RELATÓRIO
A
PLICAÇÕES
MATLAB
EM
M
EDICINA
N
UCLEAR
Programa Doutoral em Engenharia Biomédica
Unidade Curricular: Tópicos Especiais em Engenharia Biomédica II
Ano Lectivo 2015/2016
REGENTE: PROFESSOR DOUTOR RENATO NATAL JORGE
ORIENTADOR: PROFESSOR DOUTOR JOÃO MANUEL TAVARES
CO-ORIENTADOR: DOUTOR RICARDO VARDASCA
DOMINGOS VIEIRA (200908269)
PROGRAMA DOUTORAL EM ENGENHARIA BIOMÉDICA 2 PROGRAMA DOUTORAL EM ENGENHARIA BIOMÉDICA
Unidade Curricular
Tópicos Especiais em Engenharia Biomédica II
“Aplicações MATLAB em Medicina Nuclear”
Regente da Unidade Curricular: Professor Doutor Renato Natal Jorge Orientador: Professor Doutor João Manuel Tavares
Co-Orientador: Doutor Ricardo Vardasca
Ano Lectivo 2015/2016
PROGRAMA DOUTORAL EM ENGENHARIA BIOMÉDICA 3
ÍNDICE
1 Introdução ... 4
2 Estudos Imagiológicos em Medicina Nuclear ... 5
2.1 SPECT ... 5
2.2 PET ... 6
2.3 Imagiologia Hibrida ... 6
3 MATLAB em Medicina Nuclear... 8
3.1 Aplicações e Ferramentas MATLAB... 8
3.1.1 Digitalização ... 9
3.1.2 MATLAB Image Tool ... 10
3.1.3 Ajuste de Contraste ... 11 3.1.4 Delineação de Contornos ... 11 3.1.5 Interpolação de Imagem ... 12 3.1.6 Filtragem de Imagem ... 13 3.1.7 Segmentação de Imagem ... 16 3.1.8 Remoção de fundo ... 17 3.1.9 Co-Registo de imagem ... 19 3.1.10 Volume e Visualização 3D ... 19
3.1.11 MATLAB Surface Plot ... 20
3.1.12 DICOM ... 21 4 QAV-PET ... 24 4.1 Definição ... 24 4.2 Instalação ... 24 4.3 Processamento de imagem ... 24 4.3.1 Brilho e Contraste ... 24 4.3.2 Zoom e Centralização ... 25 4.3.3 Cortes ... 26
4.3.4 Seleccão de Imagens Multimodais ... 26
4.3.5 Segmentação ... 26
4.3.6 Quantificação ... 28
4.3.7 Renderização e Relatório ... 28
5 Conclusão ... 30
PROGRAMA DOUTORAL EM ENGENHARIA BIOMÉDICA 4
1 INTRODUÇÃO
Este relatório tem como principal objectivo descrever os conteúdos técnico-científicos apreendidos após realização de breve revisão bibliográfica e de simples manipulações do software MATLABTM acerca do tema relativo à “Aplicações MATLAB em Medicina Nuclear”,
tendo em vista a cumprir com os requisitos necessários para aprovação à unidade curricular Tópicos Especiais em Engenharia Biomédica II, no âmbito do Programa Doutoral em Engenharia Biomédica (PRODEB), ano lectivo 2015-2016.
Os conteúdos em causa foram selecionados com base na sua pertinência face ao tema de tese final do programa doutoral a que me proponho, após consulta com orientador Professor Doutor João Manuel Tavares (FEUP).
A ideia de tese a qual me proponho realizar tem por base o estudo das diferentes metodologias de correcção de atenuação da imagem PET através de dados MRI num contexto da Doença de Alzheimer e encontrar a melhor solução para esse determinante passo que corresponde a um dos principais desafios actuais da técnica PET-MRI. O desafio em questão servirá de motivação de investigação científica para o estudo das capacidades desta técnica híbrida que alia as vantagens e potencialidades da imagiologia funcional a nível molecular com as virtudes e mais-valias da imagiologia morfológica, do ponto de vista da optimização dos resultados imagiológicos e dos indicadores quantitativos com relevância clínica, da optimização de protocolos de aquisição e de fluxo de procedimentos em estudos cerebrais e por fim na criação de um repositório digital aberto à comunidade cientifica que permita o estudo e análise de dados ao longo dos anos, numa perspectiva de investigação mas também numa perspectiva de agregação de informação e conhecimento com fins clínicos.
Este relatório encontra-se organizado com base em capítulos: sendo que o capítulo 2 diz respeito aos breves fundamentos científicos e clínicos dos estudos imagiológicos na área da Medicina Nuclear, no capítulo 3 ao software MATLABTM nomeadamente quanto às suas
aplicações e ferramentas, sendo abordadas genericamente as suas principais opções no contexto proposto, no capítulo 4 aborda-se a ferramenta Quantitative Analysis and Visualization on PET Images (QAV-PET) que permite uma análise de imagens funcionais e morfológicas de forma optimizada e simples, usando como arquitectura base o MATLABTM. O capítulo 5
apresenta as principais conclusões obtidas com o trabalho realizado e o capítulo 6 é respeitante às referências bibliográficas utilizadas.
Em cada uma das secções do relatório é utilizada a língua inglesa sempre que se revele apropriado por questões de rigor de denominação de conceitos teóricos, ferramentas e procedimentos práticos.
Por fim, a quando pertinência de esclarecimento de conteúdos técnico-científicos apreendidos, um pequeno resumo dos temas e identificação dos principais conhecimentos retidos para possível aplicação para a tese a que me proponho são mencionados.
PROGRAMA DOUTORAL EM ENGENHARIA BIOMÉDICA 5
2 ESTUDOS IMAGIOLÓGICOS EM MEDICINA NUCLEAR
Em procedimentos de Medicina Nuclear, radionuclídeos são combinados a compostos farmacêuticos, para formar radiofármacos. Estes compostos radiofarmacêuticos são administrados ao paciente, convergem e concentram-se em órgãos específicos ou aglomerados celulares que são mais "activos" do que outros. Isto permite ver por imagem cintigráfica a extensão de um processo funcional no corpo, com base na função fisiológica (celular e metabólica) ao invés de confiar em alterações físicas na anatomia do tecido. Em Medicina Nuclear a radiação emitida é proveniente do interior do corpo, em vez de ser gerada por uma fonte externa, como nas técnicas radiológicas. Esta radiação emitida é então detectada e registada por equipamentos detectores como as câmaras gama ou câmaras positrónicas. Em Medicina, estudos em Medicina Nuclear podem identificar situações patológicas numa fase mais precoce do que quaisquer outros testes de diagnóstico. Para além de técnicas de diagnóstico, a Medicina Nuclear apresenta também a capacidade de efectuar procedimentos terapêuticos com radionuclídeos através do uso de radiofármacos como fontes não seladas.
Em geral numa cintigrafia, estudo de Medicina Nuclear, são geradas imagens referentes à distribuição de um radiotraçador injetado previamente no paciente, onde podem ser analisadas de forma visual ou quantitativa através de cálculos de biodistribuição, concentração e\ou de velocidade de movimento desse radiotraçador. Neste exame são formadas primariamente imagens funcionais, onde se vê a função celular ou metabólica dos órgãos, em contraste com as técnicas radiológicas em geral onde são formadas imagens anatómicas, onde apenas se vê a estrutura dos órgãos. O radiotraçador, ou radiofármaco, é geralmente a união de um radioisótopo, átomo emissor de onda eletromagnética do tipo raio gama que é o sinal para formação da imagem, com um análogo de uma molécula fisiológica, traçador que é escolhido de acordo com o órgão e função a ser estudada. Este método tem como vantagens: fornecer imagens funcionais, ser um método indolor e não invasivo (o radiotraçador pode ser administrado por via venosa, oral, inalatória ou subcutânea), a ausência de reação alérgica ao radiotraçador e uma menor exposição à radiação relacionada a outras técnicas de imagem que utilizam fontes de radiação. No entanto também tem como desvantagens: a baixa resolução espacial particularmente em termos anatómicos, a disponibilidade de certos radiotraçadores não ser imediata (produção em reactores nucleares ou em aceleradores), alguns exames precisam de preparação prévia prolongada (1 a 90 dias) com restrição de certos tipos de alimentos e fármacos, e alguns processos fisiológicos a serem estudados não poderem ser adquiridos em tempo útil, sendo que tipicamente a aquisição das imagens pode levar até 45 minutos para atingirem o seu término.
