo exame são aconselhadas, conforme ilustrado na Figura 1.6 à direita.
Além desses artefatos inerentes à aquisição das imagens, os diferentes ajustes como ganho, brilho e contraste, realizados pelo médico intervencionista durante a realização do exame são fatores que alteram a qualidade da imagem.
Sombra de cálcio Artefato do fio guia Cateter Artefato de rotação
1.6 VISÃO GERAL DO TRABALHO DESENVOLVIDO
O presente trabalho foi desenvolvido dentro do programa de pesquisa, formação de recursos humanos e de desenvolvimento e inovação tecnológica – Instituto Nacional de Ciência e Tecnologia em Medicina Assistida por Computação Científica, através de um projeto de colaboração entre a Faculdade de Engenharia Elétrica e de Computação da Universidade Estadual de Campinas (FEEC-UNICAMP), do Instituto do Coração da Faculdade de Medicina da Universidade de São Paulo (InCor – FMUSP) e do Departamento de Matemática Aplicada e Análise da Universidade de Barcelona (MAIA-UB).
Dentro deste projeto foi desenvolvido um conjunto de algoritmos alternativos à literatura capaz de reconstruir as imagens de IVUS a partir dos dados brutos dos sinais de radiofrequências obtidos pelo transdutor de ultrassom.
Utilizando as imagens reconstruídas como base foi desenvolvida uma metodologia capaz de segmentar o lúmen e a média-adventícia.
Além dos processos de reconstrução e segmentação das imagens, a principal contribuição deste trabalho consistiu em desenvolver uma metodologia inédita com imagens de ultrassom intravascular, que permitisse rastrear um conjunto de imagens de uma mesma região em exames pré e pós PCI’s. Estas imagens são utilizadas para avaliar os resultados da intervenção.
Para tanto, o algoritmo SIFT – Scale Invariant Features Transform será empregado para extrair um conjunto de descritores em imagens de IVUS de dois diferentes pullbacks.
O SIFT será empregado novamente para determinar se existe ou não uma relação entre os descritores de cada uma das imagens do primeiro pullback com cada uma das imagens do segundo pullback, determinando assim o número de características em comum entre cada par de imagens.
Com base nos descritores de cada imagem e no número de características em comum entre os pares de imagens, será desenvolvida uma
métrica para estimar a similaridade entre cada imagem, criando assim um mapa de similaridade.
Após a confecção do mapa de similaridade, será empregada uma técnica de programação dinâmica para estabelecer as correspondências entre as imagens do primeiro pullback com as imagens do segundo, estabelecendo assim um rastreamento entre imagens de diferentes pullbacks.
Os algoritmos foram desenvolvidos na plataforma Matlab® - Mathworks, que consiste em um software interativo de alto desempenho voltado para o cálculo numérico. Além disso, todos os programas são de código aberto, isto é, seus algoritmos são conhecidos e podem ser modificados.
Para finalizar, os capítulos foram tratados de modo independente, de forma que podem ser lidos na ordem que o leitor julgar necessário.
1.7 ESTRUTURA DO TRABALHO
A literatura apresenta os objetivos do trabalho tratados de forma independente e geralmente em separado, ou seja, apresentam o processo de segmentação ([4], [9], [11], [19], [23], [24], [25], [26], [27], [28] e [29]) ou a caracterização de tecidos ([10], [12] e [19]) e raramente abordam o processo de reconstrução de imagens [12].
O registro de imagens tem sido empregado no rastreamento de objetos [35], reconstrução 3D [37] e reconhecimento de objetos [38]. Em imagens médicas, tem sido utilizado para encontrar correspondências anatômicas e/ou funcionais em duas ou mais imagens [39] e caracterização das alterações anatômicas do coração, atrofia gradual do cérebro com o envelhecimento, modelagem de estruturas anatômicas, segmentação de tecidos através de atlas de medicina e correção de artefatos causados por movimentos em imagem fetal [40].
De modo a permitir uma leitura independente do texto, o trabalho encontra-se estruturado em capítulos autônomos, iniciando com uma introdução sobre o tópico desenvolvido, apresentação dos principais resultados encontrados na literatura até o presente momento. Na sequência, são apresentados o método desenvolvido, os resultados e ao final é realizada uma discussão sobre os resultados obtidos.
O capítulo 2 descreve o desenvolvimento do processo de reconstrução das imagens de ultrassom intravascular, utilizando como base os sinais de radiofrequência extraidos do equipamento de imagem médica iLab da Boston
Scientific. O capítulo 3 apresenta o método utilizado para a segmentação do lúmen
e da adventícia do vaso. O capítulo 4 descreve o desenvolvimento da metodologia para o estabelecimento do registro de imagens em diferentes conjuntos de imagens de IVUS. No capítulo 5 têm-se as considerações finais sobre o trabalho. Finalizando, apresentamos as conclusões gerais e trabalhos futuros no capítulo 6.