2.1 SPECT
A SPECT é uma técnica tomográfica de imagem cintigráfica que utiliza a radiação ionizante de raios gama. É muito semelhante à imagem "planar" da Medicina Nuclear convencional pelo facto que usa uma câmara gama. Contudo, ela é capaz de fornecer verdadeiro dado em 3D. Na técnica SPECT, o tipo de radionuclídeo utilizado caracteriza-se por originar apenas um fotão gama por evento de decaimento radioactivo, ao contrário do par de fotões gama originados na técnica PET. No entanto como técnica tomográfica CT ou PET, o equipamento em causa gira em redor do paciente e gera imagens a partir de vários ângulos diferentes. Esta informação é tipicamente apresentada como cortes transversais do paciente, mas a potente elaboração da imagem
PROGRAMA DOUTORAL EM ENGENHARIA BIOMÉDICA 6 computadorizada pode facilmente ser reformatada em cortes sagitais e coronais ou ser manipulada quando necessário.
2.2 PET
O PET é um método da Medicina Nuclear que utiliza radionuclídeos que emitem um positrão no momento da sua desintegração, o qual ao se aniquilar com electrões do objecto em análise forma um par de raios gama que são detectados por coincidência para formar as imagens do estudo. O principal estudo PET consiste no uso da glicose ligada a um elemento radioactivo (normalmente flúor radioactivo) que é injectado no paciente. As regiões que metabolizam essa glicose em excesso, tais como tumores ou regiões do cérebro em intensa actividade aparecerão em maior concentração nessas áreas, passiveis de serem visualizadas nas imagens cintigráficas. As imagens informam acerca do estado metabólico dos órgãos e não tanto do seu estado morfológico como as técnicas da radiologia propriamente dita. Podem ser geradas imagens em 3D ou imagens em fatias semelhantes à tomografia computorizada, apresentando valores mais elevados de resolução espacial e sensibilidade que a técnica SPECT.
2.3 IMAGIOLOGIA HIBRIDA
A imagiologia hibrida é um fenómeno recente a nível do diagnóstico médico tendo tido o seu início de aplicação clínica em meados dos anos 90, após anos de experimentação por Hasegawa et al 1, através da junção da técnica funcional SPECT com a técnica morfológica CT num mesmo
equipamento passível de aquisição de dados de modo simultâneo, um equipamento SPECT-CT. Posteriormente em 2001, através da adopção de uma mesma estratégia no que diz respeito á técnica funcional PET, surgiu disponível comercialmente um equipamento PET-CT, após o desenvolvimento nos anos anteriores de protótipos, por Townsend et al 2.
Os motivos que estiveram na origem desta combinação entre técnicas deveu-se sobretudo à possibilidade de aliar as vantagens e potencialidades da imagiologia funcional a nível molecular com as virtudes e mais-valias da imagiologia morfológica.
O advento da imagiologia híbrida PET-CT teve como principais fundamentos a menor precisão MRI em diversas indicações clínicas ao contrário do inicialmente considerado pela comunidade médica nos anos 90, aos elevados níveis de sensibilidade e maior resolução espacial por parte da técnica PET relativamente à técnica SPECT e a capacidade da componente CT permitir uma rápida correcção dos níveis de atenuação fotónica inerente ao princípio da técnica PET. Estas vantagens tornaram-se recorrentes sobretudo no contexto da área de oncologia mas igualmente nas áreas de cardiologia e neurologia, sendo que hoje em dia comercialmente só existem disponíveis no mercado equipamentos PET-CT e não equipamentos PET dedicados. No que diz respeito à junção da técnica funcional PET com a técnica MRI num mesmo equipamento PET-MRI, o seu desenvolvimento iniciou-se contemporaneamente ao desenvolvimento do equipamento SPET-CT, por Hammer et al 3 na tentativa de aliar as
vantagens da imagiologia funcional com a maior resolução e à ausência de exposição à radiação
1Blankespoor SC, Wu X, Kalki K, Brown JK, Tang HR, Cann CE, Hasegawa BH. Attenuation correction of SPECT using x-ray CT on an emission-transmission CT system: Myocardial perfusion assessment. IEEE Trans Nucl Sci. 1996;43:2263– 2274
2Townsend DW. Combined PET/CT: the historical perspective. Seminars in ultrasound, CT, and MR.
2008;29(4):232-235
PROGRAMA DOUTORAL EM ENGENHARIA BIOMÉDICA 7 da técnica MRI, no entanto só em 2010 4 surgiu uma opção viável de equipamento em contexto
clínico. Para o mais tardio aparecimento desta solução de imagiologia híbrida contribuiu a conhecida incompatibilidade dos detectores PET com o campo magnético da MRI, que obrigou ao estabelecimento de estratégias industriais de isolamento magnético da componente eléctrica do PET, mas também à não interferência dos anéis de detectores PET na geração de um campo magnético estável e homogéneo.
4Delso G, Fürst S, Jakoby B, et al. Performance measurements of the Siemens mMR integrated whole-body PET/MR
PROGRAMA DOUTORAL EM ENGENHARIA BIOMÉDICA 8
3 MATLAB EM MEDICINA NUCLEAR
Técnicas avançadas de processamento e análise de imagens encontraram ampla utilização na medicina acompanhando a necessidade de visualização do organismo humano para um correcto e preciso diagnóstico. Nas aplicações médicas, os dados de imagem são utilizados para recolher detalhes sobre o processo de doença de um doente, informação que se tornou vital para os cuidados em Saúde.
As imagens geradas em aplicações médicas são complexas e variam significativamente de aplicação para aplicação. Imagens de Medicina Nuclear destacam-se das restantes modalidades imagiológicas por conseguirem fornecer informações sobre as propriedades fisiológicas do organismo humano, sendo que para se ter imagens de elevada qualidade médica de diagnóstico, a necessidade de processamento de imagem é ainda mais notório que no caso de outro tipo de técnicas. O objectivo da área de processamento e análise de imagem com fins de aplicações médicas é sobretudo o de melhorar a qualidade da imagem adquirida e extrair informações quantitativas a partir dos dados imagiológicos de uma maneira eficiente e precisa.
MATLABTM (Matrix Laboratory) é um pacote de software interativo de alto desempenho para
computação científica e de engenharia desenvolvido pela MathWorks (Mathworks Inc., 2016). O MATLABTM permite o cálculo matricial, a implementação de algoritmos, simulação, aplicação
de funções e de dados, e processamento de sinal e imagem através da Image Processing Toolbox. Este software permite a análise quantitativa e visualização de imagens médicas de diversas modalidades, tais como a Tomografia Computacional (Computorized Tomography, CT) Ressonância Magnética (Magnetic Ressonance Imaging, MRI), Tomografia por Emissão de Fotão Simples (Single Photon Emission Computorize Tomography, SPECT) e Tomografia por Emissão de Positrões (Positron Emission Tomography, PET). Com o advento da imagiologia híbrida através da junção de modalidades imagiológicas funcionais (como o SPECT ou o PET) com modalidades morfológicas (CT ou MRI) a importância de ferramentas como o MATLABTM tornou-se ainda mais
evidente devido à necessidade de adoptar procedimentos de co-registo e de fusão de imagens. O Image Processing Toolbox (Mathworks Inc., 2016) é um conjunto abrangente de algoritmos de referência-padrão e de ferramentas gráficas para processamento, análise e visualização de imagens, bem como o desenvolvimento de algoritmos. A toolbox oferece a possibilidade de restaurar imagens com ruído ou que apresentam elevada degradação, melhorar as imagens para uma superior percepção, extrair características, analisar formas e texturas, e registrar imagens. Assim, inclui todas as funções que o MATLABTM utiliza, a fim de executar qualquer tipo de
tratamento e/ou análise necessária após a aquisição de imagens. A maioria das funções da toolbox são codificadas em linguagem MATLABTM de acesso livre o que dá oportunidade para o
utilizador inspecionar os algoritmos, modificar o código-fonte e criar funções personalizadas (Wilson et al, 2003; Perutka, 2010).
3.1 APLICAÇÕES E FERRAMENTAS MATLAB
A qualidade de imagem desempenha um papel importante na Medicina Nuclear uma vez que o objectivo é alcançar uma imagem fiável do órgão para um diagnóstico preciso e consequente auxílio no procedimento terapêutico. As características físicas que são usadas para descrever a qualidade da imagem são sobretudo contraste, resolução espacial e ruído.
PROGRAMA DOUTORAL EM ENGENHARIA BIOMÉDICA 9 Vários problemas decorrentes destes requisitos e da necessidade de alcançar uma melhor qualidade de imagem têm de ser resolvidos. Processo que se torna muito difícil de ser alcançado uma vez que alguns conceitos em processamento e análise de imagem são intensivos em termos de conhecimentos teóricos e de difícil compreensão particularmente para os profissionais de saúde. Por outro lado, cada fabricante de equipamentos de aquisição de dados normalmente usa diferentes ambientes de software para a aplicação de reconstrução e visualização de imagens.
Estas situações complexas podem ser resolvidas usando algoritmos MATLABTM para tornar as
técnicas de processamento mais eficazes na obtenção de informações através de imagens médicas.
Os dados dos já referidos estudos em Medicina Nuclear são utilizados nas seguintes aplicações de algoritmos MATLABTM para processamento e análise de imagem. Os exemplos usados são na
sua maioria provenientes de estudos renais, imagens planares e imagens tomográficas, demonstrações simples da aplicação de ferramentas MATLABTM neste contexto específico.
3.1.1 D
IGITALIZAÇÃOEm todos os sistemas modernos de imagiologia em Medicina Nuclear, as imagens são apresentadas como uma matriz de elementos de imagem (pixels) discretos, em duas dimensões (2D) isto é apresentam-se como imagens digitais.
Cada pixel numa imagem digital tem um valor de intensidade e determinadas coordenadas (x,y) que o identificam espacialmente. No caso de uma imagem de Medicina Nuclear o valor de pixel mostra o número de contagens associado ao processo de detecção fotónico que nele é registado. O benefício de um processo de digitalização da informação comparativamente a uma imagem analógica, é a capacidade de manipulação posterior da imagem digital em termos computacionais, bem como um registo e armazenamento facilitados.
As imagens digitais são caracterizadas pelo tamanho da matriz, a profundidade de pixels e a sua resolução. O tamanho da matriz é determinado a partir do número de colunas (m) e o número de linhas (n) da matriz de imagem (m x n). O tamanho de uma matriz é seleccionado pelo utilizador. Geralmente, o aumento da dimensão da matriz origina um aumento da resolução espacial (Gonzalez et al, 2009). As matrizes mais comuns em imagens de Medicina Nuclear são matrizes 64×64, 128x128, 256 e 256×1024 pixels.
Cada pixel pode tomar 2k de valores diferentes, onde k é a profundidade de bits da imagem. Isto
significa que, para uma imagem de 8 bits, cada pixel pode ter de 1 a 28 (= 256) diferentes níveis
de cor (ou níveis de escala de cinzentos). Imagens de Medicina Nuclear são frequentemente representadas por 8 ou 16 bits.
O termo “resolução espacial” da imagem refere-se ao número de pixels por unidade de dimensão da imagem. Em imagens digitais, a resolução espacial depende do tamanho do pixel, sendo que este é calculado pelo campo de visão (Field of View, FOV), dividido pelo número de pixels na matriz. Para um FOV padrão, um aumento do tamanho da matriz, diminui o tamanho do pixel e aumenta a capacidade de ver pontos de menores dimensões, isto é, aumenta a resolução espacial.
O software MATLABTM oferece funções simples que podem ler imagens de vários formatos e
apresenta um elevado número de mapas de cores. Dependendo do tipo de ficheiro e espaço de intensidades, a matriz pode ser a duas dimensões, 2D de valores de intensidade (imagens em
PROGRAMA DOUTORAL EM ENGENHARIA BIOMÉDICA 10 tons de cinzento) ou uma matriz a três dimensões, 3D de valores RGB (Red, Green, Blue). No que diz respeito às imagens de Medicina Nuclear estas podem obedecer a qualquer um destes critérios: podem assumir uma paleta de escala de cinzentos ou uma paleta de cores RGB. A Image Processing Toolbox suporta os seguintes tipos de imagens:
imagens binárias (os pixels só podem ter dois valores: 0 ou 1, preto ou branco);
imagens em escala de cinzentos ou de intensidades (os dados de imagem em tons de cinza representam intensidade ou brilho. Os valores inteiros encontram-se dentro do intervalo de [0, 2k-1], em que k é a profundidade de bits da imagem. Para uma imagem
típica em escala de cinzentos, cada pixel pode ser representado por 8 bits e os valores de intensidade podem assumir valores dentro do intervalo de [0,255], em que 0 corresponde a preto e 255 a branco);
Cor ou RGB (uma imagem pode ser exibida utilizando três matrizes, cada uma correspondente a cada uma das três cores vermelho, verde e azul. Sendo o número total de bits requeridos para cada pixel e o conjunto de cada um dos componentes de cor individual assume valores no intervalo [0, 255]);
imagens indexadas (matriz 2D em conjunto com um mapa colorido m×3 (sendo m igual ao número de colunas na matriz de imagem). Cada linha de mapa especifica os componentes vermelho, verde e azul de uma única cor, sendo que uma imagem indexada usa mapeamento directo dos valores de pixel para valores coloridos do mapa. A cor de cada pixel da imagem é determinada usando o valor correspondente da matriz como um índice para o mapa).
A imagem em tons de cinzento é o tipo de imagem mais conveniente e preferível no processamento de imagem em Medicina Nuclear. As imagens indexadas devem ser convertidas em qualquer um dos outros dois tipos, de modo a serem processadas. As funções utilizadas para a conversão de tipo de imagem são: rgb2gray, ind2rgb, ind2gray e inversamente. Qualquer imagem pode também ser transformada num binário usando o comando: im2bw. Além disso, em qualquer imagem, a função impixelinfo pode ser usada a fim de detectar qualquer valor de pixel. O utilizador do MATLABTM pode mover o cursor do rato dentro da imagem para
visualização das coordenadas do pixel (x,y), bem como os seus valores (RGB). O alcance do pixel da imagem pode ser exibida pelo comando imdisplayrange.
3.1.2 MATLAB
I
MAGET
OOLO Image Tool é uma ferramenta simples e fácil de usar que pode contribuir para um rápido processamento e análise de imagem sem necessidade de desenvolver código ou usar linguagem MATLABTM. Estas propriedades tornam esta ferramenta muito útil quando uma análise
imagiológica muito aprofundada não constitui o objetivo final, mas sim a quando a necessidade de efectuar um processamento rápido.
O Image Tool pode ser inicializado através do comando imtool na respectiva janela de comandos do MATLABTM. Em seguida, uma nova janela se abre e o próximo passo é carregar uma imagem.
No menu, existem muitas funções já instaladas, de modo a utilizar a ferramenta como um software de processamento de imagem simples. As opções da ferramenta incluem informação relativa à aparência da imagem, zoom, centralização da imagem, o juste do nível de janela e da sua largura, ajuste de contraste, corte, medição de distância, a conversão da imagem para uma matriz de pixels e diferentes opções de paleta de cores (escala de cinzentos, entre outras). Estas são as funções mais comuns que podem ser utilizadas numa abordagem inicial de
PROGRAMA DOUTORAL EM ENGENHARIA BIOMÉDICA 11 processamento. Além disso, o utilizador pode utilizar mais algumas opções, como rotação 3D para as respectivas imagens 3D e obtenção de dados de pixel.
3.1.3 A
JUSTE DEC
ONTRASTEUm dos primeiros problemas de processamento de imagem é o ajuste de contraste. A imagem adquirida não costuma apresentar o contraste desejado relativamente ao objeto em estudo. A melhoria do contraste é absolutamente necessária uma vez que desse modo a forma de regiões (por exemplo, órgãos), os seus limites e funcionalidade interna podem ser melhor representados. Além disso, o delineamento de órgãos pode em muitos casos ser conseguido, sem retirar a actividade de fundo, sendo garantido apenas com manipulação de contrastes. O comando que implementa processamento de contraste é a função imadjust. Usando esta função, o contraste de uma imagem pode ser aumentado ou degradado, se necessário. Além disso, um resultado muito útil pode ser a inversão da paleta de cores, especialmente no caso de imagens em escala de cinzentos, em que um objecto de interesse pode ser eficientemente descrito. A função geral que implementa o aumento de contraste é a seguinte:
J = imadjust(I,[low_in high_in],[low_out high_out],gamma) enquanto que a função de inversão da cor é:
J = imadjust(I,[0 1],[1 0],gamma); or J = imcomplement(I)
supondo que J é a nova imagem, que I é a imagem inicial e que o fator gama descreve a forma da curva que descreve a relação entre os valores de I e J. Se o factor gama é omitido, então considera-se este ser igual a 1.