2 RECONSTRUINDO AS IMAGENS DE IVUS
2.1 INTRODUÇÃO E OBJETIVOS
O ultrassom intravascular (IVUS) consiste em uma modalidade de imagem médica dentro da ultrassonografia, que utiliza perturbações mecânicas para investigar a estrutura vascular das artérias coronarianas. Em aplicações médicas, essas perturbações mecânicas são aplicadas como pulsos de ondas acústicas através de um transdutor. Estas ondas apresentam frequências que variam dependendo da aplicação clínica, por exemplo, para imagens de IVUS são utilizadas frequências na faixa de 30 a 45 MHz. A frequência de operação é o principal parâmetro que define as características de um transdutor [14].
As ondas acústicas se propagam através do tecido investigado e, ao se depararem com alterações na impedância acústica do mesmo produzem ecos que são retroespalhados. O transdutor, agora atuando como receptor, capta e converte em sinal elétrico os ecos provenientes do tecido investigado [14]. Esse conjunto de ecos agora convertido em sinal elétrico é conhecido como dados brutos de radiofrequência (RF – raw data) e consiste na matéria prima para a confecção das imagens de ultrassom modo B.
Devido à facilidade de utilização e principalmente por ser uma radiação não ionizante, o ultrassom apresenta uma gama de aplicação bastante ampla, em diferentes tipos de tecidos, respeitadas as propriedades biomecânicas dos tecidos [16] e as limitações de penetração do pulso acústico. O detalhamento dos diferentes processos, procedimentos e parâmetros (como brilho, contraste, ganho, entre outros) utilizados para a aquisição das diferentes modalidades de imagens de ultrassom são demasiados extensos para serem detalhados nesse texto. Esse tipo de informação pode ser obtida em livros texto [14], [17] e [18].
Alguns parâmetros são ajustados durante o procedimento de aquisição de imagens visando aumentar sua resolução e, uma vez que elas tenham sido
adquiridas não podem mais ser alterados. Isso faz com que a comparação entre exames seja uma tarefa extremamente difícil e algumas vezes até impossível [19].
Em um equipamento padrão de ultrassonografia, os sinais de RF captados pelo transdutor são submetidos a procedimentos de reconstrução de imagens geralmente proprietários, adquiridos com o equipamento. Ao final de um exame, três tipos de dados estão disponíveis para análise, sendo os dois últimos dependentes dos parâmetros ajustados durante o procedimento [19]:
i. o sinal bruto de radiofrequência (RF – raw data); ii. o envelope do sinal detectado;
iii. as imagens em modo-B.
A fim de tornar a imagem reconstruída independente dos parâmetros ajustados pelo médico intervencionista e do processamento do sinal de RF apenas pelo software proprietário, este capítulo apresenta um método independente de reconstrução de imagens de IVUS. Este método está baseado no processamento do sinal bruto de RF armazenado e exportado pelo equipamento de imagem médica durante a realização do exame.
Em linhas gerais, o processo teórico de reconstrução de imagens de ultrassom pode ser encontrado em qualquer livro texto sobre ultrassom, como por exemplo em [14], e encontram-se descritos no diagrama em blocos na Figura 2.1.
Entretanto, este processo é dependente principalmente da frequência de operação do transdutor, alguns parâmetros devem ser ajustados para melhorar a qualidade da imagem reconstruída.
Deste modo, este capítulo descreve uma metodologia alternativa do processo de reconstrução das imagens de ultrassom intravascular, a partir dos dados brutos de radiofrequência, baseada no diagrama em blocos da figura 2.1, sendo que, cada etapa do diagrama encontra-se descrita na seção 2.3.
Figura 2.1: Diagrama em blocos do processo de reconstrução das imagens de IVUS.
O processo de reconstrução utilizado pelo método proposto será detalhado no decorrer do capítulo, permitindo que o leitor possa reconstruir o modelo proposto, se assim o desejar.
Com isso, acredita-se que os resultados obtidos pelo método viabilizam a comparação, não apenas qualitativa, mas também quantitativa, em exames de um mesmo paciente submetido à PCI.
Leitura do arquivo de RF
Filtragem passa-banda
Time Gain Compensation
Compressão dos Dados
Digital Development Process
Imagem Polar Envelope
2.2 RECONSTRUÇÃO DAS IMAGENS DE IVUS
O procedimento para a realização de um exame de IVUS já foi detalhado na seção 1.4. Dessa forma, uma vez realizado o exame de ultrassom, um arquivo contendo o sinal bruto de radiofrequência é exportado e então submetido ao processamento descrito no diagrama em blocos da Figura 2.1.