3.1.4 D
ELINEAÇÃO DEC
ONTORNOSEm muitas imagens de Medicina Nuclear, os limites dos órgãos são de difícil visualização devido à baixa resolução espacial ou devido à presença de ruído, situações recorrentes nas imagens cintigráficas.
Para delimitar o contorno de um órgão numa imagem (como por exemplo para o estabelecimento de Regiões de Interesse - ROIs), o comando imcontour pode ser utilizado. Além disso, uma variável n define o número de contornos igualmente espaçados necessários. Esta variável está fortemente relacionada com a intensidade de contagens. Para maiores valores de n, as linhas são desenhadas com menores espaços entre elas e retratam diferentes faixas de intensidade.
O tipo de linha de contorno pode igualmente ser especificado. Por exemplo, quando um limite de 5 níveis, desenhado com linha sólida, é o resultado desejável, toda a função é:
Exemplo 1I = imread(‘kindeys.jpg’) figure, imshow(I)
J = imcontour(I,5,’-‘) Figure, imshow(J)
PROGRAMA DOUTORAL EM ENGENHARIA BIOMÉDICA 12 onde J e I representam a imagem final e a imagem inicial, respectivamente, e o símbolo ( '-') representa o desenho de linha sólida (figura 1)
3.1.5 I
NTERPOLAÇÃO DEI
MAGEMInterpolação é um tema amplamente abordado na área de processamento de imagem. Constitui-se como o procedimento mais comum a fim de efectuar uma reamostragem de uma imagem, de forma a gerar uma nova imagem com base no padrão de uma imagem já existente. Além disso, a reamostragem é geralmente necessária no processamento de imagem médica, para melhoria da qualidade da imagem ou tendo em vista a recuperação de informação perdida após a compressão de uma imagem (Lehmann et al., 1999).
Para o processo de interpolação, o utilizador do MATLABTM possui várias opções. Essas opções
incluem o redimensionamento de uma imagem de acordo com um fator de escala definido, a escolha do tipo de interpolação e escolha de filtro passa-baixo.
O comando geral que realiza redimensionamento da imagem é a função imresize. No entanto, a maneira como toda a função tem de necessariamente ser escrita depende fortemente das características da nova imagem. O tamanho da imagem pode ser definido como um factor de escala da imagem existente ou como o número exacto de pixels em linhas e colunas. No que respeita aos tipos de interpolação geralmente utilizados em Medicina Nuclear, estes são os seguintes: a interpolação de vizinho mais próximo (‘nearest’), onde o pixel de saída obtém o valor do pixel onde o ponto é aplicado, sem considerar outros pixels; a interpolação bilinear (‘bilinear’), em que o elemento de imagem de saída obtém um valor médio ponderado dos pixels 2x2 mais próximos; e interpolação cúbica (‘bicubic’), em que o elemento de imagem de saída obtém um valor médio ponderado dos pixels 4x4 mais próximos (Lehmann et al., 1999). Quando uma imagem tem de se redimensionar numa nova imagem, com fator de escala e método especificados, a função de execução da mesma, é:
NewImage = imresize(Image, scale, method)
Por exemplo, para uma dada imagem I, a nova imagem J metade da inicial, usando o método de interpolação bilinear, a função será:
J = imresize(I, 0.5, ‘bilinear’)
Esta forma de redimensionamento da imagem contribui para a conversão de informação da imagem durante tal processo, um facto que é extremamente vantajoso quanto à precisão de uma medição. A interpolação bilinear é frequentemente usada para aumentar o zoom numa imagem 2D, para renderização ou para fins de visualização. Para além dos métodos anteriores, o método de convolução cúbica pode ser aplicado a imagens volumétrica a 3D.
Figura 1 – Exemplo de delineação de Regiões de Interesse (ROIs) num estudo cintigráfico renal. a) imagem original com visualização dos rins, b) contorno de órgãos com n=15 e c) contorno de órgãos com n=5
PROGRAMA DOUTORAL EM ENGENHARIA BIOMÉDICA 13
3.1.6 F
ILTRAGEM DEI
MAGEMOs fatores que degradam a qualidade das imagens de Medicina Nuclear resultam em imagens esborratadas, com baixa resolução espacial e elevada presença de ruído. Um dos fatores mais importantes que afecta a qualidade das imagens é a filtragem de imagem. A filtragem de imagens é um processamento matemático para remoção de ruído e recuperação de resolução. O objetivo da filtragem é compensar a perda de detalhe numa imagem, reduzindo o ruído. Filtros podem suprimir ruído, bem como tornar mais nítida ou menos nítida a imagem. Deste modo, os filtros podem melhorar muito a resolução da imagem e limitar a sua degradação.
Uma imagem pode ser filtrada quer no domínio das frequências, quer no domínio espacial. No primeiro caso, os dados sofrem acção da transformada de Fourier, associada à multiplicação através de um dado filtro. Em seguida, os dados voltam para o domínio espacial com aplicação da transformada de Fourier inversa.
A filtragem no domínio espacial exige uma máscara de filtro que também é conhecida como kernel ou filtro de convolução. A máscara de filtro é normalmente uma matriz de
probabilidade, normalmente de tamanho, que é aplicada directamente nos dados originais da imagem. A máscara está centrada em cada pixel da imagem inicial.
Para cada posição da máscara os valores de pixel da imagem são multiplicados pela valores da máscara correspondente. Os produtos destas multiplicações são então adicionados e o valor do pixel central da imagem original é substituído pela soma. Este deve ser repetido para cada pixel na imagem (figura 2).
Se o filtro, através dos quais foi calculado o novo valor de pixel, é uma função linear da totalidade dos valores de pixel na máscara de filtro (por exemplo, a soma dos produtos), então o filtro é denominado de linear. Se o pixel de saída não é uma combinação ponderada linear do pixel de entrada da imagem, então o filtro é denominado de não-linear.
De acordo com a gama de frequências, os filtros podem ser classificados como fitros passa-baixo ou passa-alto. Filtros passa-baixo permitem que as baixas frequências se mantenham enquanto que as altas frequências não são aproveitadas. Os filros passa-baixo removem ruído e suavizam a imagem, mas ao mesmo tempo originam um esborratamento na imagem ou seja, uma perda de definição e de contraste, uma vez que não preserva detalha de contornos. Em oposição, os filtros de passa-alto permitem uma maior nitidez dos contornos da imagem (áreas da imagem onde o sinal muda rapidamente) e reforçam a informação de detalhe do objeto. Uma
PROGRAMA DOUTORAL EM ENGENHARIA BIOMÉDICA 14 desvantagem grave da filtragem passa-alto é a amplificação do ruído estatístico presente nas contagens medidas.
Como exemplo de aplicação de filtragem de dados é possível referir os filtros de média, de mediana ou o filtro Gaussiano (figura 3).
O filtro Gaussiano é um filtro linear passa-baixo. Uma máscara com filtro Gaussiano apresenta a forma de uma curva em formato de sino, com um ponto alto no centro e secções simétricas periféricas. A aplicação do filtro de Gauss produz, para cada pixel da imagem, uma média ponderada de tal modo que o pixel mais central contribui mais significativamente para o resultado que os pixels nas periferias da máscara (O'Gorman et al, 2008). AS ponderações são calculadas de acordo com a função de Gauss:
onde μ, é a media e σ, o desvio-padrão.
O grau de suavização depende do desvio padrão. Quanto maior for o desvio-padrão, mais suave a imagem é retratada. O filtro Gaussiano é muito eficaz na redução do ruído de impulsos e do ruído de Gauss. O ruído gaussiano é causado por variações aleatórias na intensidade e tem uma distribuição que segue a curva de Gauss.
Utilizando no MATLABTM a Image Processing Toolbox é possível desenhar e aplicar filtros nos
dados das imagens. Para a filtragem linear, o MATLABTM disponibiliza o comando fspecial para
gerar filtros 2D:
h=fspecial(filtername, parameters)
O filtername é o comando que permite identificar o tipo de filtro a aplicar (média, gaussiano, laplaciano, entre outros) enquanto que o comando parameters diz respeito às propriedades dos filtros específicos que são utilizados. Os filtros são aplicados às imagens 2D usando a função filter2 sob a forma:
Y = filter2 (H, X)
Figura 3 - Exemplo de função filtro Gaussiano a duas dimensões (2D)
PROGRAMA DOUTORAL EM ENGENHARIA BIOMÉDICA 15 A função filter2 filtra os dados na matriz X com o filtro h. Para imagens multidimensionais a função imfilter é utilizada.
B = imfilter (a, h)
A função imfilter é mais geral do que a função filter2. Para filtragem não-linear em MATLABTM
função nlfilter é aplicada, o que requer três argumentos: a imagem de entrada, o tamanho do filtro e a função a ser utilizada.
B = nlfilter (A, [m n], fun)
O exemplo seguinte descreve alguns dos comandos que podem ser utilizados para a aplicação de um simples filtro de média (average) numa imagem cintigráfica para diferentes tamanhos de kernel de convolução (para 3×3, 9×9, 15x15, 20x20 e 25×25; figura 4).
h=fspecial('average', [3 3]); b=imfilter(a,h); figure, imshow(b); i=fspecial('average', [9 9]); c=imfilter(b,h); figure, imshow(c); j=fspecial('average', [25 25]); d=imfilter(c,h); figure, imshow(d);
Os filtros de média suavizam a imagem, diminuindo as diferenças entre intensidades nos pixels. As imagens filtradas não apresentam contornos na mesma extensão como na imagem original. Para maior tamanho de kernel, menor a nitidez de detalhe.
Figura 4 – Filtro de Média aplicado em imagens de estudos cintigráficos renais. a) imagem original, b) filtro 3x3, c) filtro 9x9, d) filtro 15x15, e) filtro 20x20 e f) filtro 25x25
PROGRAMA DOUTORAL EM ENGENHARIA BIOMÉDICA 16
3.1.7 S
EGMENTAÇÃO DEI
MAGEMA segmentação de imagens consiste no processo pelo qual uma imagem é dividida em partes, regiões ou objetos que a constituem, a fim de isolar e estudar separadamente determinadas áreas da imagem de modo específico. Este processo auxilia na detecção de determinadas regiões funcionais de uma imagem cintigráfica, que não são facilmente visualizadas na imagem original.
O processo de segmentação foi desenvolvido a partir de diferentes abordagens como a delineação de um objecto numa imagem de gradiente, delineação de uma ROI ou separando componentes convexos em imagens derivadas da transformada de distância. Em Medicina Nuclear, técnicas de segmentação são usadas para detectar a dimensão de um tecido, um órgão, ou de uma região patológica dentro de uma imagem, os limites de estruturas de origem desconhecida e áreas em que o radiofármaco é captado em maior quantidade. Assim, o processo de segmentação constitui passo fundamental no processamento básico de imagens médicas (Behnaz et al, 2010).
Há duas formas de segmentação de imagem: segmentação com base nas descontinuidades e, segmentação com base nas semelhanças das estruturas dentro de uma imagem. Nas imagens cintigráficas, a primeira opção é utilizada em maior número de aplicações. Este tipo de segmentação depende da detecção de descontinuidades ou então, de rebordos dentro da imagem usando um dado limiar. O limiar permite a remoção de informações desnecessárias a partir da imagem, como por exemplo contagens provenientes de atividade de fundo, e o surgimento de detalhes que não são facilmente detectados.
A detecção de rebordos pode ser efectuada através do comando edge. Para além disso, um limiar é normalmente aplicado, a fim de detectar rebordos superiores a um dado valor de intensidade na definida escala de cinzentos, sendo que diferentes métodos de detecção de rebordos podem ser aplicadas de acordo com o filtro que cada um deles utiliza. Os métodos mais úteis nas imagens em Medicina Nuclear são 'Sobel', 'Prewitt', 'Roberts', 'Canny', bem como 'Laplaciano de Gaussiano'. De notar que a imagem é imediatamente transformada numa imagem binária e os rebordos são detectados. A função geral utilizada para a detecção de rebordos é a seguinte:
[BW] = edge (image, ‘method’, threshold)
Onde [BW] é a nova imagem binária produzida, image é a inicial; ‘method’ refere-se ao método de detecção de rebordos escolhido e threshold para o limiar aplicado. No exemplo seguinte, o método canny é aplicado (figura 5)
I = imread(‘kidneys.jpg’); figure, imshow(I)
J = edge(I,'canny', 0.038); figure, imshow(J)
PROGRAMA DOUTORAL EM ENGENHARIA BIOMÉDICA 17 Outra aplicação da técnica de segmentação em medicina nuclear é o uso da opção de magnitude do gradiente. Nesta opção, a imagem original é carregada sendo de seguida aplicado o método de detecção de rebordos Sobel de acordo com uma magnitude do gradiente que atribui maiores valores de intensidade em escala de cinzentos a regiões mais altas. Finalmente, os detalhes do primeiro plano são destacados e a imagem segmentada das regiões em destaque é obtida. O código para todo o procedimento que é descrito é descrito de seguida (figura 6).
I = imread('kidneys.jpg') Figure, imshow(I) hy = fspecial('sobel') hx = hy';
Iy = imfilter(double(I), hy, 'replicate') Ix = imfilter(double(I), hx, 'replicate') gradmag = sqrt(Ix.^2 + Iy.^2) figure, imshow(gradmag,[]) se = strel('disk', 20)
K = imopen(I, se) figure, imshow(K)
3.1.8 R
EMOÇÃO DE FUNDOUm dos primeiros passos a executar no processamento de imagens médicas é remover a atividade de fundo inerente ao princípio de aquisição de dados, em particular no principio cintigráfico de aquisição. Este procedimento é baseado na segmentação de imagens para
Figura 5 – Detecção de contornos em estudos renais com 99mTc-DMSA. (esq.) imagem original, (meio) método canny e limiar 0,2667, (dir.) método prewitt e limiar 0,038
Figura 6 – Segmentação de magnitude do gradiente. (esq.) imagem original, (meio) imagem após aplicação de filtro de segemtação, (dir.) imagem após filtragem de regiões de fundo
PROGRAMA DOUTORAL EM ENGENHARIA BIOMÉDICA 18 remoção de atividade de fundo, por isso inicialmente são calculados os limites das regiões (órgãos,…) de interesse.
As etapas para este procedimento são as seguintes: leitura da imagem, um limiar de nível de cinzento é estabelecido pelo MATLABTM, transformação da imagem numa imagem binária, a fim
de isolar as regiões de interesse, a imagem binária, é multiplicado pela primeira e por fim imagem final surge, cuja paleta de cores pode ser alterada pelo utilizador. O exemplo seguinte descreve um conjunto de linhas de comando para a remoção de fundo em imagens de um estudo renal (figura 7).
I = imread(‘kidneys.jpg’)
figure, imshow(I) (figura 7 a)
graythresh(I) e o valor de limiar é calculado: ans = 0.2667
I2 = im2bw(I, 0.2667) (figura 7 b)
I3 = immultiply(I2, I)
imshow(I3) (figura 7 c)
colormap(hot) (figura 7 d)
Figura 7 - Remoção de fundo. a) imagem original, b) imagem binária segmentada após inclusão após limiar de detahs acentuados, c) imagem após remoção de fundo, d) mudança para escala de cor
PROGRAMA DOUTORAL EM ENGENHARIA BIOMÉDICA 19
3.1.9 C
O-R
EGISTO DE IMAGEMA técnica de co-registo de imagens é usada para alinhar duas imagens do mesmo objeto num sistema comum de coordenadas, isto é, para fusão de imagens de um dado objecto. O co-registo de imagens é considerado uma transformação espacial. As imagens podem ser adquiridas a partir de ângulos diferentes, em momentos diferentes ou por modalidades diferentes. Um exemplo típico do uso de co-registo de imagens é o processamento de imagens provenientes de modalidades hibridas como equipamentos SPECT-CT, PET-CT ou mais recentemente PET-MRI. Esta técnica permite obter informações combinadas de dados funcionais e morfológicos que levam a uma maior precisão de diagnóstico (Li & Miller, 2010) e a comparação de dados em estudos ao longo do tempo (Zitova & Flusser, 2003). O software MATLABTM pode ser uma
ferramenta que permite alcançar tais objectivos com a técnica de co-registo através da função imregister.
Para tal, em primeiro lugar cada imagem adquirida é reconstruída em separado. Todos os filtros necessários são aplicados, bem como melhorias nos valores de brilho e contraste. Posteriormente, realiza-se uma transformação espacial entre as duas imagens, por exemplo entre uma imagem PET e outra proveniente da modalidade CT. O alinhamento das imagens é o passo fundamental a ter em atenção na aplicação da técnica, sendo alcançado através da transformação espacial que modifica a relação espacial entre os pixels de uma imagem e realoca-os para novas posições numa nova imagem (Delbeke et al, 2006). O passo final no registo de imagem é a sobreposição das duas imagens, permitindo um nível adequado de transparência. A nova imagem é criada contendo informações de ambas as imagens iniciais a partir do qual teve origem.