O processo de reconstrução das imagens de IVUS tem início com a leitura do arquivo contendo os dados brutos de RF. Uma vez realizada a leitura dos dados de RF, estes são submetidos a uma filtragem passa-banda a fim de eliminar sinais não provenientes do transdutor de ultrassom.
Para compensar perdas na intensidade do sinal devido à atenuação em função da penetração, uma função de ganho temporal (TGC – Time Gain
Compensation) é aplicada ao sinal filtrado.
Após a aplicação do TGC é calculado o envelope do sinal e, este resultado é comprimido por uma escala logarítmica e normalizado em uma escala de tons de cinza.
Após o processo de reconstrução, a imagem em tons de cinza, chamada imagem polar, é submetida a um processo chamado Processo de Desenvolvimento Digital (Digital Development Process – DDP) responsável por melhorar a ênfase de contraste e bordas.
O resultado desse procedimento é então interpolado e convertido no formato convencional das imagens de IVUS (como o da Figura 1.6) chamada imagem cartesiana. Esta imagem é ainda submetida a uma função de transformação de intensidade para melhorar o contraste da imagem final de IVUS.
O processo detalhado de cada etapa contida na Figura 2.1 encontra-se descrito na seção 2.3.
2.3 O MÉTODO DE RECONSTRUÇÃO
2.3.1 ARQUIVO DE DADOS DE RF
Os arquivos com os sinais de RF foram obtidos de exames de IVUS realizados no Departamento de Hemodinâmica do Instituto do Coração da Faculdade de Medicina da Universidade de São Paulo (IC – HCFMUSP) utilizando o equipamento iLab IVUS (Boston Scientific, Fremont) equipado com um cateter Atlantis SR 40 Pro de 40 MHz.
Tendo em vista que as aquisições dos dados brutos de radiofrequência não interferiram nos procedimentos e tratamentos dos pacientes, estes foram extraídos do banco de dados do equipamento de ultrassom antes de serem descartados. Vale ressaltar ainda que, os dados brutos de RF extraídos do equipamento não trazem qualquer dado que permita a identificação do paciente. Por fim, convém ressaltar que estes foram utilizados apenas para fins de pesquisa.
O equipamento de ultrassom iLab exporta os dados de RF dos exames realizados em um formato proprietário e nenhuma informação sobre o acondicionamento dos dados é fornecida pelo fabricante do equipamento. A única informação obtida consistia em um cabeçalho no formato xml, fornecido juntamente com as imagens do exame.
Neste arquivo foi possível obter o número de linhas, de colunas e de imagens de cada exame, além da distância entre cada pixel na imagem, em milímetros.
Utilizando somente como base as informações contidas no cabeçalho, os dados contidos no arquivo de RF foram acessados em modo binário e convertidos utilizando como padrão de leitura 16 bits integer.
Os dados foram então acondicionados em uma matriz tridimensional com 256 linhas, 1024 colunas e 𝑁 imagens.
Nessa matriz, cada linha corresponde a informações provenientes dos ecos captados pelo transdutor ao longo de um raio específico, sendo conhecida na literatura como linhas em modo A ou modo amplitude, cada uma delas contendo 1024 amostras.
2.3.2 FILTRAGEM PASSA-BANDA
Com o intuito de eliminar do sinal de RF frequências que não estejam na faixa de trabalho do transdutor, a cada linha em modo A foi aplicado um filtro de resposta ao impulso finito (FIR – Finite Impulse Response) do tipo Butterworth.
A opção por um filtro Butterworth deve-se à sua simplicidade de construção e ao fato de possuir a resposta mais plana entre as frequências de corte e não haver neste caso a preocupação com a fase.
A resposta, em frequência, do filtro utilizado pode ser observada na Figura 2.2.
Dadas as especificações técnicas do cateter Atlantis Pro 40, que apresenta uma frequência central de 40 MHz e taxa de amostragem de 200 MHz [20], a banda de passagem do filtro foi ajustada para frequências entre 20 e 60 MHz.
2.3.3 TGC – TIME GAIN COMPENSATION
O ultrassom, por se tratar de uma onda mecânica, tem sua intensidade atenuada em função da distância de penetração no tecido.
Para compensar essa perda de intensidade, uma função de ganho temporal foi aplicada a cada uma das linhas em modo A, segundo a equação abaixo, eliminando-se a zona morta do cateter:
𝑇(𝑟) = 1 − 𝑒−𝛽𝑟 (1)
Esta equação é função da distância radial 𝑟, medida a partir da ponta do cateter e 𝛽, que representa o coeficiente de atenuação.