3.1.10 V
OLUME EV
ISUALIZAÇÃO3D
A visualização de volumes em Medicina Nuclear consiste num método para extrair informação de dados volumétricos de imagens cintigráficas (Lira et al, 2010b).
Em MATLABTM, isto pode ser conseguido através da construção de um gráfico de superfície 3D
que utiliza as coordenadas dos eixos (x, y) de cada pixel para e o valor de pixel é transformado em valor de altura de superfície e, consequentemente, numa cor. Para além deste facto, as imagens 3D de voxels podem ser construídas; Cortes tomográficos são adquiridos, iso-contornos são discriminados nessas projecções incluindo um dado número de voxels e, finalmente, todos eles podem ser adicionados a fim de criar a imagem de volume desejável (Lira et al, 2010a). Renderização de volume - muito frequentemente usada em imagens 3D SPECT ou PET - é um exemplo de codificação eficiente em MATLABTM com uso da função fsurf (f). Os parâmetros das
funções são a matriz original em 3D, o ângulo de posição, zoom ou o foco das projeções adquiridas. Este tipo de técnica é utilizada em diferentes estudos funcionais como estudos hepáticos, renais, pulmonares, análise da glândula tiróide ou em estudos cardíacos (figura 8).
PROGRAMA DOUTORAL EM ENGENHARIA BIOMÉDICA 20
3.1.11 MATLAB
S
URFACEP
LOTO software MATLABTM apresenta-se como uma ferramenta com elevadas capacidades na análise
de dados imagiológicos em Neurologia. Em particular, a Image Processing Toolbox é muito útil para extrair medições volumétricas 3D de atividade presente nos gânglios basais nos transportadores de dopamina no caso de estudos cintigráficos DaTSCAN. Os resultados obtidos são reprodutíveis e independentes do utilizador.
O mapeamento de superfície (surface plot) pode ser usado com o objectivo de extrair a informação acerca da consistência de captação de um órgão ou perda da sua funcionalidade. De modo a construir um gráfico de superfície a partir de imagens cerebrais, uma série de imagens devem ser selecionadas e posteriormente devem ser delineadas ROIs sob a região dos corpos estriados (Lira et al, 2010b) (figura 9). Um exemplo de linhas de comando para o efeito é a seguinte sequência: I = imread(‘striatum.jpg’) figure, imshow(I) [x,y] = size(I) X = 1:x; Y = 1:y; [xx,yy] = meshgrid(Y,x) J = im2double(I) figure, surf(xx,yy,J) shading interp view(-40,60)
Figura 8 - Renderização 3D de estudos PET cerebrais
PROGRAMA DOUTORAL EM ENGENHARIA BIOMÉDICA 21 De realçar que apesar das imagens iniciais apresentarem ruido e menor resolução espacial, o gráfico obtido permite distinção e análise claras e especificas das regiões cerebrais de interesse, e que fornecem muita informação de valor de diagnóstico. Por outro lado, com a representação de dados segundo este formato, é possível manipular o ângulo de visualização o que acarreta vantagens na interpretação dos estudos.
3.1.12 DICOM
O protocolo Digital Imaging and Communication in Medicine (DICOM) permite a comunicação entre equipamentos de diferentes modalidades e fornecedores facilitando a gestão de imagens digitais. O protocolo DICOM define um conjunto de regras comuns para a troca, armazenamento e transmissão de imagens médicas digitais com respectivas informações de dados associadas. (Bidgood & Horii, 1992)
Um arquivo DICOM consiste num cabeçalho, header, de dados (os chamados metadados) e um conjunto de dados de imagem DICOM, dataset. O cabeçalho inclui informações relacionadas como tipo de imagem, estudo, modalidade médica, dimensões da matriz, número de bits armazenados e nome do doente. Os dados de imagem seguem o cabeçalho e contêm informações e 3D da geometria de aquisição de dados (Bankman, 2000). Os ficheiros DICOM apresentam como extensão o formato .dcm.
Em Medicina Nuclear, os dados 3D adquiridos são armazenados usando DICOM a partir de uma repartição de dados em secções onde cada secção é guardada como uma imagem DICOM
Figura 9 – Imagens 123I-DaTSCAN SPECT de um estudo com I-123/Ioflupano (em cima), análise Surface Plot de intensidades do pixel (em baixo) (Lyra et al, 2010b)
PROGRAMA DOUTORAL EM ENGENHARIA BIOMÉDICA 22 simples. As secções podem ser distinguidas, quer por um número código no nome do ficheiro, quer por tags DICOM específicos.
O MATLABTM suporta ficheiros DICOM e é uma ferramenta muito útil no processamento de
imagens DICOM.
De maneira a ler um ficheiro DICOM em MATLABTM o comando dicomread deve ser utilizado
segundo a linha:
I = dicomread(filename.dcm');
Para a leitura dos metadados de imagem do ficheiro DICOM deve ser usado o comando dicominfo com a seguinte função.
info = dicominfo('filename.dcm')
Um pacote de informações aparece na janela de comando, incluindo todos os detalhes e informações que acompanham a imagem de DICOM. Esta é uma grande vantagem deste formato de imagem em comparação com formatos JPEG ou TIFF que não apresentam a informação relativa às informações relativas por exemplo ao processo de aquisição de dados. Para a imagem específica, aparece a seguinte informação:
info = Filename: 'filename.dcm' FileModDate: '11-Feb-2021 11:11:11' FileSize: 128000 Format: 'DICOM' FormatVersion: 3 Width: 256 Height: 256 BitDepth: 16 ColorType: 'grayscale' FileMetaInformationGroupLength: 212 FileMetaInformationVersion: [2x1 uint8] MediaStorageSOPClassUID: '1.2.840.10008.5.1.4.1.1.7' MediaStorageSOPInstanceUID: [1x57 char] TransferSyntaxUID: '1.2.840.10008.1.2.1' ImplementationClassUID: '1.2.840.113619.6.184' ImplementationVersionName: 'Xeleris 2.1220' SourceApplicationEntityTitle: 'XELERIS-6400'. (…)
PROGRAMA DOUTORAL EM ENGENHARIA BIOMÉDICA 23 Para ver os dados de imagem importados de um ficheiro DICOM, uma das funções de visualização de imagem pode ser aplicada: imshow ou imtool, como por exemplo:
imshow(I,'DisplayRange',[ ]);
A imagem carregada pode ser modificada e processada. Para modificar ou gravar dados de imagem ou metadados para um arquivo no formato DICOM, o MATLABTM disponibiliza a função
dicomwrite.
Numa imagem em formato DICOM qualquer procedimento de filtragem, segmentação e remoção do fundo pode ser aplicado para obter a imagem final pretendida e dela extrair as informações mais úteis para um diagnóstico adequado.
PROGRAMA DOUTORAL EM ENGENHARIA BIOMÉDICA 24
4 QAV-PET
4.1 DEFINIÇÃO
Quantitative Analysis and Visualization on PET Images (QAV-PET) é um software de acesso livre implementado sobre a arquitectura MATLABTM que permite uma visualização e quantificação
intuitiva e eficiente de imagens médicas multimodais, ou seja, de diferentes modalidades imagiológicas. Este software é especialmente útil no processamento de imagens referentes a estudos provenientes de modalidades híbridas PET-CT e PET-MRI que aliam as características funcionais dos estudos PET com as características morfológicas dos estudos CT e/ou MRI. Permite a visualização simultânea de imagens e também a capacidade de manipulação de dados e informação por parte do utilizador de acordo com os objectivos de análise imagiológica.
4.2 INSTALAÇÃO
O software sendo de acesso livre encontra-se disponível no repositório de ficheiros5 do
MATLABTM sob formato zip que é passível de ser descompactado e de ser acessível através do
MATLABTM.
Para o efeito torna-se então necessário utilizar o MATLABTM como arquitectura principal de
fundo bem como da existência da toolbox de processamento adicional, Image Processing Toolbox após seleção da pasta resultante da descompactação e consequente activação da GUI através da opção “run“ sobre o ficheiro FusedSUV.m.