A equação (1) descreve o ganho utilizado nesse trabalho e seu perfil pode ser observado na Figura 2.3.
Figura 2.3: Perfil da função do TGC, com 𝛽 = 0,4605 𝑑𝐵/𝑐𝑚.
Em [12], o autor trabalha com sinais de RF, in-vivo e ex-vivo, provenientes de um equipamento do mesmo modelo utilizado no Departamento de Hemodinâmica do Incor, para a extração de características espectrais de modo a desenvolver um conjunto de classificadores multiclasse para o problema de caracterização de placa. Neste trabalho utilizamos como coeficiente de atenuação 𝛽 = 0,4605 𝑑𝐵/𝑐𝑚.
A distância radial 𝑟 foi determinada em função do número de pixels e da distância entre os pixels na imagem, obtidas no cabeçalho xml. Com isso foi determinado em 4,48 cm a penetração máxima do sinal.
2.3.4 ENVELOPE DO SINAL
O envelope (ou envoltória) do sinal é obtido pela aplicação da transformada de Hilbert 3 a cada linha em modo A do sinal de RF. Esta transformação é utilizada para evidenciar as mudanças decorrentes da variação de impedância acústica e não da forma de onda.
Figura 2.4: Envelope de uma linha em modo A do sinal de RF.
3
A definição e as propriedades da transformada de Hilbert podem ser encontradas em livros texto sobre Física-Matemática como, por exemplo, a referência [49].
2.3.5 COMPRESSÃO DA ESCALA DE INTENSIDADE DOS DADOS
No processo de compressão dos dados, a envoltória do sinal de RF foi normalizada para o intervalo [0, 1] de modo a permitir que todas as imagens de IVUS trabalhem com uma amplitude homogênea.
Os dados normalizados são então submetidos a uma transformação cujo objetivo é mapear uma estreita faixa de valores em níveis de cinza de uma imagem de entrada em uma ampla faixa de níveis na imagem de saída [21].
Esta transformação é definida através da equação:
𝐼𝑙𝑜𝑔= 1𝑡log[1 + (𝑒𝑡− 1)𝐼𝑁𝑜𝑟] (2)
na qual 𝐼𝑁𝑜𝑟 representa o sinal normalizado e 𝑡 é um parâmetro determinado
empiricamente, igual a 1,5.
2.3.6 PROCESSO DE DESENVOLVIMENTO DIGITAL – DDP
O DDP consiste em uma manipulação não linear da imagem e é utilizado frequentemente em filmes e câmeras fotográficas para realçar áreas escuras em imagens com alta faixa dinâmica, sem saturação ou superexposição das áreas mais brilhantes [21].
Dessa forma, essa etapa do processo de reconstrução das imagens de IVUS tem como objetivo melhorar a qualidade da imagem permitindo uma melhor discriminação entre diferentes regiões, através da ênfase de bordas, do ganho de contraste radial e de uma transformação de intensidade.
O efeito de ganho de contraste radial é parcialmente controlado pelos parâmetros 𝑎 e 𝑏 da equação abaixo:
𝑌𝑖𝑗 = 𝑘 [
𝑋𝑖𝑗
{𝑋𝑖𝑗} + 𝑎] + 𝑏 (3) e a ênfase de bordas pelo termo entre colchetes, {𝑋𝑋𝑖𝑗
𝑖𝑗} + 𝑎.
Na equação (3), 𝑋𝑖𝑗 representa a intensidade do pixel na imagem de
entrada nas coordenadas (𝑖, 𝑗), {𝑋𝑖𝑗} é intensidade do pixel em uma versão filtrada
da imagem de entrada, 𝑘 é uma constante que controla o valor máximo da intensidade do pixel na imagem de saída 𝑌𝑖𝑗. As constantes 𝑎 e 𝑏 são parâmetros que aumentam a intensidade do nível de cinza na imagem filtrada e o nível do sinal de saída, respectivamente.
Figura 2.5: DDP de um sinal.
A versão filtrada da imagem {𝑋𝑖𝑗} utilizada foi obtida pela convolução de
um filtro passa-baixas Gaussiano de ordem 3 e 𝜎 = 0,5.
O parâmetro 𝑘 foi definido como sendo igual a 1, uma vez que, ao final do processo de DDP, a imagem reconstruída foi convertida para uma escala de 256 tons de cinza.
Para alterações de ganho radial, duas diferentes configurações foram empiricamente determinadas para os valores de 𝑎 e 𝑏 sendo utilizados (1,10001 ) e (59,10001 ).
A imagem com ganho radial final foi obtida através da média aritmética entre as duas versões processadas com os diferentes parâmetros 𝑎 e 𝑏 mostrados acima.
A transformação de intensidade visa expandir a banda dinâmica efetiva dos níveis de cinza da imagem em termos de saturação e foi aplicada através da função imadjust encontrada na Toolbox de Processamento de Imagem do Matlab.
Esta transformação, também conhecida como gamma correction, é função do parâmetro gamma que dá forma à curva de ajuste de intensidade [21].
Na Figura 2.6 é possível observar os diferentes perfis para a transformação de intensidade. Neste trabalho gamma foi determinado empiricamente em 0,8.
Figura 2.6: Diferentes perfis possíveis para a função imadjust em função do parâmetro gamma. Adaptado de Gonzalez et al, 2004.
Além da transformação de intensidade, um filtro gaussiano bidimensional foi aplicado à imagem para evidenciar as variações devidas à textura de modo a tornar mais nítidas as bordas [12].
Saída_max
Saída_min
2.3.7 CONFECÇÃO DA IMAGEM FINAL
As imagens de IVUS exportadas pelo iLab possuem uma resolução de 512x512 pixels e apresentam uma escala em 256 tons de cinza.
A imagem processada foi convertida em uma imagem cartesiana com a mesma resolução apresentada pelo equipamento iLab. Após a conversão, esta imagem foi submetida a uma filtragem gaussiana e à transformação de intensidade descrita na seção 2.3.6. Os resultados do método de reconstrução proposto são apresentados na seção 2.4.
2.4 RESULTADOS
O método proposto, descrito pelo diagrama em blocos na Figura 2.1, foi utilizado para reconstruir as imagens os dados brutos de RF de 26 pullbacks de 10 pacientes diferentes, totalizando 20.330 imagens.
A transformação do sinal de RF em imagem cartesiana em modo-B é ilustrada nas Figuras 2.7 e 2.8. Estas figuras ilustram os resultados de cada uma das etapas do método de reconstrução até a confecção da imagem cartesiana final.
A Figura 2.7(a) apresenta os dados brutos de RF para uma das imagens de ultrassom sem nenhum processamento, em (b) o resultado da filtragem passa-banda, (c) apresenta os resultados do sinal após a filtragem passa-banda e a aplicação de uma função de ganho temporal em função da distância da ponta do cateter, TGC e por fim em (d) temos o envelope do sinal de RF, obtido através da aplicação da transformada de Hilbert ao sinal.
Figura 2.7: Imagem polar: (a) Dados brutos de RF, (b) Filtragem passa-banda, (c) TGC, (d) Envelope do sinal
A conversão da imagem de ultrassom de modo-A para modo-B é feita convertendo-se as amplitudes do sinal de RF, após a transformada de Hilbert, em intensidade de brilho.
A conversão em intensidade de brilho é obtida através de três etapas, a compressão logarítmica, o DDP e uma transformação de intensidade, Figura 2.8.
As etapas ilustradas na Figura 2.8 têm como objetivo expandir a faixa dinâmica dos valores das amplitudes obtidas pela transformada de Hilbert e com isso, ajustar as intensidades dos pixels, realçar as bordas de transição entre regiões claro-escuras e vice-versa.
Figura 2.8: Imagem polar: (a) Compressão logarítmica, (b) DDP, (c) Transformação de intensidade.
Das transformações ilustradas nas Figuras 2.7 e 2.8, a mais impressionante se dá na transição das Figuras 2.7(d) para 2.8(a).
Após as etapas de reconstrução das imagens descritas nas Figuras 2.7 e 2.8, a última etapa consiste na confecção da imagem cartesiana, mostrada na figura baixo, Figura 2.9.
Figura 2.9: Resultado final do processo de reconstrução de uma imagem de ultrassom intravascular, a partir do sinal bruto de radiofrequência.
Dado o elevado número de imagens reconstruídas seria inviável apresentar todos os resultados do processo de reconstrução. Dessa forma foram escolhidas algumas imagens para ilustrar a validade do método proposto.
O tempo de processamento médio de cada imagem foi de menos de 1 segundo em um notebook DELL – XPS L502X, com processador Intel Core i7-2670QM CPU 2.20GHz, 6GB de RAM e sistema operacional de 64 Bits.
As Figuras 2.10 a 2.18 apresentam os resultados e foram escolhidas por conterem, características patológicas (placas ateroscleróticas) ou artefatos de imagem, estas são apenas algumas das imagens obtidas pelo método de reconstrução proposto neste trabalho, uma vez que apresentar todas as imagens ficaria por demasiado extenso e cansativo.
Essas imagens foram manualmente segmentadas e, a região segmentada é descrita na sequência.
Na Figura 2.10 é possível identificar a colocação de um stent (seta branca) e um artefato gerado pelo cateter, indicado pela seta larga azul.
Figura 2.10: Colocação de um Stent, indicado pelas setas brancas. Artefato gerado pelo cateter, seta larga azul.
Na Figura 2.11 observa-se uma região contendo placa calcificada (contorno azul) e, a sombra acústica característica desse tipo de patologia (contorno verde). Também é possível observar uma região da adventícia bem caraterizada e definida bem como uma sombra acústica devido ao artefato gerado pelo cateter (seta branca).
Figura 2.11: Placa calcificada (contorno em azul) e sua sombra acústica característica (contorno em verde). A seta branca indica o artefato gerado pelo fio
Na Figura 2.12 tem-se a remodelação do lúmen após a colocação de um
stent, identificado pelas setas brancas e regiões mais brilhantes.
A Figura 2.13 apresenta uma região de bifurcação (contorno amarelo), na qual são encontradas placas calcificadas nas paredes exteriores dos vasos (contorno azul) bem como as regiões de sombra acústica (contorno vermelho) associadas às placas.
Figura 2.13: Região de ramificação de um vaso, com placas calcificadas nas paredes exteriores contornadas em azul e suas sombras acústicas características
em vermelho. Em amarelo temos a delimitação da região da média adventícia.
Esta figura é clinicamente interpretada como a imagem de uma seção transversal de um vaso em uma situação equivalente à Figura 1.4.
A figura 2.14 mostra o pericárdio, membrana que envolve o coração e uma região de sombra acústica, região em verde.
Figura 2.14: Sombra acústica da membrana que envolve o coração, o pericárdio (contorno em laranja) e outra sombra acústica em verde.
A segmentação manual da Figura 2.15 mostra o lúmen (contorno rosa), a adventícia (contorno amarelo), uma região de placa calcificada (contorno azul) contida no primeiro quadrante e a região de sombra acústica referente à placa calcificada (contorno vermelho).
Figura 2.15: Segmentação do lúmen e da adventícia, contornos em rosa e amarelo respectivamente. Formação de placa fibrolipídica com região de placa calcificada (contorno em azul) e sua sombra acústica característica (contorno em vermelho).
A Figura 2.16 também apresenta uma região de bifurcação. Nela pode-se notar uma região calcificada na ramificação do vaso, diferentemente da Figura 2.13 onde a região calcificada partia do vaso principal para a ramificação.
Figura 2.16: Região de ramificação de vaso com formação de placa calcificada, contorno em azul.
Na Figura 2.17 é possível observar a implantação de um stent, entretanto este se encontra mal expandido.
Figura 2.17: Stent mal expandido. Seta branca indicando a região onde o mesmo não foi devidamente expandido.
Na Figura 2.18 está ilustrado um artefato conhecido em imagens de ultrassom, devido à reverberação do pulso ultrassônico.
As Figuras 2.19 e 2.20 mostram, para o mesmo frame, a reconstrução obtida pelo método proposto e a imagem do equipamento iLab, equipamento de imagem médica.
Nelas é possível observar que as imagens reconstruídas pelo método proposto apresentam as mesmas estruturas presentes nas imagens do equipamento iLab.
Figura 2.19: (a) e (c) Imagens reconstruídas pelo método proposto. (b) e (d) Imagens do equipamento iLab.
(a) (b)
Além disso, é possível observar que as imagens reconstruídas pelo método proposto apresentam um contraste maior do que as imagens do equipamento iLab, permitindo observar com maior detalhes, regiões que aparecem escuras nas imagens do equipamento iLab.
Figura 2.20: (a) e (c) Imagens reconstruídas pelo método proposto. (b) e (d) Imagens do equipamento iLab.
(a) (b)
2.5 DISCUSSÃO E CONCLUSÃO
O processo de reconstrução de imagens a partir do sinal de RF pode ser encontrado em qualquer livro texto, por exemplo [14] e [18].
Dessa forma é possível afirmar que o processo de reconstrução proposto produziu imagens com uma qualidade similar às imagens DICOM e, apresentando um maior contraste em regiões mais distantes da ponta do cateter, possibilitando a visualização de regiões que não são possíveis nas imagens DICOM.
Entretanto, antes que os algoritmos do método proposto possam ser transformados em um procedimento de um equipamento de ultrassom intravascular existe um longo caminho.
O principal ponto desse caminho consiste em validações do processo de reconstrução com a verificação histológica, que por hora encontra-se fora do escopo desse trabalho.
A principal característica que torna o método proposto robusto reside no fato de flexibilizar o ajuste dos parâmetros de aquisição determinados pelo intervencionista durante a realização do exame de IVUS, tornando o método proposto independente destes parâmetros ajustados pelo intervencionista.
Essa independência dos parâmetros de aquisição possibilitou que imagens em modo-B testadas apresentassem sempre um mesmo padrão de reconstrução. Do ponto de vista de segmentação de imagens, esse resultado é extremamente positivo, pois os níveis de cinza em uma imagem, que são dependentes do processo de reconstrução e consequentemente dos parâmetros de aquisição [11], são controlados pelo método de reconstrução proposto.
Neste capítulo apresentamos os resultados do processo de reconstrução das imagens de IVUS, no próximo capítulo serão apresentados os métodos para segmentação do lúmen e da adventícia.
3 SEGMENTAÇÃO DAS IMAGENS RECONSTRUÍDAS
3.1 INTRODUÇÃO E OBJETIVOS
A segmentação de imagens ou o delineamento de bordas em objetos contidos em imagens é um dos problemas mais antigos na análise de imagens e, tem sido uma área amplamente estudada devido à possibilidade de se extrair informações acerca dessas regiões.
Dentre as diferentes modalidades de imagens médicas, a ultrassonografia é indiscutivelmente a modalidade mais difícil para a realização de segmentação. Este fato é evidenciado quando se faz um estudo dos primeiros artigos sobre segmentação, nos quais eram possíveis apenas aplicar um limiar à imagem de modo a separar o fundo do primeiro plano devido à baixa qualidade dos dados adquiridos [19].
Entretanto, o desenvolvimento tecnológico tem aumentado consideravelmente a qualidade das imagens de ultrassom, principalmente em termos das relações sinal-ruído (SNR) e contraste-ruído (CNR), fazendo com que o interesse nesse campo de pesquisa volte a ter mais atenção. Em especial pode-se destacar estudos que visam desenvolver algoritmos para o delineamento de bordas em objetos contidos em imagens de ultrassonografia [19], particularmente nas regiões do lúmen e da adventícia.
Como já visto, o procedimento de Intervenção Coronária Percutânea (PCI) tem como objetivo investigar um determinado conjunto de vasos cardíacos através da aquisição de imagens médicas dessa região. Durante o procedimento, são adquiridas de centenas a milhares de imagens e estas são utilizadas para avaliar o grau de estenose dos vasos, através de medidas da área luminal e da área total do vaso [9].
A área luminal do vaso, também referida como área do lúmen, corresponde à região interior do vaso da qual o sangue efetivamente dispõe para
circulação e encontra-se delimitada pela camada íntima. Já a área do vaso é delimitada pela camada da adventícia (parede do vaso), vide Figura 1.2.
De um modo geral, a detecção da parede do vaso é menos difícil do que a detecção do lúmen. Isto porque a camada da média é formada por células musculares lisas e não espalham o sinal de ultrassom, aparecendo na imagem de IVUS como uma região escura utilizada como marcador para a detecção da parede do vaso, [9].
Em contraste à camada da média-adventícia, a detecção do lúmen consiste em uma tarefa muito mais desafiadora, principalmente devido ao fato dos glóbulos vermelhos do sangue apresentarem um alto espalhamento do feixe de ultrassom, especialmente com o aumento da frequência do transdutor [9].
Em aplicações clínicas, os métodos automáticos e semiautomáticos de segmentação têm obtido um sucesso limitado, principalmente devido a artefatos intrínsecos como presença do fio guia, de calcificações, de bifurcações, dos artefatos de movimento do cateter e do próprio coração e a parâmetros de ajustes externos como, por exemplo, o ajuste manual do TGC [9]. O objetivo principal desses métodos tem sido reduzir a carga de trabalho do médico responsável pelo laudo, diminuindo assim o tempo de diagnóstico [22]. Embora diversos métodos de segmentação tenham sido propostos, a segmentação manual ainda é o único padrão clinicamente aceito.
Esta consiste em uma tarefa fatigante, que apresenta uma grande variabilidade intra e interobservador, devido à grande quantidade de ruídos e artefatos presentes nas imagens de IVUS e por esse mesmo motivo tem sido fonte de diversas pesquisas.
Além da variabilidade devida ao fator humano, deve-se também ressaltar a importância em se conhecer precisamente o tipo de equipamento de imagem médica utilizado, pois estes também apresentam variabilidade de resultados em função das diferentes configurações disponíveis no mercado.
A Figura 3.1 ilustra para uma mesma região, diferentes padrões de textura em imagens IVUS obtidas com diferentes transdutores operando em diferentes frequências após a implantação de um stent.
Figura 3.1: Imagem da região da implantação de um stent obtida com transdutores de diferentes frequências. (a) 40MHz, (b) 20MHz e (c) 45MHz.
A seta amarela identifica a sombra do stent. Adaptado de
http://www.mavarabahar.com/pooyasoftpublisher/storage/Files/ 20120118090542-IVUS%20Overview.pdf. Acesso em 15/01/2016.
Dessa forma, desenvolver metodologias para a avaliação de desempenho nos processos de segmentação tem se demonstrado uma tarefa bastante árdua.
Em [33], os autores apresentam um trabalho sobre metodologias a serem empregadas na avaliação do desempenho de algoritmos de segmentação de imagens, argumentando que a comparação de desempenho em algoritmos de segmentação é limitada por problemas como o tamanho do conjunto de dados; diferentes conjuntos de dados serem utilizados para diferentes formas de avaliação; conjuntos de dados não representativos do problema clínico, entre outros.
Como sugestão para eliminar as limitações causadas por estes problemas, os autores propõem uma estrutura para a avaliação dos diferentes métodos, baseada em 5 pontos: (F1) especificação de métricas eficazes e significativas, (F2) utilização de dados reais, (F3) segmentações de referências para serem utilizados como ground truth, (F4) definição de algoritmos padrão para a
tarefa desejada e, (F5) um sistema de software que incorpore os métodos de avaliação e o algoritmo padrão de segmentação.
As seções 3.1.1 e 3.1.2 apresentam uma breve descrição sobre o estado da arte referente à segmentação do lúmen e da adventícia, respectivamente.
O objetivo deste capítulo é apresentar uma forma alternativa de segmentação de imagens, usando a combinação entre o gradiente de intensidade dos pixels, em função da profundidade associado à transformada wavelet, em imagens de IVUS. Apresentamos na seção 3.2 é apresentada a metodologia para segmentação desenvolvida neste trabalho e aplicada a 5.963 imagens reconstruídas de um total de 20.330 imagens.
3.1.1 SEGMENTAÇÃO DO LÚMEN
A segmentação automática do lúmen, em imagens de IVUS, tem sido alvo de estudos desde o início da década de 90. Esses estudos eram baseados na utilização de propriedades locais da imagem, onde a intensidade e o gradiente da intensidade dos pixels eram combinados com algum método de busca gráfica, de superfícies ativas, de contornos ativos ou de redes neurais [23-29].
Nos métodos que se seguiram, a segmentação foi acompanhada pela utilização da variância nos níveis de cinza para modelar o ruído speckle; no contraste de regiões; em propriedades estatísticas da imagem e na utilização da decomposição de wavelet discreta [22].
A referência [4] apresenta um método de segmentação que utiliza um classificador treinado combinado com a Análise de Componentes Principais (PCA –
Principal Component Analysis) para se determinar um espaço de forma no qual os
contornos do lúmen e da média-adventícia sejam suaves e se adaptem à geometria do vaso. Neste trabalho, a segmentação final no espaço de forma foi obtida através da minimização de uma função de densidade de probabilidade não paramétrica.
Em [23] é apresentado um método no qual a informação de textura é extraída através da Discrete Wavelet Packet Transform – DWPT e, os pixels são classificados em lúmen ou não lúmen usando agrupamentos k-means. O contorno final é então parametrizado através de uma spline cúbica.
Um método probabilístico para a segmentação do lúmen, baseado na minimização de uma função custo que deforma um contorno parametrizado representado por uma função periódica unidimensional é discutido em [24]. Neste método, a vizinhança de cada pixel pertencente ao lúmen é determinada usando amostras de regiões de interesse em frames a serem segmentados. Este método pode ser empregado tanto com imagens em modo-B quanto em dados de RF [25].
Abordando a segmentação como um problema de classificação, a referência [26] utiliza um classificador treinado associado à técnica Error Correcting
Output Code (ECOC) para a extração do contorno.
Moraes e Furuie [27] propõem um método para a extração dos contornos
de lúmen e adventícia baseado em operações morfológicas.
Um método automático de segmentação combinando informações de modelos de base temporal extraídas de sucessivos frames da sequência com classificação espacial utilizando o algoritmo growcut é apresentado em [28].
3.1.2 SEGMENTAÇÃO DA MÉDIA-ADVENTÍCIA
Assim como para o problema de detecção do lúmen, diferentes abordagens têm sido utilizadas para a detecção da média-adventícia. Essas abordagens estão baseadas principalmente em duas hipóteses: (1) a aparência local do vaso nas proximidades das camadas da média e da adventícia e (2) a forma do vaso.
A primeira hipótese utiliza como fundamentação a ecogenicidade da região da média-adventícia, à qual apresenta uma transição claro-escuro nos níveis