4.3 PROCESSAMENTO DE IMAGEM
O interface de utilização do QAV-PET permite o uso de ficheiros de imagem sob os formatos .hdr, .img ou DICOM, sendo que implica a utilização de conjuntos de imagens multimodais. O software requer a selecção inicial da imagem funcional PET e posteriormente a imagem morfológica CT ou MRI no mesmo formato para que surja o interface (figura 10). Assim que o GUI surge é possível efectuar uma série de funções de processamento de imagem que permitem a fusão e tratamento de imagens multimodais
4.3.1 B
RILHO EC
ONTRASTEContraste e luminosidade ou brilho podem ser facilmente ajustadas através pelo uso dos cursores. O brilho é controlado através de movimentos verticais enquanto que o contraste é realizado por movimentos horizontais, podendo sempre ser possível reverter as opções efectuadas (figura 11). No que diz respeito às imagens resultantes da fusão entre as imagens funcionais e morfológicas, estes movimentos permitem manipular a “opacidade” e a “nitidez” das imagens (figura 12), sobretudo nas imagens de cariz funcional de modo a facilitar a remoção de fundo tradicionalmente existente neste tipo de imagens.
5 MathWorks File Exchange, QAV-PET disponível em:
https://www.mathworks.com/MATLABcentral/fileexchange/45923-qav-pet--quantitative-analysis-and-visualization-of-pet-images
PROGRAMA DOUTORAL EM ENGENHARIA BIOMÉDICA 25
4.3.2 Z
OOM EC
ENTRALIZAÇÃOAs opções de zoom ou ampliação e de centralização permitem ao utilizador ampliar determinadas regiões das imagens para melhor visualização ou uso de ferramentas de quantificação assim como orientar todos os pixels da imagem para uma data região. Ambas as opções podem ser utilizadas de duas maneiras diferentes: ou através dos cursores do rato ou através dos botões “PAN” e “ZOOM” presentes no interface para esses efeitos. Eles executam as mesmas codificações de ampliação e de centralização que as definidas pelo MATLABTM.
Figura 10 – Graphic User interface do software QAV-PET
Figura 11 – Ajuste de Brilho e Contraste em
imagens hibridas (fusão de imagens funcionais com imagens morfológicas)
PROGRAMA DOUTORAL EM ENGENHARIA BIOMÉDICA 26
4.3.3 C
ORTESNa análise de imagens é possível efectuar uma derivação entre os diferentes cortes de modo a efectuar processamento numa dada região. O software permite a visualização dos diferentes cortes através do uso do rato ou através da barra de deslocamento entre imagens do conjunto de imagens do estudo selecionado inicialmente. Esta opção é utilizada inicialmente com a seleção das imagens de fusão entre as duas modalidades no entanto é aplicável a qualquer tipo de imagens.
4.3.4 S
ELECCÃO DEI
MAGENSM
ULTIMODAISNa utilização inicial do software, a opção predefinida de visualização das imagens é a opção referente à fusão das modalidades, apresentando-se uma imagem hibrida respeitante aos mesmo cortes correspondentes às duas modalidades. No entanto, é possível através de opções de selecção efectuar processamento de imagens separadamente em imagens dedicadas. A forma mais rápida de visualizar imagens correspondentes das diferentes modalidades é a utilização do menu drop-down. No entanto, tal como noutros parâmetros de manipulação deste software existem comandos de teclado que permitem efectuar o mesmo procedimento (ver tabela I).
Tabela I - Atalhos de teclado para funções de Processamento de Imagem no software QAV-PET
Teclas Funções
Q Alterar entre imagens Funcionais, Morfológicas e de Fusão Barra de Espaços Adicionar ROI à imagem seleccionada
Ctrl Subtrair ROI da imagem selecionada
Botão Esq Rato Arrastamento vertical para alteração de luminosidade Arrastamento horizontal para alteração de contraste Botão Central Rato Arrastamento para zoom
Botão Dir Rato Arrastamento para centralização da imagem Scroll Mudança de corte a visualizar
4.3.5 S
EGMENTAÇÃOAtravés do software QAV-PET é possível efectuar opções de segmentação de imagens nomeadamente a delineação de Regiões de Interesse (ROI), procedimentos de Interpolação e de identificação (etiquetagem) de imagens.
4.3.5.1 Definição de ROI
Adição de regiões de interesse nas imagens é possível através das seguintes etapas: seleção de marcador na lista de ROIs e utilizar o botão “Add ROI” para delinear a região da imagem.
Figura 12 – Derivação de opacidade entre imagens segmentadas PET e CT desde valor 0, valor morfológico por inteiro (CT) até ao valor 1, valor funcional por inteiro (PET)
PROGRAMA DOUTORAL EM ENGENHARIA BIOMÉDICA 27 Qualquer ROI pode ser posteriormente, alterada ou reorientada através da edição do marcador. Para eliminação de ROIs existe a opção “Subtract ROI”.
Assim que a ROI é definida, a segmentação pode ser automaticamente adaptada utilizando um algoritmo de segmentação denominado segmentação PET por Propagação por Afinidade (PA) (Foster et al, 2013). Este algoritmo permite o utilizador para refinar a segmentação manual inicial para os limites mais adaptados a uma região de maior intensidade ou concentração de actividade a nível da imagem, o que aumenta a precisão e diminui a variabilidade, bem como diminui o tempo total de segmentação.
Este método estima e suaviza o histograma de dados da região de interesse selecionada através de uma estimativa de densidade da máscara de modo a calcular e remover os pontos do histograma que se apresentam com maior probabilidade de ser ruído. Posteriormente, uma função de verosimilhança ou de afinidade é aplicado no histograma para estimar a semelhança dos pontos ao longo do histograma assumindo que pontos que são mais semelhantes são mais prováveis de pertencer à mesma classificação, ou seja, ao mesmo marcador de imagem (Botev et al, 2010; Frey et al, 2007). Por fim o algoritmo PA é aplicado a estas semelhanças para automaticamente calcular o número e relação de classes da imagem em análise (figura 13). Todos os parâmetros do algoritmo de segmentação PET PA podem ser facilmente ajustados através do QVA-PET. A definição manual de ROIs seguida de aplicação de segmentação automática diminui o tempo total de segmentação e a variabilidade intra e inter-utilizador, bem como aumenta a precisão total desta etapa de processamento.
4.3.5.2 Interpolação
Procedimentos de interpolação podem ser efectuados entre ROIs delineadas previamente em imagens referentes a cortes equivalentes. Para tal o botão “Interpolate” deve ser aplicado de modo a que ocorra manipulação das ROIs.
4.3.5.3 Marcadores de Imagem
Marcadores de ROI podem ser adicionados para definições de múltiplas ROIs dando a capacidade ao utilizador do software de analisar e distinguir diferentes regiões de maior concentração de actividade das imagens funcionais. O botão “Add Label” é a opção que permite essa função directamente a partir do interface do QAV-PET. O marcador pode ser editado quer com nome, quer com uma cor associadas de modo a facilitar a identificação da imagem em causa.
Figura 13 – Segmentação em QAV PET sob 3 marcadores. ROIs delineadas manualmente (esq.), segmentação PET PA aplicada nas ROIs iniciais para ajuste de limites (meio) e renderização hibrida de informação volumétrica onde as áreas de cor vermelha significam maior intensidade de sinal e áreas de cor azul de menor intensidade (dir.)
PROGRAMA DOUTORAL EM ENGENHARIA BIOMÉDICA 28
4.3.6 Q
UANTIFICAÇÃOApós a definição prévia de ROIs é possível efectuar alguns procedimentos extremamente uteis para análise quantitativa de imagens funcionais PET, processo denominado por Quantificação. A delineação de ROI permite identificar o objecto de análise da imagem para que alguns cálculos típicos na análise de imagens PET sejam efectuados.
Um dos cálculos principais é o cálculo do valor de SUV (Standard Uptake Value) que permite identificar valores de maior captação de radiofármaco no doente, ou seja de maior concentração que normalmente se correlaciona de modo proporcional com o maior valor de intensidade por voxel presente numa dada região das imagens PET. O software permite efectuar o cálculo do valor de SUV, SUV máximo (SUVmax) e SUV médio (SUVmean). Os resultados finais podem ser expostos de imediato assim como sob um formato .CSV que permite análise em folhas de cálculo ou então numa tabela gerada em MATLABTM cujo código pode ser utilizado. A estatística final
inclui as ROIS, informação de volume, SUV, SUVmax e SUVmean de todos os cortes das imagens em processamento através do botão “Material Statistics”. De referir que também nas imagens morfológicas ROIS podem ser definidas nessas imagens obtendo-se valores relativos a Unidades Hounsfield obtendo-se valores denominados de CTmean (UH). Estes valores podem ser correlacionados com os valores SUVmean permitindo determinar a concentração de intensidade da imagem funcional comparando-a com o valor de coeficiente de densidade da imagem morfológica.
4.3.7 R
ENDERIZAÇÃO ER
ELATÓRIOO software QVA-PET apresenta a capacidade de realização de relatório automético que inclui um resumo de toda a informação obtida com o processamento efectuado. O relatório em causa apresenta todas as informações relativas as ROIs delineadas bem como a capacidade de apresentação estatística de valores quantitativos. O relatório pode ser criado em termos gerais de todos os indicadores obtidos ou seleccionando apenas um dos marcadores, apresentando informação não só quantitativa como também qualitativa. Dados quantitativos como SUVmax, SUVmean, volume do marcador, SUVmax nos três planos anatómicos transversal, coronal e sagital nas imagens PET e também nas imagens morfológicas nomeadamente CT mas também MRI e imagens de fusão (no total 9 imagens) permitem avaliação de valores de normalidade e de não normalidade (patologia) de modo imediato. Para uma melhor visualização, o limite da ROI ou das ROIs selecionadas apresentam a mesma cor consoante as diferentes imagens para correlação dos resultados da segmentação com os resultados apresentados no relatório (figura 14).
Para além desta opção de relatório, o software permite a representação tridimensional da região ou das regiões resultantes da segmentação através da renderização de regiões, permitindo o destaque de regiões com elevada probabilidade de patologia associada. Inicialmente, a renderização ocorre através das informações quanto aos limites e forma dos marcadores, sendo que posteriormente a renderização sobrepõe-se com a informação funcional da imagem PET para fornecer a distribuição de concentração de sinal (fisiologicamente, distribuição de captação do radiofármaco na região volumétrica em causa) de modo a visualizar-se a informação com uma terceira dimensão e convisualizar-sequentemente melhoria do visualizar-sentido de distribuição espacial obtido. Uma vez que esta informação funcional é complementada com a informação morfológica é possível denominar esta etapa de processamento de imagem como
PROGRAMA DOUTORAL EM ENGENHARIA BIOMÉDICA 29 renderização híbrida (Bagci et al, 2013). Este parâmetro é igualmente passível de ser incluído o relatório final.
Figura 14 - Exemplo de relatório automático do QAV-PET. É possível observar informação relativa ao número de lesões ao longo do volume de análise, valores de SUVmax e SUVmean para comparação entre as diferentes regiões nas imagens PET (coluna esq.), CT (coluna central) e de fusão (coluna direita) nos 3 planos ortogonais típicos (transversal, sagital e coronal, de cima para baixo respectivamente).
PROGRAMA DOUTORAL EM ENGENHARIA BIOMÉDICA 30
5 CONCLUSÃO
Este relatório abordou técnicas simples de processamento e análise aplicados a imagens de Medicina Nuclear para fins de diagnóstico em Saúde, através das funções algorítmicas do software MATLABTM.
Com as ferramentas que apresenta é possivel melhorar a imagem adquirida qualitativamente, bem como oferecer dados de informações quantitativas úteis na terapia e cuidados do paciente. Com destaque para a Image Processing Toolbox que fornece a capacidade de efectuar uma análise quantitativa e uma visualização de imagens cintigráficas adquiridas sob diferentes tipologias (planares e tomográficas) em diferentes modalidades (nomeadamente SPECT e PET) mas também num contexto da imagiologia hibrida e a renderização volumétrica 3D de imagens. Foi igualmente abordado o software de acesso livre QAV-PET que se apresenta como add on do MATLABTM usando como arquitectura computacional de fundo e que apresenta diversas
aplicações possíveis nomeadamente a visualização e quantificação de anomalias patológicas nas imagens hibridas (PET-CT ou PET-MRI).
O algoritmo de segmentação existente permite a avaliação de acumulações de intensidade difusas ou multifocais que normalmente se correlacionam com lesões dependendo da natureza do estudo funcional (nomeadamente do radiofármaco utilizado no estudo PET), permitindo ao utilizador o estudo de derivações de distribuição de sinal em três conjuntos de imagens: imagens funcionais, morfológicas e de fusão. Outra virtude da toolbox é a capacidade de visualização da informação em formato 3D das diferentes modalidades que permite a obtenção de dados quantitativos e qualitativos de carácter volumétrico.
O facto de o software ser de acesso livre e o respectivo código encontrar-se disponível no MATLABTM File Exchange permite aos seus utilizadores para rapidamente adicionar outras
ferramentas ou modificar as já existentes para alcance de novas aplicações em diferentes contextos.
O QAV-PET permite aos investigadores um rápido acesso a uma ferramenta de processamento de imagem de acesso livre com as capacidades de visualização, segmentação, renderização volumétricas e com criação de respectivo relatório que pode ser utilizado na análise de imagens médicas em particular em imagens resultantes de modalidades híbridas.
Por fim de assinalar que de acordo com a ideia de tese, a abordagem dos conceitos teóricos e práticos do software MATLABTM e das suas ferramentas será de extrema utilidade.
PROGRAMA DOUTORAL EM ENGENHARIA BIOMÉDICA 31
6 REFERÊNCIAS BIBLIOGRÁFICAS
Bankman, I. Handbook of Medical Imaging, Academic Press, ISSN 0-12-077790-8, United States of America, 2000
Bagci U., Udupa J. K., Mendhiratta N., Foster B., Xu Z., Yao J., Chen X., and Mollura D. J., “Joint segmentation of anatomical and functional images: Applications in quantification of lesions from pet, pet-ct, mri-pet, and mri-pet-ct images", Medical image analysis, vol. 17, no. 8, pp. 929-945, 2013
Bidgood, D. & Horii, S. Introduction to the ACR-NEMA DICOM standard. RadioGraphics, Vol. 12, (May 1992), pp. (345-355), 1992
Botev Z., Grotowski J., and Kroese D., “Kernel density estimation via diffusion", The Annals of Statistics, vol. 38, no. 5, pp. 2916-2957, 2010
Delbeke, D.; Coleman, R.E.; Guiberteau M.J.; Brown, M.L.; Royal, H.D.; Siegel, B.A.; Townsend, D.W.; Berland, L.L.; Parker, J.A.; Zubal, G. & Cronin, Procedure Guideline for SPECT/CT Imaging 1.0. The Journal of Nuclear Medicine, Vol. 47, No. 7, , pp. (1227-1234). 2006
Foster B., Bagci U., Luna B., Dey B., Bishai W., Jain S., Xu Z., and Mollura D. J., “Robust segmentation and accurate target definition for positron emission tomography images using affinity propagation," in 2013 IEEE 10th International Symposium on Biomedical Imaging
(ISBI), pp. 1461-1464, 2013
Frey B. and Dueck D., “Clustering by passing messages between data points", Science, vol. 315, no. 5814, pp. 972-976, 2007
Gonzalez, R.; Woods, R., & Eddins, S. Digital Image Processing using MATLAB, (second edition), Gatesmark Publishing, ISBN 9780982085400, United States of America, 2009
Lehmann, T.M.; Gönner, C. & Spitzer, K. (1999). Survey: Interpolation Methods in Medical Image Processing. IEEE Transactions on Medical Imaging, Vol.18, No.11,), pp. (1049-1075), ISSN S0278-0062(99)10280-5, 1999
Lyra, M.; Sotiropoulos, M.; Lagopati, N. & Gavrilleli, M. (2010a). Quantification of Myocardial Perfusion in 3D SPECT images – Stress/Rest volume differences, Imaging Systems and Techniques (IST), 2010 IEEE International Conference on 1-2 July, pp 31 – 35, Thessaloniki, DOI:10.1109/IST.2010.5548486, 2010
Lyra, M.; Striligas, J.; Gavrilleli, M. & Lagopati, N. (2010b). Volume Quantification of I-123 DaTSCAN Imaging by MatLab for the Differentiation and Grading of Parkinsonism and Essential Tremor, International Conference on Science and Social Research, Kuala Lumpur, Malaysia, December 5-7, http://edas.info/p8295, 2010
Li, G. & Miller, R.W. Volumetric Image Registration of Multi-modality Images of CT, MRI and PET, Biomedical Imaging, Youxin Mao (Ed.), ISBN: 978-953-307-071-1, InTech, Available from: http://www.intechopen.com/articles/show/title/volumetric-image-registrationof-multi-modality-images-of-ct-mri-and-pet, 2010
O’ Gorman, L.; Sammon, M. & Seul M. Practicals Algorithms for image analysis, (second edition), Cambridge University Press, 978-0-521-88411-2, United States of America, 2008
Nailon, .H. Texture Analysis Methods for Medical Image Characterisation, Biomedical Imaging, Youxin Mao (Ed.), ISBN: 978-953-307-071-1, InTech, Available from:
