View
221
Download
0
Category
Preview:
Citation preview
Setembro, 2017
Afonso de Carvalho Matos Moreira
[Nome completo do autor]
[Nome completo do autor]
[Nome completo do autor]
[Nome completo do autor]
[Nome completo do autor]
[Nome completo do autor]
[Nome completo do autor]
Licenciatura em Engenharia Biomédica
[Habilitações Académicas]
[Habilitações Académicas]
[Habilitações Académicas]
[Habilitações Académicas]
[Habilitações Académicas]
[Habilitações Académicas]
[Habilitações Académicas]
Desenvolvimento e aplicação de ferramentas para o
pré-processamento de imagens de ressonância
magnética multi-espectral
[Título da Tese]
Dissertação para obtenção do Grau de Mestre em
Engenharia Biomédica
Dissertação para obtenção do Grau de Mestre em
[Engenharia Informática]
Orientador: Professor Doutor Ricardo Nuno Verga e Afonso Vigário, Professor
Auxiliar Convidado, Faculdade de Ciências e Tecnologia da
Universidade Nova de Lisboa
i
ii
Desen
volv
imento
e a
plic
ação d
e f
err
am
enta
s p
ara
o p
ré-p
rocessam
ento
de
im
agens d
e r
esso
nância
magné
tica m
ulti-
espectr
al
Afo
nso M
ore
ira
2017
iii
iv
Setembro, 2017
Afonso de Carvalho Matos Moreira
Desenvolvimento e aplicação de ferramentas para o pré-
processamento de imagens de ressonância magnética
multi-espectral
Dissertação para obtenção do Grau de Mestre em
Engenharia Biomédica
Orientador: Professor Doutor Ricardo Nuno Verga e Afonso Vigário, Professor
Auxiliar Convidado, Faculdade de Ciências e Tecnologia da
Universidade Nova de Lisboa
v
vi
Desenvolvimento e aplicação de ferramentas para o pré-processamento de
imagens de ressonância magnética multi-espectral
Copyright © Afonso de Carvalho Matos Moreira, Faculdade de Ciências e
Tecnologia, Universidade Nova de Lisboa.
A Faculdade de Ciências e Tecnologia e a Universidade Nova de Lisboa têm o direito,
perpétuo e sem limites geográficos, de arquivar e publicar esta dissertação através de
exemplares impressos reproduzidos em papel ou de forma digital, ou por qualquer
outro meio conhecido ou que venha a ser inventado, e de a divulgar através de
repositórios científicos e de admitir a sua cópia e distribuição com objectivos
educacionais ou de investigação, não comerciais, desde que seja dado crédito ao autor
e editor.
vii
viii
Agradecimentos
Agradeço ao meu orientador Professor Ricardo Vigário pelo acompanhamento, disponibilidade
demonstrada e conhecimentos transmitidos durante a realização deste trabalho, bem como pela
disponibilização deste tema que me permitiu realizar esta dissertação.
Ao Hospital Garcia de Orta pela possibilidade de utilizar as imagens recolhidas nesse hospital.
À Carolina pelas horas dispendidas e por todo o apoio que me ofereceu tanto durante o curso,
como durante a realização deste trabalho.
Ao Nuno Fernandes pela amizade e apoio durante este percurso e em especial durante a
realização deste trabalho.
A todos os meus amigos que contribuíram directa ou indirectamente para a minha formação
crescimento pessoal.
Um profundo agradecimento aos meus pais por me darem a oportunidade de prosseguir os meus
estudos e pelo apoio dado durante toda a minha vida.
ix
x
Resumo
A imagem por ressonância magnética é uma técnica com bastante aplicabilidade em diversas
patologias, pelo que há necessidade de compreender e retirar o máximo de informação destas imagens,
bem como utilizá-la na sua totalidade combinando diversas sequências em estudos multi-espectrais.
Neste trabalho, processou-se um conjunto de imagens de ressonância magnética multi-espectral
cerebrais para garantir que, a cada voxel de cada imagem, corresponde sempre a mesma porção de tecido
em todas as imagens. Estas imagens foram processadas para que uma futura classificação automática
seja o mais fiel possível. Para tal, foi feito o registo, a correcção de não-homogeneidades e uma
segmentação com recurso ao Statistical Parametric Mapping (SPM12). Seguidamente, foi criada uma
máscara única, para a realização de Skull Stripping. Esta máscara foi posteriormente optimizada. Foram
também eliminados os voxeis não nulos do fundo e normalizada a escala de cinzentos. Todas as
funcionalidades foram testadas com as imagens provenientes do BrainWeb. Após este processamento,
consegui-se obter uma máscara única de selecção da região de interesse bastante selectiva, resultado de
um registo eficiente, não afectado pelas variações do fundo, presente nas diversas sequências, da
remoção das não-homogeneidades de campo e de um passo adicional de melhoramento da máscara, e
que permitiu remover grande parte dos tecidos não-pertencentes à região de interesse presentes na
aplicação da primeira máscara às imagens.
Com este trabalho, concluiu-se que é necessário pré-processar as imagens para que se possa
retirar o máximo de informação fidedigna possível, especialmente em estudos onde é necessário
comparar diversas imagens como é o caso dos estudos multi-espectrais. Concluiu-se também que este
tipo de estudos são uma mais valia no processo de selecção da região de interesse, visto que utilizam
informação de mais que uma técnica. No entanto, caso se pretenda uma melhor selecção, talvez seja
necessário adaptar cada processo às imagens em causa.
Palavras-Chave: Ressonância magnética multi-espectral, Pré-processamento, Ressonância
magnética cerebral, Imagem médica
xi
xii
Abstract
Magnetic resonance imaging is a technique with great applicability in several pathologies. For this
reason, it is necessary to understand and obtain the maximum information possible from the images
acquired by this technique, as well as to use it in its full potencial by combining several sequences in
multispectral studies.
In this work, a set of cerebral multispectral magnetic resonance images was processed to ensure that, to
each voxel of each image, corresponds the same portion of tissue in all images. These images have been
processed so that a future automatic classification results may be as precise as possible. For this purpose,
the images where registered, a correction of non-homogeneities was applied and a segmentation was
done using the Statistical Parametric Mapping (SPM12). Subsequently, based on the segmentation, a
unique mask was created to perform a Skull Stripping and later optimized. Non-zero values were also
eliminated from the background and normalized the image’s gray scale. All functionalities have been
tested with images from BrainWeb. After this processing, a selective single mask of the region of interest
was obtained, resulting from a precise registration, unaffected by the non-zero background present in all
of the sequences, removal of the present field non-homogeneities, and one additional step of mask
improvement which enabled the removal of a large part of the non-belonging tissues of the region of
interest present in application of the first mask to the images.
In this work, it was concluded that it is necessary to pre-process the images to obtain as much reliable
information as possible, especially in studies where it is necessary to compare several images, such as
multispectral studies. It was also concluded that this type of studies is beneficial in the selection process
of the region of interest, since they use information from more than one source for this. However, if a
better selection is desired, it may be necessary to adapt each process to the images in question.
Keywords: Multispectral magnetic resonance, Preprocessing, Cerebral magnetic resonance,
Medical imaging
xiii
xiv
Índice de Matérias
1. Introdução ao tema ............................................................................................................................1
2. Ressonância Magnética ......................................................................................................................3
2.1 Princípios básicos de ressonância magnética .................................................................................3
2.2 Ressonância magnética multi-espectral ..........................................................................................5
3. Imagens por Ressonância Magnética ...............................................................................................7
4. Análise da imagem..............................................................................................................................9
4.1 Qualidade da imagem .....................................................................................................................9
4.1.1 Artefactos ...........................................................................................................................9
4.1.2 Não-homogeneidade do campo ........................................................................................10
4.1.3 Artefactos de movimento..................................................................................................13
4.2 Análise de histograma ..................................................................................................................14
4.3 Registo de imagem .......................................................................................................................16
4.3.1 Transformações ................................................................................................................16
4.3.1.1 Tipos de transformação .....................................................................................16
4.3.1.2 Propriedades da imagem ...................................................................................17
4.3.2 Métodos de registo ...........................................................................................................18
4.3.2.1 Landmark based................................................................................................18
4.3.2.2 Segmentation based ..........................................................................................18
4.3.2.3 Voxel-property based ........................................................................................18
4.3.3 Reamostragem ..................................................................................................................20
4.3.4 Skull Stripping ..................................................................................................................20
5. Objectivos específicos do trabalho ..................................................................................................23
6. Materias e métodos ...........................................................................................................................25
6.1 Interface ...............................................................................................................................26
6.2 Registo & Reamostragem ....................................................................................................27
6.3 Não-Homogeneidade de campo magnético ........................................................................30
xv
6.4 Skull Stripping .....................................................................................................................32
6.4.1 Segmentação utilizando o SPM12 .......................................................................32
6.4.2 Criação da máscara global para o skull stripping ................................................33
6.5 Manipulação do histograma.................................................................................................35
6.6 Limpeza do Fundo ...............................................................................................................36
6.7 Sequência de Pré-processamento ........................................................................................37
6.8 Visualização de imagens ....................................................................................................37
6.9 Estrutura para utilização no software de classificação ........................................................38
7. Resultados .........................................................................................................................................41
7.1 Registo .................................................................................................................................41
7.2 Correcção de não-homogeneidade de campo magnética .....................................................45
7.3 Skull Stripping .....................................................................................................................57
7.4 Manipulação do Histograma ................................................................................................72
7.5 Limpeza do Fundo ...............................................................................................................73
7.6 Visualização de volumes .....................................................................................................73
7.7 Encadeamento de etapas de Pré-processamento .................................................................74
8. Discussão ...........................................................................................................................................77
9. Conclusão ..........................................................................................................................................83
9. Bibliografia .......................................................................................................................................85
10. Apêndices ........................................................................................................................................89
xvi
Índice de Figuras
Figura 1.1 Processo de análise de imagens de ressonância magnética .....................................................2
Figura 2.1 Exemplos de T1 e T2. ...............................................................................................................4
Figura 2.2. Combinações TR e TE ...........................................................................................................5
Figura 2.3 Imagens por ressonância magnética nas ponderações T1, T2 e densidade protónica. .............6
Figura 4.1 Artefactos provocados pela susceptibilidade magnética de materiais metálicos em imagens
de 3T e 1.5T. ..........................................................................................................................................11
Figura 4.2 Exemplo de separação de artefacto causado pela não-homogeneidade do campo
magnético… ...........................................................................................................................................13
Figura 4.3. Artefactos com diferentes graus de movimento ...................................................................13
Figura 4.4. Imagem por ressonância magnética e respectivo histograma antes e após a aplicação do
método da equalização do histograma ....................................................................................................15
Figura 6.1. Interface com opções de pré-processamento .......................................................................27
Figura 6.2. Interface com opções de registo e reamostragem disponíveis na opção Coregister: Estimate
& Reslice presentes no SPM12 ..............................................................................................................29
Figura 6.3. Interface com opções de correcção de não-homogeneidade de campo disponíveis na opção
Segment presente no SPM12 ..................................................................................................................31
Figura 6.4 Interface com opções de escolha de volumes para a opção Segment presente no SPM12 ....35
Figura 6.5. Interface com opções de escolha de volumes para normalizar os valores da escala de
cinzento ..................................................................................................................................................36
Figura 6.6. Sequências de pré-processamento testadas nas imagens provenientes do Hospital Garcia de
Orta .........................................................................................................................................................39
Figura 6.7. Interface com opções de escolha para criação da estrutura para utilização no software de
classificação ...........................................................................................................................................38
Figura 7.1. Volume obtido com a sequência T2 FLAIR proveniente do Hospital Garcia de Orta … ...41
Figura 7.2. Volumes provenientes do Hospital Garcia de Orta num corte axial antes e após o registo .42
Figura 7.3. Volume obtido com a sequência T1 Gd proveniente do Hospital Garcia de Orta após
registo e reamostragem ...........................................................................................................................43
Figura 7.4. Volume obtido com a sequência T2 FLAIR proveniente do Hospital Garcia de Orta, na
altura 9, sobreposto com o volume obtido com a sequência T2 antes do registo, após o registo com a
ferramenta e após o registo com a opção General Registration (BRAINS) presente no 3D Slicer ........44
xvii
Figura 7.5. Mapas das não-homogeneidade de campo ..........................................................................45
Figura 7.6. Mapas de não-homogeneidade de campo de 20% “A” inicial, “C” inicial e respectivos
mapas calculados ....................................................................................................................................46
Figura 7.7. Mapa de não-homogeneidade de campo de 20% “B” inicial e mapa calculado de “B”. .....47
Figura 7.8. Mapa de não-homogeneidade de campo de 40% “A” inicial, “C” inicial e respectivos
mapas calculados ....................................................................................................................................48
Figura 7.9. Mapa de não-homogeneidade de campo de 40% “B” inicial e mapa calculado de “B”. .....49
Figura 7.10. Ilustração da presença da não-homogeneidade de campo no volume adquirido com a
sequência T1 Gd, na altura 11, numa imagem proveniente do Hospital Garcia de Orta .......................50
Figura 7.11. Ilustração dos mapas de não-homogeneidade de campo no volume, proveniente do
Hospital Garcia de Orta, adquirido com a sequência T2 FLAIR, para a altura 10, para as três opções de
bias regularisation ................................................................................................................................51
Figura 7.12. Ilustração dos mapas de não-homogeneidade de campo no volume, proveniente do
Hospital Garcia de Orta, adquirido com a sequência T2, para a altura 10, para as três opções de bias
regularisation .........................................................................................................................................51
Figura 7.13. Ilustração dos mapas de não-homogeneidade de campo no volume, proveniente do
Hospital Garcia de Orta, adquirido com a sequência T1 Gd, para a altura 10, para as três opções de
bias regularisation ................................................................................................................................52
Figura 7.14. Ilustração dos mapas de não-homogeneidade de campo no volume, proveniente do
Hospital Garcia de Orta, adquirido com a sequência 2D MERGE, para a altura 10, para as três opções
de bias regularisation ............................................................................................................................52
Figura 7.15. Imagem, proveniente do Hospital Garcia de Orta, da sequência T2 FLAIR, na altura 9,
antes da correcção, mapa da não-homogeneidade de campo e após correcção na opção Very Light.....53
Figura 7.16. Imagem, proveniente do Hospital Garcia de Orta, da sequência T2, na altura 13, antes da
correcção, mapa da não-homogeneidade de campo e após correcção na opção Very Light...................53
Figura 7.17. Imagem, proveniente do Hospital Garcia de Orta, da sequência 2D MERGE, na altura 14,
antes da correcção, mapa da não-homogeneidade de campo e após correcção na opção Very Light.....53
Figura 7.18. Imagem, proveniente do Hospital Garcia de Orta, da sequência T1 Gd, na altura 11, antes
da correcção, mapa da não-homogeneidade de campo e após correcção na opção Very Light. .............54
Figura 7.19. Imagem, proveniente do Hospital Garcia de Orta, da sequência T2 FLAIR, na altura 9,
antes da correcção, mapa da não-homogeneidade de campo e após correcção na opção Light. ............54
xviii
Figura 7.20. Imagem, proveniente do Hospital Garcia de Orta, da sequência 2D MERGE, na altura 14,
antes da correcção, mapa da não-homogeneidade de campo e após correcção na opção Light. ............55
Figura 7.21. Imagem, proveniente do Hospital Garcia de Orta, da sequência T1 Gd, na altura 11, antes
da correcção, mapa da não-homogeneidade de campo e após correcção na opção Light. .....................55
Figura 7.22. Imagem, proveniente do Hospital Garcia de Orta, da sequência 2D MERGE, na altura 14,
antes da correcção, mapa da não-homogeneidade de campo e após correcção na opção Medium. .......56
Figura 7.23. Imagem, proveniente do Hospital Garcia de Orta, da sequência T1 Gd, na altura 11, antes
da correcção, mapa da não-homogeneidade de campo e após correcção na opção Medium. .................56
Figura 7.24 a). Volume (prefixo “SS_”) resultante da primeira etapa de criação da máscara única na
sequência T2 FLAIR, nas alturas de 7 a 16. ...........................................................................................57
Figura 7.24 b). Volume (prefixo “SS_”) resultante da primeira etapa de criação da máscara única na
sequência T2, nas alturas de 7 a 16 ........................................................................................................57
Figura 7.24 c). Volume (prefixo “SS_”) resultante da primeira etapa de criação da máscara única na
sequência T1 Gd, nas alturas de 7 a 16 ..................................................................................................58
Figura 7.24 d). Figura 7.20. Volume (prefixo “SS_”) resultante da primeira etapa de criação da
máscara única na sequência 2D MERGE, nas alturas de 7 a 16 ............................................................58
Figura 7.25 a). Volume obtido após o primeiro método de criação da máscara única e aplicação da
mesma às imagens provenientes do Hospital Garcia de Orta, na sequência T2 FLAIR, nas alturas de 7
a 16 .........................................................................................................................................................59
Figura 7.25 b). Volume obtido após o primeiro método de criação da máscara única e aplicação da
mesma às imagens provenientes do Hospital Garcia de Orta, na sequência T2, nas alturas de 7 a
16…… ....................................................................................................................................................59
Figura 7.25 c). Volume obtido após o primeiro método de criação da máscara única e aplicação da
mesma às imagens provenientes do Hospital Garcia de Orta, na sequência T1 Gd, nas alturas de 7 a 16
................................................................................................................................................................59
Figura 7.25 d). Volume obtido após o primeiro método de criação da máscara única e aplicação da
mesma às imagens provenientes do Hospital Garcia de Orta, na sequência 2D MERGE, nas alturas de
7 a 16 ......................................................................................................................................................60
Figura 7.26 a). Volume obtido após o segundo método de criação da máscara única e aplicação da
mesma às imagens provenientes do Hospital Garcia de Orta, na sequência T2 FLAIR, nas alturas de 7
a 16 .........................................................................................................................................................60
xix
Figura 7.26 b). Volume obtido após o segundo método de criação da máscara única e aplicação da
mesma às imagens provenientes do Hospital Garcia de Orta, na sequência T2, nas alturas de 7 a
16…… ....................................................................................................................................................61
Figura 7.26 c). Volume obtido após o segundo método de criação da máscara única e aplicação da
mesma às imagens provenientes do Hospital Garcia de Orta, na sequência T1 Gd, nas alturas de 7 a 16
................................................................................................................................................................61
Figura 7.26 d). Volume obtido após o segundo método de criação da máscara única e aplicação da
mesma às imagens provenientes do Hospital Garcia de Orta, na sequência 2D MERGE, nas alturas de
7 a 16 ......................................................................................................................................................61
Figura 7.27 a). Volume obtido após o terceiro método de criação da máscara única e aplicação da
mesma às imagens provenientes do Hospital Garcia de Orta, na sequência T2 FLAIR, nas alturas de 7
a 16 .........................................................................................................................................................62
Figura 7.27 b). Volume obtido após o terceiro método de criação da máscara única e aplicação da
mesma às imagens provenientes do Hospital Garcia de Orta, na sequência T2, nas alturas de 7 a
16……. ..................................................................................................................................................62
Figura 7.27 c). Volume obtido após o terceiro método de criação da máscara única e aplicação da
mesma às imagens provenientes do Hospital Garcia de Orta, na sequência T1 Gd, nas alturas de 7 a
16. ...........................................................................................................................................................63
Figura 7.27 d). Volume obtido após o terceiro método de criação da máscara única e aplicação da
mesma às imagens provenientes do Hospital Garcia de Orta, na sequência 2D MERGE, nas alturas de
7 a 16 ......................................................................................................................................................63
Figura 7.28 a). Volume obtido após o quarto método de criação da máscara única e aplicação da
mesma às imagens provenientes do Hospital Garcia de Orta, na sequência T2 FLAIR, nas alturas de 7
a 16 .........................................................................................................................................................64
Figura 7.28 b). Volume obtido após o quarto método de criação da máscara única e aplicação da
mesma às imagens provenientes do Hospital Garcia de Orta, na sequência T2, nas alturas de 7 a 16 ..64
Figura 7.28 c). Volume obtido após o quarto método de criação da máscara única e aplicação da
mesma às imagens provenientes do Hospital Garcia de Orta, na sequência T1 Gd, nas alturas de 7 a 16
................................................................................................................................................................64
xx
Figura 7.28 d). Volume obtido após o quarto método de criação da máscara única e aplicação da
mesma às imagens provenientes do Hospital Garcia de Orta, na sequência 2D MERGE, nas alturas de
7 a 16 ......................................................................................................................................................65
Figura 7.29 a). Volume obtido após o primeiro método de melhoramento da máscara única e aplicação
da mesma às imagens provenientes do Hospital Garcia de Orta, na sequência T2 FLAIR, nas alturas de
7 a 16 ......................................................................................................................................................65
Figura 7.29 b). Volume obtido após o primeiro método de melhoramento da máscara única e aplicação
da mesma às imagens provenientes do Hospital Garcia de Orta, na sequência T2, nas alturas de 7 a 16
................................................................................................................................................................66
Figura 7.29 c). Volume obtido após o primeiro método de melhoramento da máscara única e aplicação
da mesma às imagens provenientes do Hospital Garcia de Orta, na sequência T1 Gd, nas alturas de 7 a
16 ............................................................................................................................................................66
Figura 7.29 d). Volume obtido após o primeiro método de melhoramento da máscara única e aplicação
da mesma às imagens provenientes do Hospital Garcia de Orta, na sequência 2D MERGE, nas alturas
de 7 a 16 .................................................................................................................................................66
Figura 7.30 a). Volume obtido após o segundo método de melhoramento da máscara única e aplicação
da mesma às imagens provenientes do Hospital Garcia de Orta, na sequência T2 FLAIR, nas alturas de
7 a 16 ......................................................................................................................................................67
Figura 7.30 b). Volume obtido após o segundo método de melhoramento da máscara única e aplicação
da mesma às imagens provenientes do Hospital Garcia de Orta, na sequência T2, nas alturas de 7 a 16
................................................................................................................................................................67
Figura 7.30 c). Volume obtido após o segundo método de melhoramento da máscara única e aplicação
da mesma às imagens provenientes do Hospital Garcia de Orta, na sequência T1 Gd, nas alturas de 7 a
16 ............................................................................................................................................................68
Figura 7.30 d). Volume obtido após o segundo método de melhoramento da máscara única e aplicação
da mesma às imagens provenientes do Hospital Garcia de Orta, na sequência 2D MERGE, nas alturas
de 7 a 16 .................................................................................................................................................68
Figura 7.31 a). Volume obtido após o terceiro método de melhoramento da máscara única e aplicação
da mesma às imagens provenientes do Hospital Garcia de Orta, na sequência T2 FLAIR, nas alturas de
7 a 16 ......................................................................................................................................................69
xxi
Figura 7.31 b). Volume obtido após o terceiro método de melhoramento da máscara única e aplicação
da mesma às imagens provenientes do Hospital Garcia de Orta, na sequência T2, nas alturas de 7 a
16…… ....................................................................................................................................................69
Figura 7.31 c). Volume obtido após o terceiro método de melhoramento da máscara única e aplicação
da mesma às imagens provenientes do Hospital Garcia de Orta, na sequência T1 Gd, nas alturas de 7 a
16 ............................................................................................................................................................69
Figura 7.31 d). Volume obtido após o terceiro método de melhoramento da máscara única e aplicação
da mesma às imagens provenientes do Hospital Garcia de Orta, na sequência 2D MERGE, nas alturas
de 7 a 16 .................................................................................................................................................70
Figura 7.32. Máscara composta por substância branca, substância cinzenta e líquido cefalorraquidiano,
provenientes do BrainWeb, máscara calculada usando a ferramenta presentes neste tabalho e
sobreposição das duas máscaras, respectivamente. ................................................................................71
Figura 7.33. Máscara única, resultante da soma das máscaras obtidas com recurso à opção Swiss Skull
Stripper, presente no software 3D Slicer, sobreposta ao volume proveniente do Hospital Garcia de
Orta, na sequência T2 FLAIR, na altura 11. ...........................................................................................71
Figura 7.34. Histograma antes e após a manipulação do histograma dos volumes obtidos com as
sequências T2 FLAIR, T2, T1 Gd e 2D MERGE, na altura 12, provenientes do Hospital Garcia de
Orta .........................................................................................................................................................72
Figura 7.35. Altura 12 do volume original, proveniente do Hospital Garcia de Orta, na sequência 2D
MERGE, e do volume obtido após a limpeza de fundo .........................................................................73
Figura 7.36. Volume completo proveniente do Hospital Garcia de Orta, na sequência T2 FLAIR. ......74
Figura 7.37. Imagens resultantes da aplicação das três sequências de pré-processamento testadas às
imagens provenientes do Hospital Garcia de Orta. ................................................................................75
xxii
Índice de Tabelas
Tabela 6.1. TR e TE para as sequências de imagem provenientes do Hospital Garcia de Orta em ms..
................................................................................................................................................................25
Tabela 7.1. Parâmetros das transformações efectuadas durante o registo das imagens provenientes do
Hospital Garcia de Orta ..........................................................................................................................42
Tabela 7.2. Coeficiente de correlação para os parâmetros Light e 150 mm na percentagem de não-
homogeneidade de 20% dos mapas “A” e “C” ......................................................................................46
Tabela 7.3. Coeficiente de correlação para os parâmetros Light e 140 mm na percentagem de não-
homogeneidade de 20% dos mapas “B” .................................................................................................46
Tabela 7.4. Coeficiente de correlação para o método N4ITK na percentagem de não-homogeneidade
de campo de 20% ...................................................................................................................................47
Tabela 7.5. Coeficiente de correlação para os parâmetros Light e 140 mm na percentagem de não-
homogeneidade de campo de 40% dos mapas “A” e “C” ......................................................................48
Tabela 7.6. Coeficiente de correlação para os parâmetros Light e 120 mm na percentagem de não-
homogeneidade de campo de 40% do mapa “B” ..................................................................................48
Tabela 7.7. Coeficiente de correlação para os parâmetros Light e 120 mm na percentagem de não-
homogeneidade de campo de 60% dos mapas “A”, “B” e “C” ..............................................................49
Tabela 7.8. Coeficiente de correlação para os parâmetros Light e 120 mm na percentagem de não-
homogeneidade de campo de 100% dos mapas “A”, “B” e “C” ............................................................50
Tabela 7.9. Percentagem de não-homogeneidade de campo dos quatro volumes provenientes do
Hospital Garcia de Orta, nas três opções de correcção...........................................................................52
Tabela 7.10. Coeficientes de correlação antes e após o passo adicional de criação da máscara
única…… ...............................................................................................................................................70
xxiii
xxiv
Lista de Siglas e Símbolos
ω0 - Frequência de Larmor
γ - constante giromagnética
B0 - campo magnético externo uniforme
RF – Radio-Frequência
T1 - Tempo de relaxação longitudinal
T2 - Tempo de relaxação transversal
DP – Densidade Protónica
TR - Tempo de repetição
TE- Tempo de eco
fs - Frequência de amostragem
fm - Frequência máxima do sinal
FLAIR - Fluid attenuation inverse recovery
Gd – Gadolínio
MERGE - Multiple Echo Recombined Gradient Echo
NifTi - Neuroimaging Informatics Technology Initiative
SPM12 – Statistical Parametric Mapping 12
xxv
1
Introdução ao tema
Os avanços tecnológicos das últimas décadas, na área da medicina, permitiram uma melhor
compreensão do corpo humano e, por conseguinte, das suas necessidades e limitações. Estes avanços
permitiram o desenvolvimento de novas técnicas na medicina, o que levou a um aumento da qualidade
de vida. Um dos maiores avanços, conseguido através das técnicas de imagem médica, foi a
possibilidade de aceder, visualmente, ao interior do organismo sem necessidade de utilização de
métodos invasivos, como a cirurgia ou a endoscopia. Este avanço foi iniciado com a descoberta da
imagem por raio-x e prosperou após a descoberta da tomografia computorizada (Taxt et al., 1998).
A informação do interior do organismo humano pode ser recolhida recorrendo a diversos
métodos, mais ou menos directos. As técnicas são variadas e vão desde a recolha de potenciais eléctricos,
nomeadamente através da eletroencefalografia, até à recolha de imagens estruturais e funcionais, com
crescente pormenorização através de técnicas como a tomografia computorizada / ressonância
magnética e ressonância magnética funcional / tomografia por emissão de positrões. Uma área na qual
se observou um grande crescimento com os avanços na imagem médica foi a área da neuroimagiologia
que passou a ser essencial no estudo de diversas doenças neurológicas (Patkar et al., 2013).
A ressonância magnética é uma técnica em grande crescimento. Devido à sua relativa
inocuidade quando comparada com outros métodos de imagem (McRobbie et al., 2006), esta técnica
representa um forte avanço em relação às técnicas que utilizam radiação ionizante ou radioisótopos. No
entanto, esta técnica tem as suas limitações. A necessidade de um campo magnético uniforme é de
extrema importância e, quando tal não acontece, são originadas imagens de difícil compreensão e/ou
classificação. A necessidade de imobilidade total durante o exame, em zonas do corpo onde tal nem
sempre é possível, associado a um tempo de aquisição relativamente elevado, leva a que ocorram
artefactos nas imagens recolhidas e, por conseguinte, sejam imagens de difícil compreensão e sem
correspondência com as estruturas que as originaram. A utilização de diversas sequências de imagens,
em diversas máquinas, origina imagens com características como escala de graus de cinzento, resolução
1
2
e ponderações diferentes, o que torna a comparação entre elas difícil. Para tal é necessário um pré-
processamento das imagens para que estas apresentem o maior grau de confiabilidade possível. Quando
este passo não é efectuado, há maior dificuldade no entendimento das imagens, quer num exame único
efectuado a um paciente, quer na comparação de imagens do mesmo paciente, mas em diferentes
condições. Por outro lado, caso não haja um pré-processamento eficaz, a classificação automática ou
semiautomática de estruturas e/ou tecidos, que nos permite diagnosticar determinadas patologias, irá ser
menos precisa e, por conseguinte, levar a uma maior probabilidade de ocorrerem erros de diagnóstico.
Em suma, nas imagens de ressonância magnética existem, de forma simplificada, dois estádios
onde é necessário prevenir o aparecimento de artefactos e, caso estes surjam, corrigi-los. No terceiro
estádio parte-se do pressuposto que a imagem já não contém artefactos. Estes estádios estão presentes
na figura 1.1.
Figura 1.1. Processo de análise (simplificado) de imagens de ressonância magnética.
O primeiro estádio corresponde ao processo de aquisição das imagens. É neste estádio que são
escolhidas as sequências a utilizar e da aplicação destas resultam, como produto final, as imagens não
processadas. Este estádio não faz parte desta tese, pelo que se admite que as imagens já foram adquiridas.
O segundo estádio recebe, como parâmetro de entrada, a saída do estádio anterior, isto é, as
imagens não processadas. O presente trabalho desenvolve-se neste segundo estádio e tem como
objectivo a aplicação de diversos métodos de pré-processamento, de modo a garantir que as imagens
estão o mais limpas possível de tudo o que seja artefacto, bem como com elevado grau de alinhamento
entre elas, e selecionada a região de interesse para o estádio seguinte. Para que tal aconteça, este estádio
está subdividido em processos, independentes, correspondentes aos métodos utilizados. O produto final
estádio é, portanto, a região de interesse isolada e melhorada, a partir das imagens não processadas,
dando origem a imagens pré-processadas.
O terceiro, e último, estádio tem como parâmetro de entrada as imagens pré-processadas,
provenientes do estádio anterior e procura classificar automaticamente os tecidos, atribuindo-lhes uma
probabilidade de pertença. Este estádio irá ser trabalhado pelo aluno Nuno Fernandes na tese de
mestrado em engenharia biomédica intitulada “Optimização de uma ferramenta de segmentação de
tecidos em imagens de ressonância magnética”. Nessa tese irá ser optimizada uma ferramenta de
segmentação de tecidos que permite classificar os diversos tecidos presentes nas imagens por
ressonância magnética, utilizando algoritmos de clustering como o Self-Organizing Maps (SOM) e o
Discriminative Clustering.
3
Ressonância Magnética
A ressonância magnética é uma técnica com diversas aplicações, quer a nível de diagnóstico de
patologias, em diversas partes do corpo humano, quer como meio de visualização de determinada
estrutura ou da compreensão da sua funcionalidade. Neste capítulo irão ser descritos alguns conceitos
referentes à técnica e suas limitações.
2.1 Princípios básicos de Ressonância
Esta técnica tem por base o comportamento dos núcleos de certos átomos aos quais, quando
imersos num campo magnético constante externo, lhes é aplicado um impulso magnético de
radiofrequência (Rangayyan, 2004). Os átomos, maioritariamente de hidrogénio, tendo apenas um
protão desemparelhado no seu núcleo e, por isso, um momento angular de spin intrínseco não inteiro,
estando inseridos num campo magnético externo uniforme B0, irão alinhar-se de modo paralelo (menor
energia) ou anti-paralelo (maior energia) relativamente a B0, criando um vector de magnetização
resultante. Este irá realizar um movimento de precessão, com uma frequência específica, em torno do
vector de campo B0, chamada frequência de Larmor (Hancock & Lennon-George, 2010). Esta
frequência – ω0 – é proporcional ao valor do campo B0. A constante de proporcionalidade, chamada
constante giromagnética γ, é especifica a cada núcleo, e está presente na fórmula seguinte:
𝜔0 = 𝛾𝐵0
Com esta fórmula é possível calcular a frequência de Larmor para os átomos inseridos num determinado
campo magnético.
Ao ser aplicado um impulso de radiofrequência (RF), apenas os átomos que tenham frequência
de precessão igual à frequência do impulso irão absorver energia, num processo chamado ressonância.
Ao absorverem essa energia irão, de acordo com a duração do impulso, modificar o valor da
magnetização total na direcção do campo B0 (normalmente associado ao eixo zz), levando ao
2
4
aparecimento de magnetização no plano perpendicular ao de B0 (normalmente plano xy). A mudança de
direccção do vector total de magnetização é medida pelo ângulo entre a direcção do vector total de
magnetização inicial e final, ao qual se dá o nome de flip-angle. É a re-emissão da energia absorvida
durante o impulso por parte destes átomos que irá dar origem ao sinal medido pelo aparelho.
Após ser retirado o impulso, a magnetização, quer na sua projecção zz quer no plano xy, irá
regressar ao estado de equilíbrio, segundo uma exponencial governada por um tempo de relaxação
longitudinal (T1), ou seja, ao longo do eixo zz e por um tempo de relaxação transversal (T2), ou seja, ao
longo do plano xy, característicos de cada tecido, para um determinado valor de campo externo. Na
figura 2.1. são apresentados os valores de T1 e T2 para diferentes tecidos presentes no encéfalo.
Figura 2.1. Exemplos de T1 e T2. Retirada de Wansapura et al. (1999).
Caso, após ser retirado o primeiro impulso, for aplicado um segundo impulso espaçado do
primeiro no tempo, é induzida uma magnetização que se traduz num sinal comummente chamado de
eco. O sinal obtido corresponde apenas a um plano paralelo a xy, ou slice. Este poderá ter diversos
valores de espessuras e, por isso, representar maior ou menor quantidade de tecido na imagem. A escolha
deste plano é feita pela imposição de um gradiente de campo na direcção de B0, e variando a frequência
do impulso, de modo a corresponder à frequência de rotação em torno do eixo do vector de campo
magnético dos núcleos no plano desejado. Para além da frequência, também a intensidade do campo
externo é um factor a ter em consideração. Uma intensidade cria uma diferença energética maior entre
os estados de maior e menor energia e, em conjunto com a definição de um gradiente, permite uma
escolha mais rigorosa do plano de imagem. É, no entanto, um tópico controverso a quantificação dos
malefícios que um campo de elevada intensidade acarreta (Kwan-Hoong et al., 2003).
Após a selecção do plano de análise, isto é, obtida a coordenada z, é necessário codificar a
imagem em x e y. Para tal, são aplicados um gradiente em fase e um gradiente de frequência. O gradiente
em fase é um gradiente aplicado num intervalo de tempo curto, com o objectivo de, alterando as
frequências de precessão dos átomos ao longo do eixo y, desfasar as linhas após o desaparecimento do
gradiente. O gradiente em frequência tem como objectivo alterar a frequência ao longo do eixo x,
tornando possível a localização de uma coluna, com base na variação da frequência dos átomos nela
presentes. É durante a aplicação deste gradiente que se mede o sinal. Com a informação em x, y e z é
criada a unidade básica da imagem, o voxel.
5
2.2 Ressonância magnética multi-espectral
Consoante o tecido que se deseja visualizar, pode-se variar parâmetros como o tempo de
aplicação do impulso, o intervalo de tempo entre impulsos ou o intervalo de tempo entre o impulso e o
eco correspondente. Estas alterações levam a concomitantes variações nos contrastes entre tecidos. Ao
conjunto de imagens de uma mesma estrutura, mas com diferentes parâmetros, é dado o nome de
ressonância multi-espectral.
Cada combinação do conjunto de parâmetros dá origem a uma sequência. Cada sequência pode,
por exemplo, ser pesada em T1, T2, densidade protónica (DP) ou ainda num intermédio entre as três. No
entanto, variação de parâmetros como a magnetização inicial, o flip-angle, entre outros, dão origem a
um número bastante mais elevado de sequência possíveis e especificas a cada estudo. Dois parâmetros
cruciais em ressonância magnética são o tempo de repetição (TR), que medeia o tempo entre duas
aplicações do impulso de radiofrequência ortogonal a B0; e o tempo de eco (TE), correspondente ao
tempo entre a aplicação do impulso e a geração do sinal de eco, durante o qual é medido em imagens de
ressonância magnética. A figura 2.2. representa as possíveis combinações de TR e TE, bem como o peso
das mesmas em cada um dos tempos de relaxação e densidade protónica.
Figura 2.3. Combinações TR e TE. Retirado de Plewes (1994).
Na figura 2.3 encontram-se três imagens ponderadas, da esquerda para a direita, em T1, T2 e
densidade protónica.
6
Figura 2.3. Imagens por ressonância magnética nas ponderações T1 (Esquerda), T2 (Centro) e densidade protónica
(Direita). Imagens retiradas provenientes do BrainWeb1.
1 http://www.bic.mni.mcgill.ca/brainweb/
7
Imagens por Ressonância Magnética
O sinal recolhido directamente das magnetizações não é uma imagem, mas a transformada de
Fourier, na forma espacial, da mesma. Na obtenção da imagem, é utilizada a transformada de Fourier
inversa, e assim obter a informação estrutural.
Há que ter em conta que o objecto observado é contínuo e, por isso, não compatível com a matriz
de píxeis que forma uma imagem. O processo de conversão de uma amostra denomina-se amostragem.
Neste processo recolhe-se o sinal com uma frequência de amostragem, expressa através da relação de
Nyquist descrita na fórmula seguinte, de modo a converter um sinal analógico num sinal discreto ou
digital (Rangayyan, 2004),
𝑓𝑠 ≥ 2𝑓𝑚
sendo fs a frequência de amostragem e fm a frequência máxima do sinal.
O número de píxeis numa imagem é de extrema importância. Imagens com uma matriz de
pequena dimensão levam a que existam píxeis de maior dimensão e a uma baixa resolução espacial, com
imagens desfocadas e de aparência descontínua ao olho humano. No entanto, quanto maior for essa
discretização, maior será o número de píxeis na imagem e maior será o espaço ocupado mesma, bem
como as necessidades de computação no seu processamento.
Por outro lado, o número de níveis de cinzento por píxel determina como é dividida a amplitude
do sinal para que este seja convertido num sinal discreto (Gonzalez & Woods, 2002). Nas imagens por
ressonância magnética cada píxel tem informação não só a nível de x e y, mas também de z sendo,
portanto, chamado de voxel.
A cada voxel será atribuída uma intensidade, ou seja, nível de cinzento, consoante o valor da
amplitude do sinal. Esta intensidade é, normalmente, nas imagens de ressonância magnética,
representada numa escala de 0 a 255 níveis, isto é, uma escala de cinzento a 8 bits por píxel. Ao 0 atribui-
se a intensidade menor, preto, e ao 255 atribui-se a maior intensidade, branco. Este intervalo pode ir até
3
8
valores como 216 ou 232. Quanto maior for a gama de níveis, maior será o grau de discriminação entre
intensidades.
A imagem resultante é, portanto, o resultado da codificação, em graus de cinzento, do objecto
do qual se pretende fazer a imagem. Esta discretização permite avaliar a imagem com base na variação
dos níveis de cinzento ao longo da imagem, por exemplo, com base num histograma. Este tipo de gráfico
é bastante útil na comparação entre imagens, pois permite avaliar a distribuição dos níveis ao longo da
imagem e identificar prevalências ou ausências de intensidades em determinadas gamas. Permite avaliar
factores que estejam a influenciar a imagem como zonas hipointensas, zonas hiperintensas ou outras
saturações.
9
Análise da Imagem
A imagem por ressonância magnética tem diversas aplicações. No entanto, todas elas necessitam
de um pré-processamento mais ou menos especifico, consoante o estudo no qual se inserem. Neste
capítulo irão ser abordados alguns tipos mais frequentes de pré-processamento de imagens médicas com
o objectivo de melhorar a qualidade, ou que se destinem a extrair informação relevante das mesmas.
4.1 Qualidade de imagem
Neste subcapítulo irão ser explicados alguns dos artefactos mais comuns nas imagens de
ressonância magnética, bem como os métodos de correcção actualmente empregues para esse efeito.
4.1.1 Artefactos
A imagem recolhida é uma imagem "em bruto", contando com diversos factores que a
influenciam negativamente, no que diz respeito à qualidade e/ou quanto à sua aproximação da realidade.
Estes factores provocam na imagem aquilo a que se dá o nome de artefactos. Existem diversas fontes de
artefactos em imagens por ressonância magnética. Estas perturbações vão desde movimentos efectuados
durante o exame, revelando conjuntos de píxeis com intensidades diferentes do espectável e/ou
desfocadas, até fenómenos de wrap-around, revelando estruturas na imagem fora do seu lugar
anatómico correcto. No entanto, aquilo que é artefacto numa imagem pode não o ser noutra imagem de
um mesmo estudo (ou de estudos diferentes), como é o caso das variações de sinal devido ao fluxo
sanguíneo capaz de afectar imagens por ressonância magnética funcional. Ausências de sinal, causadas
por esse mesmo fluxo podem permitir a criação de imagens de angiografia.
Existem ainda diversos parâmetros que diferem entre aquisições de imagens, como o indivíduo
do qual se produz a imagem; a máquina ou até o dia em que se obtém a imagem. Estes não podem ser
4
10
chamados de artefactos, no mesmo sentido dos referidos anteriormente, mas afectam as imagens num
estudo multi-espectral e multi-individuo, dificultando processos como a segmentação global de um
conjunto de imagens. Estas variações afectam especialmente estudos cujas imagens, já pré-processadas,
podem ser manipuladas, por forma a estar mais de acordo com a finalidade do estudo. Um exemplo é a
comparação de imagens de um mesmo indivíduo, formadas com uma mesma sequência, mas em alturas
diferentes, com o objectivo de fazer o acompanhamento de uma determinada patologia.
4.1.2 Não homogeneidade do campo magnético
A necessidade de produção e manutenção de um campo magnético B0 uniforme é um dos pilares
da ressonância magnética. Este é criado recorrendo a bobinas supercondutoras, que criam um campo
aproximadamente uniforme no seu centro. No entanto, um campo completamente uniforme é
extremamente difícil de produzir, pelo que há que ter em conta as perturbações produzidas na imagem,
quando essa homogeneidade não é garantida.
A modificação das frequências de rotação em torno do eixo do vector de campo magnético,
devido à não-homogeneidade do campo B0, não sendo compensadas, irão produzir artefactos devido a
alterações na reconstrução, através da transformada de Fourier, isto é, alterando a relação codificação
espacial - frequência da imagem (Smith & Nayak, 2010). Este efeito pode apresentar-se em diferentes
escalas, desde variações dentro de um mesmo voxel, até variações em larga escala, produzindo
distorções geométricas, como a distorção indicada com a seta na figura 4.1, ou falhas na escolha do
plano, devido à fusão de frequências não correspondentes a esse plano (Dietrich et al., 2008). Este tipo
de artefacto pode ser corrigido, em determinadas circunstâncias recorrendo a uma calibração do
equipamento no qual se adquire as imagens.
No entanto, por vezes o campo é extremamente uniforme, mas a introdução de um objecto no
seu interior leva a que esta uniformidade seja desestabilizada. Este fenómeno deve-se à suscetibilidade
magnética do objecto, isto é, à sua predisposição para se alinhar com o campo existente, diminuindo a
uniformidade do mesmo. Este fenómeno é visível principalmente nos contornos de superfícies metálicas
presentes no organismo (como na figura 4.1., onde a presença de uma peça de metal, indicada pela seta,
provoca uma zona escura, que não tem correspondência anatómica e que provoca uma hiperintensidade
noutras partes da imagem, como é possível verificar no contorno da imagem da direita ou na parte
inferior da imagem da esquerda) ou na existência de moléculas com propriedades magnéticas
específicas, como é o caso da oxi e desoxihemoglobina, principais moléculas usadas na técnica de Blood
Oxigen level Dependent (BOLD), que está na base das imagens de ressonância magnética funcional.
Estes artefactos têm maior peso em imagens adquiridas em máquinas com um campo mais intenso,
sendo que é aproximadamente o dobro em imagens a 3 Tesla, em comparação com imagens a 1.5 Tesla
(Lee et al., 2007).
11
Figura 4.1. Artefactos provocados pela susceptibildade magnética de materiais metálicos em imagens ponderadas
em T1, adquiridas com campos magnéticos de intensidade 1.5T (Esquerda) e 3T (Direita). A seta indica o local
onde está presente a hipointensidade devida ao objecto metálico, neste caso um clip cirúrgico. Adaptado de Lee et
al. (2007).
Também o campo magnético produzido pelo impulso de radiofrequência, B1, tem influência na
imagem, caso não seja uniforme. A não uniformidade pode ser devida a um mau desenho das bobinas a
utilizar, como bobinas de diâmetro fora dos valores adequados ou em quadratura, ou numa má relação
entre os comprimentos de ondas do impulso e do objecto do qual de pretende fazer a imagem. A
atenuação do comprimento de onda do impulso de radiofrequência, ao percorrer o corpo humano, pode
chegar à ordem dos 10-2, ficando o impulso com um comprimento de onda da mesma ordem de grandeza
das estruturas no organismo, o que leva a variações positivas ou negativas na intensidade dos píxeis na
imagem (Dietrich et al., 2008). O impulso RF pode ainda induzir correntes de Foucault no material que,
por sua vez, produzem um campo magnético que, dependendo das características do material, pode
anular o campo B1, provocando zonas de diminuição de intensidade de campo. Pode ainda interferir
construtivamente, provocando zonas de aumento da sua intensidade (Lee et al. 2007).
Num conjunto de imagens já adquiridas não é possível evitar o movimento do paciente, ou
calibrar a máquina onde se fez a aquisição, sendo, portanto, necessária a criação de algoritmos capazes
de corrigir esses artefactos. Vovk et al. (2007) propõem uma classificação destas estratégias em
Prospective, sendo este método usado para prevenir as heterogeneidades durante o exame, e em
Retrospective, sendo este usado em imagens adquiridas com este tipo de artefacto. Dentro dos
Retrospective, existem os métodos baseados em filtragem, em surface fitting e em manipulação de
histogramas das imagens. Segundo os mesmos autores, os métodos de filtragem têm por base o
pressuposto de que o artefacto está presente principalmente nas baixas frequências, pelo que é aplicado
um filtro passa-baixo à imagem e posteriormente subtraído da imagem original. Caso se utilize uma
escala logarítmica, a correcção é feita por divisão. Este método é bastante usado devido à sua
simplicidade (Hou, 2006).
Os métodos de surface fitting têm por base o pressuposto que a inhomogeneidade tem um efeito
multiplicativo na imagem. A função que define a não-homogeneidade multiplicativa, por ter variações
suaves, pode aproximar-se a uma superfície conhecida que definirá a inhomogeneidade. A definição da
superficie a retirar pode ser estimada das imagens, das imagens originais utilizando, segundo Belaroussi
et al. (2006), polinómios ou spline.
12
Os métodos baseados em manipulação de histogramas, inseridos nos métodos estatísticos de
classificação propostos por Hou (2006), operam neste tipo de gráficos, com o objectivo de retirar o
máximo possível de informação da imagem original, tendo em conta a distribuição de graus de cinzento
presentes na imagem, e partindo do pressuposto que as heterogeneidades seguem um processo aleatório,
nomeadamente de Markov, modelando essa perturbação.
Um método de elevada importância é o método Non-parametric intensity non-uniformity
normalization (N3), proposto por Sled (1998). Segundo o autor, este método tem como objectivo
encontrar o factor multiplicativo, que se pressupõe ter uma distribuição gaussiana, que maximiza o
conteúdo de alta frequência do sinal dito "puro". Tendo este método como base, Tustison et al. (2010)
propuseram uma variação desse método, no qual a suavização da distribuição calculada é feita utilizando
um modelo mais robusto, através de uma função B-Spline, que denominaram N4ITK. Ambos os métodos
se enquadram na classificação de surface fitting, uma vez que assumem um modelo de superficie para
as não-homogeneidades de campo.
Belaroussi et al., (2006) referem ainda métodos nos domínios de Fourier e de wavelets. Nestes
métodos, a correcção é feita nos respectivos domínios, antes da passagem ao espacial.
Na figura 4.2. é possível observar um exemplo de correção de não-homogeneidade de campo.
Nessa figura, na imagem da esquerda, pode observar-se a presença de não-homogeneidades de campo
através da hiperintensidade na parte inferior direita e esquerda da mesma, bem como a hipointensidade
na parte superior. Na imagem da direita é possível observar a imagem da esquerda após a correcção,
onde é de salientar uma maior uniformidade da distribuição dos tecidos. Na imagem central é possível
ver o mapa de não-homogeneidade de campo retirado.
13
Figura 4.2. Exemplo de separação de artefacto causado pela não-homogeneidade do campo magnético. Retirado
de Vovk et al. (2007). Na imagem da esquerda é possível observar um claro aumento de intensidade na parte
inferior direita, bem como na parte inferior esquerda, o que torna os tecidos aí presentes significativamente
diferentes, em termos de graus de cinzento, relativamente ao mesmo tecido no resto da imagem.
4.1.3 Artefactos de movimento
O movimento é um dos principais artefactos presentes nas imagens de ressonância magnética,
quer sejam movimentos voluntários ou involuntários, como a respiração ou o batimento cardíaco.
Segundo Stadler et al. (2007) este tipo de artefactos tem especial prevalência na codificação em fase,
uma vez que a aquisição é mais demorada, permitindo um maior movimento do paciente, o que resulta
em imagens desfocadas ou imperceptíveis como se pode observar na figura 4.3. onde, da esquerda para
a direita e de cima para baixo, se pode observar o resultado, na imagem, de diferentes graus de
movimento.
Figura 4.3. Artefactos com diferentes graus de movimento. Retirado de Stadler et al. (2007). Da esquerda para a
direita e de cima para baixo, é possível observar-se os efeitos crescentes, resultantes do movimento crescente do
paciente.
14
No entanto, nem sempre o movimento é perceptível, podendo ser na ordem dos milímetros ou
numa ordem de grandeza menor. Este tipo de artefactos, não influencia a compreensão, qualitativa, das
imagens em termos clínicos, mas torna pouco fiável a classificação automática, quantitativa, de tecidos
por algum software. Nestes casos, é necessário recorrer a um algoritmo de registo de imagens para
corrigir o movimento caso o artefacto esteja apenas presente num subconjunto das imagens adquiridas.
4.2 Análise de histograma
A análise da imagem com base no seu histograma permite a implementação de métodos de
processamento baseados na distribuição dos níveis de cinzento. Estes métodos permitem avaliar na
escala de cinzentos, a distribuição dos píxeis da imagem, podendo ser utilizado na identificação de
tecidos nela presentes, bem como do contraste (ou falta dele) entre os vários tecidos. Imagens com píxeis
apenas num curto intervalo de graus de cinzento, inserido numa gama mais alargada de valores possíveis
apresentam um baixo contraste e, por conseguinte, pode ser difícil discernir entre diferentes tecidos. Por
forma a maximizar o contraste de uma imagem, é utilizado o método de equalização do histograma, que
permite distribuir, de forma uniforme, pela escala de cinzentos, os píxeis que se encontravam
condensados numa gama específica, na imagem original. Como é possível verificar na figura 4.4, na
imagem de cima, devido a concentração de pixéis apenas em parte da escala, o contraste entre tecidos é
menor. Ao aplicar uma equalização à imagem, os tecidos, na imagem de baixo, passam a ter um maior
contraste entre eles, bem como com o fundo.
15
Figura 4.4. Imagem por ressonância magnética e respectivo histograma antes da aplicação do método da
equalização do histograma (Cima) e após a aplicação(Baixo). Adaptado de Sunaryo & Hariadi (2016).
Este processo pode ser global, quando aplicado à totalidade da imagem inicial, ou adaptativo,
quando a imagem é dividida em pequenas regiões, incluindo apenas alguns píxeis (Rangayyan, 2004).
Outros métodos mencionados em Rajulath Banu & Ram (2015) são os bi-Histogram e bi-Histogram
modified, onde o histograma é dividido em dois, com base no seu ponto médio ou no ponto com maior
contagens, respectivamente, e é aplicado o método global a cada uma das imagens.
Outro método relevante é a especificação do histograma. Este método tem por base a
comparação do histograma de uma imagem com o de outra imagem, dita padrão, com o objectivo de os
aproximar o mais possível. Este método tem a principal vantagem, em relação ao método anterior, de
permitir a aplicação a várias imagens tendo por base apenas uma e forçando todas ela a ter uma a mesma
relação de histograma.
A análise do histograma de uma imagem tem especial importância quando se tenta eliminar
píxeis excessivamente ou muito pouco intensos, pois permite saber, com alguma precisão, a distribuição
dos píxeis que se quer eliminar, bem como a criação de filtros seleccionando apenas determinadas
intensidades de interesse.
16
4.3 Registo de Imagem
O registo de imagens tem como objectivo mudar o sistema de coordenadas de uma imagem para
o sistema de coordenadas de uma outra, tornando possível comparações entre imagens, ponto a ponto.
Esta mudança é de grande importância em diversas áreas, onde se pretende realizar estudos com recurso
a mais que uma imagem (Zitová & Flusser, 2003) desde a fotografia à imagem médica. Na imagem
médica, o registo de imagens tem principal importância em estudos onde é necessário comparar várias
imagens recolhidas com recurso à mesma técnica, ao longo do tempo, obtidas com diferentes
parâmetros; ou através de diferentes técnicas de imagem. Um exemplo deste último caso é a conjugação
de ressonância magnética funcional e estrutural. O primeiro tipo de registo chama-se monomodal,
quando é aplicado a imagens adquiridas recorrendo a apenas uma técnica, enquanto o segundo trata-se
de um registo multimodal, quando é aplicado a imagens adquiridas recorrendo a mais do que uma
técnica. Nos estudos de ressonância magnética multi-espectral, o registo de imagens faz-se com o
objectivo de que, a cada voxel de um tecido corresponda o mesmo voxel do mesmo tecido, em todas as
imagens adquiridas.
4.3.1 Transformações
Escolhendo uma imagem como padrão, define-se uma transformação, aplicada à imagem em
estudo, como uma operação que permite mapear os pontos de uma imagem numa outra imagem padrão
(Brown, 1992). Esta transformação, quando aplicada à totalidade da imagem de igual modo, é chamada
global. Caso seja aplicada de modo diferente para regiões diferentes da imagem ou apenas a parte da
imagem, dá-se o nome de transformação local.
4.3.1.1 Tipos de transformação
Uma transformação é normalmente classificada como rígida, afim ou projectiva. Existem casos,
como algumas imagens do corpo humano, em que as transformações necessárias não se enquadram em
nenhuma das anteriores sendo classificadas genericamente como não-lineares.
As transformações rígidas são operações compostas, exclusivamente, por translações e rotações,
tendo, portanto, apenas seis graus de liberdade (Hill et al., 2001). Neste tipo de transformações, o objecto
mantem a sua forma, bem como as suas dimensões e proporcionalidade. Este tipo de transformações é
usado para alinhar imagens de estruturas com reduzida mobilidade, como é o caso das estruturas ósseas.
As transformações afins são compostas pelas mesmas operações que as transformações rígidas,
permitindo também operações de escalonamento isotrópico, quando a imagem é aumentada ou reduzida
por um mesmo factor em ambas as direccções; ou anisotrópico, quando a imagem é aumentada ou
reduzida por um factor diferente nas duas direccções; shearing, quando existe deformação do objecto
17
segundo uma das direcções. Neste caso o número de graus de liberdade é aumentando para doze. Neste
tipo de transformações, o paralelismo do objecto é preservado, no entanto, não são mantidas as
dimensões originais.
As transformações projectivas são transformações que têm em conta algum grau de
profundidade na imagem, nomeadamente quando a imagem é adquirida com alguma inclinação. Este
tipo de transformação é efectuado quando se pretende transformar, por exemplo, um objecto a três
dimensões numa imagem, numa imagem, logo bidimensional. Neste tipo de transformações,
paralelismos nos objectos não são preservados (Elsen, 1993).
Por último, as transformações não-lineares são transformações que não se enquadram em
nenhuma das anteriores, por terem demasiados graus de liberdade, e não se saber, à partida, qual a
origem ou forma da deformação. Segundo Mani & Arivazhagan (2013), algumas destas transformações
podem ser subdividas em Spline, que usa a função spline para fazer a correspondência entre imagens;
em elásticas, que podem ser descritas através da equação de Navier-Strokes; em registo de fluídos, uma
variação da anterior, optimizada para permitir maior variabilidade e deformação, nomeadamente em
estudos com vários pacientes; em demons, usada para quantificar volumes de estruturas cerebrais;
difeomórficas, baseados em métodos diferenciais; e, por fim, métodos de elementos finitos, usados para
prever deformações na biomecânica dos tecidos.
4.3.1.2 Propriedade da imagem
Para que se possam alinhar imagens há que identificar, nas mesmas, características presentes
em ambas, nas quais seja possível fixar um termo de comparação. Estas características podem ser
divididas em duas classes, extrínsecas ou intrínsecas. As extrínsecas são características que aparecem
na imagem devido a marcadores usados no momento da aquisição, ou introduzidos na imagem para
tornar mais fácil o registo. As intrínsecas são características do próprio objecto, como seja o caso de
estruturas anatómicas ou geométricas, incluíndo superfícies, cantos, entre outros (Maintz & Viergever,
1998). Estas características podem ainda ser edges, contornos e intersecção de linhas, entre outros que
tenham correspondência na outra imagem (Brown, 1992).
18
4.3.2 Métodos de Registo
Os métodos de registo intrínsecos podem ser divididos de diferentes maneiras. Maintz &
Viergever (1998) propõem a seguinte classificação: 1. Landmark based, 2. Segmentation based e 3.
Voxel Property Based. O registo Landmark based divide-se em anatómico e geométrico; o registo
Segmentation Based divide-se em modelos rígidos e modelos deformáveis; e o Voxel property based
divide-se na redução a escalares/vectores, isto é, utilização das intensidades para calcular estruturas,
como eixos principais, que servirão como método de comparação, e ainda com base nas intensidades na
imagem total. A escolha de um método em detrimento de outro prende-se pela qualidade da imagem no
que diz respeito ao número de vóxeis, à variação do número de graus de cinzento ou ainda às estruturas
nela peresentes.
4.3.2.1 Landmark based
Este método de registo tem por base a selecção de estruturas anatómicas, como a
descontinuidade fundo-crânio ou geométricas, como corners, presentes na imagem padrão, que tenham
correspondência na imagem que se pretende alinhar. Os pontos de referência são distinguidos
principalmente através da análise da intensidade dos voxeis ao longo da imagem. Após definidos os
pontos, são localizados na imagem em análise os pontos correspondentes e calculada a função que define
a transformação, sendo, por fim, feita a reamostragem, com recurso ao mapeamento e interpolação
(Brown, 1992).
4.3.2.2 Segmentation based
Este tipo de método tem por base uma segmentação realizada antes do registo. Estes métodos
têm a desvantagem da sua precisão ser dependente da precisão do método de segmentação (Maintz &
Viergever, 1998), ou seja, há uma propagação do erro, caso a segmentação não seja bem executada,
resultando num registo incorrecto. Este tipo de métodos pode ser subdivido em rígidos e deformáveis.
Nos métodos rígidos, é feita uma segmentação da imagem e é isolada apenas a estrutura em análise,
quer da imagem principal, quer da imagem em análise. Posteriormente são alinhadas apenas as estruturas
em estudo. A transformação rígida assim encontrada pode, depois, ser aplicada à totalidade da imagem.
Nos métodos deformáveis, a estrutura em estudo é segmentada a partir de uma imagem e é
posteriormente mapeada na imagem padrão, com recurso a transformações não-rigidas.
19
4.3.2.3 Voxel property based
Este tipo de métodos tem por base a análise das diferenças de intensidade dos píxeis em ambas
as imagens, com o objectivo de encontrar uma transformação cujas diferenças sejam mínimas. Têm
como vantagem, em relação aos anteriores, o facto de não necessitarem de segmentação, nem da
identificação de estruturas. Estes métodos dividem-se em dois tipos: a aproximação a um escalar, e
métodos que usam a imagem como um todo. Um exemplo do primeiro tipo de métodos explora o
conceito de eixo principal. Segundo Alpert et al. (1990), este método tem por base o pressuposto que é
possível determinar o eixo principal para qualquer corpo rígido e, sendo o crânio, em primeira
aproximação, um elipsoide, podemos calcular os eixos maior e menor. Após o cálculo do eixo principal
para ambas as imagens, é calculada a transformação, baseada numa transformação rígida, que alinha
uma imagem com a outra. No entanto, este método é relativamente sensível a falta de dados na imagem
(Kostelec & Pariaswamy, 2003).
Os métodos que têm em conta as intensidades de todos os píxeis na imagem são mais utilizados,
por permitirem uma análise com toda a informação disponível. Existem diversos métodos que se
enquadram nesta divisão. No entanto, os mais comuns são a minimização da diferença de intensidade,
correlação cruzada, métodos de Fourier e o automated image registration (AIR) proposto por Woods et
al. (1998).
Segundo Hill et al. (2001), a minimização da diferença de intensidades é um dos métodos mais
simples para o registo de imagem médica. Este método consiste na pesquisa de uma transformação que
minimize as diferenças de intensidade e, por isso, esteja mais próximo de uma sobreposição entre as
imagens, sendo que, idealmente, estas já foram tratadas quanto a artefactos devido a não-homegeidade
de campo, bem como normalizadas.
A correlação cruzada é um método que tem como objectivo quantificar o grau de semelhança
entre uma imagem e o seu padrão (Brown, 1992). Este método é aplicado do mesmo modo que o acima
descrito, mas é calculada uma função de correlação normalizada, ao invés da diferença.
Os métodos de Fourier exploram a relação entre as transformadas e as suas correspondentes no
espaço de Fourier, contrastando com a correlação, por procurar a maior semelhança neste espaço
(Brown, 1992). Segundo Kostelec & Pariaswamy (2003), este método tira partido da relação entre
rotação e translação em coordenadas polares e cartesianas para, através da transformada de Fourier,
determinar a transformação que mais assemelha uma imagem à outra. Esta transformação é depois
aplicada à imagem no espaço em que a informação foi recolhida.
Por fim, o algoritmo AIR, desenvolvido por Woods et al. (1998), é baseado no rácio de
uniformidade da imagem (RUI). Este rácio representa as variações entre os píxeis da imagem a alinhar
e da imagem com a qual esta irá ser alinhada, ao longo da imagem. O método tem por base a premissa
que caso as imagens estejam alinhadas, este rácio é relativamente uniforme ao longo da imagem, isto é,
20
é maximizada a uniformidade do rácio, através da escolha dos parâmetros da transformação adequados
(Hill et al., 2001).
4.3.3. Reamostragem
Após concluído o registo, é necessário que haja uma correspondência espacial entre os voxeis
da imagem padrão e da imagem que foi alinhada, ou seja, os voxeis de ambas as imagens deverão ter as
mesmas dimensões e deverão corresponder exactamente às mesmas coordenadas espaciais. Para que tal
ocorra, é necessário proceder à reamostragem da imagem transformada. O processo, através do qual se
faz essa reamostragem, é chamado interpolação, e tem por base o valor dos píxeis vizinhos, para calcular
um valor para o píxel em questão. Existem diversos métodos de interpolação, sendo a interpolação
trilinear a mais utilizada na imagem médica, embora esta introduza artefactos que não deverão ser
desprezados (Hill et al., 2001). Neste tipo de interpolação, a intensidade do voxel é calculada com base
na soma ponderada dos oito vizinhos que o rodeiam, no caso de apenas se considerar uma imagem
isolada. Outros métodos utilizados são os métodos sinc e seus derivados, B-Spline e bi-cúbicos
(Leehman et al., 1999), que permitem uma qualidade de interpolação maior, a custo de um tempo de
cálculo maior.
4.3.4. Skull Stripping
Para estudos em que haja necessidade de classificar diferentes tecidos, como sejam os estudos
de segmentação de tecidos, é necessário remover toda a informação que não irá ser alvo para a
classificação. No estudo de imagens de ressonância magnética cerebrais, muitas vezes, o crânio não tem
interesse na classificação, pelo que deverá ser retirado, através de uma técnica denominada skull-
stripping. Esta técnica pode ser realizada de forma manual ou automática, sendo a última mais rápida e
consistente, uma vez que não depende da observação humana (Kalavathi & Surya Prasath, 2016).
Também o fundo da imagem que, por vezes, apresenta variações de intensidade, pode dar origem a uma
classificação incorrecta, pelo que deverá ser tratado. Para tal, é comum usarem-se algoritmos como
region growing ou métodos que envolvam o cálculo de um limiar, permitindo assim a distinção do
objecto e do seu fundo. Este tipo de algoritmos permitem a selecção de uma região de interesse, excluído
as partes da imagem que não são relevantes para o estudo, possibilitando uma classificação mais simples
e correcta. Segundo Kalavathi & Surya Prasath (2016), os métodos de skull stripping podem ser
divididos em cinco categorias, sendo elas as baseadas em intensidade dos voxeis; em operações
morfológicas; em modelos previamente criados, ou seja, seguindo um template; em deformação de
superfícies; e os híbridos, que incluem mais que um dos métodos anteriores. Aos métodos anteriores
pode ainda acrescentar-se o método manual.
21
Os métodos baseados em segmentação manual recorrem a ferramentas como ITK-SNAP2 ou 3D
Slicer3 para, com a intervenção humana, desenhar a região de interesse.
Os métodos baseados em intensidade de voxeis operam sobre o grau de variação destes,
definindo os limites da região de interesse. Nestes métodos é comum recorrer-se a algoritmos como
region growing ou thresholding, sendo este último um dos métodos mais básicos em termos de
implementação. Também é possível utilizar métodos de classificação onde, a partir da semelhança entre
valores de intensidade dos voxeis, são criados agrupamentos, denominados clusters, com base em
imagens de treino, e que são actualizados iterativamente para criar uma classificação o mais detalhada
possível das estruturas da imagem ou do fundo (Despotovic et al., 2015).
Os métodos baseados em operações morfológicas recorrem a operações como a dilatação,
erosão ou combinação entre as duas, bem como filtros para deteção de edges, como por exemplo, o filtro
Sobel ou o filtro Laplaciano, para desenhar a região de interesse automaticamente.
Os métodos baseados em templates tem por base o registo, linear ou não-linear, da imagem a
segmentar a um template previamente criado e a utilização da informação estrutural, conhecida a priori,
do template para concluir sobre a informação estrutural da imagem (Pham et al., 2000).
Os métodos baseados em deformação de superfícies, segundo Xu et al. (2000), aplicam uma
superfície à imagem que se expande através de forças internas, definidas pela superfície ou através de
forças externas calculadas a partir da imagem a segmentar. Este método pode partir de uma superfície e
expandir-se até à fronteira ou de várias superfícies que não se sobrepõe (Despotovic et al., 2015). Um
exemplo deste tipo de métodos é o método proposto por Tao & Chang (2010) que, através da deformação
de uma superfície, a partir de um centróide calculado do cérebro e uma classificação, usando o método
fuzzy c-means, permite retirar a região não correspondente ao encéfalo.
Um método hibrido relevante é o modelo de segmentação unificada, desenvolvido por
Ashburner & Friston (2005), que recorre ao uso de templates, bem como ao valor dos voxeis de cada
tecido. Este método incorpora uma segmentação da imagem, bem como uma correcção de não-
homegeidades de campo. Este método foi implementado no software Statistical Parametric Mapping4,
tendo sido actualizado nas versões 8 e 12.
2 http://www.itksnap.org/pmwiki/pmwiki.php 3 https://www.slicer.org/ 4 http://www.fil.ion.ucl.ac.uk/spm/software/spm12/
22
23
Objectivos específicos do trabalho
Este trabalho teve como objectivo criar uma ferramenta de pré-processamento de imagens de
ressonância magnética muti-espectral, a partir de software existente, e optimizá-la no processamento de
um conjunto de imagens especificas. Escolheu-se uma única linguagem (Matlab 15a, MathWorks5) e um
ambiente, Windows, de modo a permitir uma utilização mais simples e por um espectro mais alargado
de utilizadores. Esta ferramenta teve como objectivo principal o de, ao ser aplicada ao conjunto de
imagens, garantir que a cada voxel, independentemente dos parâmetros de imagem utilizados,
corresponde exactamente à mesma porção de tecido, em todas as imagens das quais se pretende recolher
informação. Para tal, foi necessário proceder ao registo dos volumes a um modelo de referência. Neste
caso, um dos volumes de recolha multi-espectral; à reamostragem e utilização de filtros, para efectuar a
suavização da imagem após interpolações; à manipulação do intervalo de valores de cinzento, a partir
da informação presente no histograma de cada imagem; à compensação de não-uniformidades presentes
nas imagens; ao isolamento do objecto do fundo; e, por fim, ao mascarar das imagens, com o objectivo
de selecionar apenas a região de interesse que, neste estudo, é apenas o cérebro. Como objectivo
específico desta ferramenta tinha-se a optimização do software existente e aplicação ao conjunto de
imagens. A unicidade da plataforma prende-se com o objectivo de integrar a ferramenta numa interface
conjunta com um software de classificação, optimizado por Nuno Fernandes no trabalho denominado
“Optimização de uma ferramenta de segmentação de tecidos em imagens de ressonância magnética”,
permitindo um processamento total das imagens.
5 https://www.mathworks.com/products/matlab.html
5
24
25
26
Materiais e métodos
Neste projecto irão ser processadas imagens provenientes do Hospital Garcia de Orta. Estas são
compostas por quatro volumes diferentes, de vinte imagens cada, correspondendo a 20 cortes paralelos
do encéfalo, com resolução de 256 por 256 píxeis, de um mesmo indivíduo, adquiridas com recurso a
sequências ponderadas em T2, T1 com agente de contraste gadolínio, Fluid attenuation inverse recovery
(FLAIR) e 2D Multiple Echo Recombined Gradient Echo (2D MERGE). Estas imagens apresentam
voxeis de dimensões 0.9375x0.9375x6.9999 mm, com um valor de intensidade máximo variável entre
os 2696 e os 3179, sequências 2D MERGE, T1 Gd, T2 FLAIR e T2, respectivamente, e valor mínimo
zero. Na tabela 6.1 encontram-se os TR e TE com os quais as imagens foram adquiridas.
Tabela 6.1. TR e TE para as sequências de imagem provenientes do Hospital Garcia de Orta, em ms.
Tempos de Recuperação e Eco
Tempos de aquisição em ms\ Sequências T2 FLAIR T2 T1 Gd 2D MERGE
TR 8802 4220 520 529.73
TE 12 13 11 13
As imagens encontram-se guardados em ficheiros com a extensão .nii, correspondente ao
formato estabelecido pela Neuroimaging Informatics Technology Initiative (NifTi6), pelo que toda a
ferramenta foi pensada para a utilização de ficheiros formatados neste formato.
A construção da ferramenta teve por base o Statistical Parametric Mapping (SPM12), sendo
adicionada uma fase de processamento para retirar o máximo de informação das imagens.
6 https://nifti.nimh.nih.gov/
6
27
Para quantificar a precisão da ferramenta foram utilizados três volumes simulados de imagens
de ressonância magnética, nas ponderações T1, T2 e DP, disponíveis no BRAINWEB7, às quais foi
aplicado o Skull Stripping e comparado com o padrão. Foram também adicionados mapas de não-
uniformidade de campo conhecidos e, posteriormente, retirados para estimar os melhores parâmetros
para cada tipo de não-homogeneidade, com o objectivo de retirar com maior fiabilidade o campo
presente nas imagens a processar.
Neste capítulo irão ser explicados os procedimentos realizados nas imagens. A justificação da
escolha de um procedimento em detrimento de outro, também testado no decurso deste trabalho, será
breve, e funcionará como interligação com o capítulo dos resultados, onde haverá uma explicação mais
detalhada.
6.1 Interface
Foi criada uma interface inicial como mostra a figura 6.1, que permite ter acesso a todas as
opções de pré-processamento, sendo elas o acesso e modificação dos parâmetros do registo, da correcção
de não-uniformidades, manipulação do intervalo dos valores de cinzento dos píxeis da imagem, criação
da máscara (bem como a sua aplicação aos volumes escolhidos), visualização dos volumes pretendidos,
limpeza do fundo e criação do ficheiro necessário para o seguimento das imagens para o software de
classificação. Esta interface foi criada com o intuito de incorporar numa ferramenta única, a ferramenta
de pré-processamento usada neste trabalho e a ferramenta de segmentação de tecidos de imagens de
ressonância magnética multi-espectral optimizada na tese intitulada “Optimização de uma ferramenta
de segmentação de tecidos em imagens de ressonância magnética” realizada pelo aluno de engenharia
biomédica Nuno Fernandes.
As opções presentes nesta interface foram testadas individualmente e, posteriormente, testada a
melhor a sequência de pré-processamento.
7 http://www.bic.mni.mcgill.ca/brainweb/
28
Figura 6.1 Interface com opções de pré-processamento.
6.2 Registo & Reamostragem
O registo e subsequente reamostragem das imagens foi o primeiro passo dado na sequência de
pré-processamento do conjunto de imagens de ressonância magnética multi-espectral. Este foi feito com
recurso à opção Coregister: Estimate & Reslice do SPM12, baseada no método de registo proposto por
Collignon et al., (1995), e onde se parte do pressuposto que o histograma a duas dimensões (imagem de
referência e imagem a registar) dos pares de voxeis será menos disperso quanto melhor for o registo.
Para medir a dispersão estão disponíveis métodos como a correlação cruzada ou a informação mútua,
sendo este último o usado neste trabalho para medir o grau de interdepência. Este método pode ser visto
como pertencendo aos métodos voxel property based, na classificação feita por Maintz & Viergever
(1998).
Com esta opção foram manipulados os diversos parâmetros de ajuste, de modo a obter o melhor
resultado possível, não descuidando, no entanto, o tempo de execução. Esta opção permite um registo
rígido, ou seja, envolvendo apenas rotações e translacções, dando origem a seis graus de liberdade bem
como uma reamostragem das imagens, tendo em conta a transformação estimada. A escolha de um
registo rígido ao invés de um registo com maior número de graus de liberdade prende-se no facto dos
volumes serem respeitantes a apenas um paciente e daí não haver grande variabilidade nas dimensões
do cérebro, pelo que não se justificaria a utilização de transformações mais complexas.
Quanto aos parâmetros do registo, foi utilizada no processamento das imagens a Objective
Function Normalized Mutual Information. Escolheu-se uma separation de 2, sabendo que um número
menor implicaria uma menor distância entre voxeis usados para calcular a transformação; um Full width
29
at half maximum (FWHM), respeitante a um kernel gaussiano utilizado para fazer o smoothing, de 5
milimetros, onde a variação permite obter um maior ou menor peso nos voxeis circundantes no cálculo
de cada voxel, sendo estes os valores tomados por defeito para o registo no SPM12. Assumir valores
superiores fará sentido caso se espere uma grande variação na posição de cada volume recolhido.
A reamostragem foi aplicada a todos os volumes a registar, exceptuando o volume utilizado
como referência. Nesta reamostragem foi escolhida uma interpolação B-Spline de 3.º grau, de maneira
a ter um resultado com elevado grau de precisão sem que houvesse, no entanto, voxeis com valores
muito afastados dos originais, como acontece com interpolações de grau demasiado elevado. Todos os
outros parâmetros foram mantido nos seus valores de defeito.
Os volumes provenientes do Hospital Garcia de Orta foram registados com recurso a um volume de
referência, que nos dados utilizados, foi o volume obtido com a sequência T2 FLAIR, por ser a sequência
com melhor contraste entre tecidos e, por isso, com mais correspondência anatómica, bem como por
permitir ver o tumor, presente nas imagens, no seu todo. As imagens após o registo apresentam o prefixo
‘r’, indicando que após o cálculo da transformação foi feito um reslice, utilizando o SPM12. É também
criado um ficheiro de texto com o prefixo ‘rp_’ contendo a transformação encontrada, separada nas
coordenadas x, y, z, pitch, roll e yaw.
As opções de registo e reamostragem foram introduzidas no GUI, ao qual se terá acesso
utilizando a interface inicial da ferramenta, como mostra a figura 6.2.
A escolha do registo recorrendo ao SPM12 foi feita com o objectivo de integrar todo o registo
na plataforma Matlab, embora tenham sido testados outros métodos de registo, como o BRAINSFit,
desenvolvido por Johnson et al., (2007), também baseado no método de comparação Mutual
Information, e presente no software 3D Slicer, para comparação. Os resultados não diferiram
significativamente.
30
Figura 6.2. Interface da ferramente com opções de registo e reamostragem, disponíveis na opção Coregister:
Estimate & Reslice, presente no SPM12.
31
6.3 Não-Homogeneidade de campo magnético
O passo seguinte de pré-processamento é a estimativa da distribuição da não-uniformidade de
campo presente nas imagens e posterior correcção. Para tal, foi utilizada a opção Segment do SPM12,
que incorpora uma segmentação, bem como uma correcção de não-uniformidades. Esta opção, explicada
mais detalhadamente na secção 5.3, foi desenvolvida por Ashburner & Friston (2005), e tem por base
uma segmentação que estima a probabilidade de um voxel pertencer a um dado tecido, tendo em conta
a distribuição de intensidade dos voxeis desse tecido na imagem, bem como a comparação com a sua
distribuição em imagens de referência, isto é, templates. Esta probabilidade é calculada para a totalidade
da imagem, obtendo uma medida de semelhança entre as intensidades dos voxeis da imagem e a
intensidade ideal, segundo o tecido segmentado na imagem de referência. A correcção das não-
uniformidades, presente nesta opção, enquadra-se nos métodos de correcção surface fitting, e modela a
variação de graus de cinzento consoante o tecido, através duma aproximação a uma distribuição
composta pela combinação de distribuições gaussianas e, por isso, não-gaussiana. Para calcular a não-
uniformidade, este método assume que a imagem está contaminada com um factor multiplicativo que
pode ser aproximado a uma distribuição do tipo referido anteriormente e que, portanto, a probabilidade
de pertença de um determinado voxel ao respectivo tecido estará influenciada pelo mesmo.
Optimizando, iterativamente, a função de custo da classificação, que consiste no somatório das
probabilidades de pertença tendo em conta este factor, são estimados os parâmetros que melhor
caracterizam a distribuição a aproximar às não-homegeneidades e calculada a sua influência na
totalidade da imagem.
Primeiramente, foram utilizados os volumes simulados provenientes do BrainWeb com
ponderações em T1, T2 e PD, com uma slice thickness de 7 mm, e com ruído a 0%. A estes volumes
foram adicionados três padrões de não-uniformidade de campo diferentes, também provenientes do
BrainWeb, denominados “A”, “B” e “C”. Estes padrões foram escalados linearmente, para se obter uma
percentagem de não-uniformidade de campo de 20%, 40 %, 60% e 100 %. A aplicação da não-
uniformidade foi feita através de uma multiplicação das matrizes correspondentes à imagem e à não-
homogeneidade, para cada altura de imagens. A estes volumes foi aplicada a correcção de não-
uniformidades, variando os parâmetros bias regulariation e bias full width at half maximum (FWHM).
Estes parâmetros dizem respeito à elevada ou reduzida presença de não-homegeidades de campo nas
imagens e ao seu grau de variação, respectivamente, e permitem adaptar a correcção para melhor estimar
a sua distribuição.
Seguidamente foi testada também a correcção de não-homongeidade de campo, implementada
no software 3D Slicer, baseada no método N4ITK, usando as imagens do BrainWeb. Foram comparados
os resultados e escolhidos os parâmetros que melhor eliminam determinadas não-homogeneidades de
campo.
32
Cada volume, inicial do padrão de não-uniformidade e volume com o padrão obtido após a
correcção, foi colocado num vector unidimensional 1x256*256*20 e calculado o coeficiente de
correlação entre o volume inicial e o calculado para determinar a precisão da correcção em função dos
parâmetros utilizados para as diferentes percentagens de não-homogeneidade de campo.
Por último, foi aplicada a correcção de não-uniformidades de campo às imagens reais não
corrigidas, provenientes do Hospital Garcia de Orta, utilizando os parâmetros que melhor se
adequassem, de modo a obter uma imagem visualmente mais uniforme e, tendo em conta os resultados
do teste realizado às imagens padrão simuladas.
As opções de correcção de não-homogeneidade foram introduzidas no GUI como mostra a
figura 6.3.
Figura 6.3. Interface da ferramenta com opções de correcção de não-homogeneidades de campo disponíveis na
opção Segment presente no SPM12.
33
6.4 Skull Stripping
O último pré-processamento, consiste numa segmentação e posterior manipulação da imagem,
com o intuito de isolar a região de interesse que, neste caso, correspondia apenas ao encéfalo.
6.4.1 Segmentação utilizando o SPM12
Primeiramente foi feita uma segmentação de cada volume, recorrendo a opção Segment do
SPM12. Esta opção, baseada no modelo de segmentação unificada desenvolvido por Ashburner &
Friston (2005), cria uma probabilidade de pertença de um voxel a um determinado tecido com base num
modelo de mistura de distribuições gaussianas. Esta probabilidade é afectada por um factor
multiplicativo, que representa a presença de não-homegeneidades de campo, bem como por um termo
que reflete o conhecimento a priori da distribuição das intensidades dos voxeis de um determinado
tecido num mapa, ajustado à imagem a segmentar, utilizado como referência. A função objectivo,
correspondente à soma das probabilidades de pertença, é optimizada variando interactivamente os
parâmetros da distribuição da mistura de gaussianas bem como da distribuição das não-homegeneidades
e da distribuição a priori dos tecidos no mapa.
Nesta opção existem diversos parâmetros que são utilizados para segmentar de forma mais fiel
a imagem pretendida. Existe a possibilidade de escolha do tecido que se quer segmentar através de seis
volumes correspondentes aos tissue probability maps (TPM), 1 até 6, correspondendo à substância
cinzenta, substância branca, líquido cefalorraquidiano, osso, tecido mole e ar. Estes volumes, segundo
Ashburner & Friston (2005), são modificações dos volumes ICBM Tissue Probabilistic Atlas8. Neste
passo, tenta-se encontrar uma transformação não-linear que aproxime o cérebro a segmentar dos tecidos
presentes no volume dos TPM, de modo a conseguir um ajuste o mais fiel possível ao tecido que se
pretende retirar. É também possível escolher o número de gaussianas que modelam a intensidade do
tecido. Isto prende-se pelo facto de, devido à presença de voxeis com pertença parcial a dois ou mais
tecidos, o tecido a segmentar não será correctamente modelado por apenas uma distribuição gaussiana
pois irá existir voxeis que presentes em mais que uma distribuição. Para que ocorra uma classificação
mais fiel, é necessário que os tecidos sejam modelados com mais que uma função gaussiana num modelo
de mistura de gaussianas que, através de uma combinação das diferentes distribuições, cria uma
distribuição mais real. Tendo em conta a distribuição calculada e o conhecimento da distribuição dos
tecidos dos volumes TPM é atribuído a cada voxel uma pertença a um tecido. Com esta probabilidade é
criada uma imagem correspondente a cada um dos tecidos escolhidos, neste caso substância cinzenta,
substância branca e liquido cefalorraquidiano. Estas três imagens foram multiplicadas pela imagem
8 É de notar que a hiperligação referida pelos autores Ashburner & Friston (2005) já não se encontra, à data (8 de
agosto de 2017), disponível.
34
original e posteriormente somadas com o objectivo de retirar à imagem inicial tudo o que, segundo
Ashburner & Friston (2005), não obteve uma probabilidade superior a 50% na classificação. Este
método oferece ja uma classificação das imagens. No entanto, foi utilizado apenas para a realização do
skull stripping, uma vez que utiliza um template. Por esta razão, para a classificação das imagens após
o pré-processamento foi utilizado o software optimizado por Nuno Fernandes no trabalho intitulado
“Optimização de uma ferramenta de segmentação de tecidos em imagens de ressonância magnética”.
No fim deste passo de segmentação foram originados volumes com o prefixo ‘SS_’, contendo as
imagens segmentadas, indicando o fim do primeiro passo de criação das máscaras de cada volume.
6.4.2 Criação da máscara global para skull stripping
Seguidamente, foi criada a máscara individual. Para tal, binarizou-se o resultado da
multiplicação, isto é, o volume com prefixo ‘SS_’, tornando todos os píxeis não nulos iguais a um, uma
vez que a influência do fundo foi préviamente removida.
No passo seguinte criou-se uma máscara única para todos os volumes de ressonância magnética
multi-espectral previamente registados. Para tal, recorreu-se a quatro métodos com o objectivo de
verificar qual era mais eficaz na criação de uma única máscara mais eficaz.
No primeiro método foi feita uma soma, ponto-a-ponto, de todas as máscaras binarizadas, sendo
a máscara global o volume resultante desta soma.
No segundo método foi feita a soma ponto-a-ponto de todas as máscaras binarizadas, sendo
depois excluídos os voxeis que apareçam em menos de metade dos volumes, neste caso menos de dois,
de modo a diminuir a quantidade de tecido presente na imagem que não se pretende segmentar, bem
como algum artefacto presente num número reduzido de imagens.
No terceiro método foi feita a soma ponto-a-ponto de todas as máscaras binarizadas tendo, no
entanto, dado um peso duplo à máscara pertencente ao volume adquirido com a sequência T2 FLAIR,
por ser a considerada mais anatomicamente discriminativa. Neste método, os voxeis que aparecessem
em mais de metade dos volumes eram considerados pertencentes à máscara global e os restantes voxeis
foram eliminados.
No quarto e último método foi feita uma multiplicação ponto-a-ponto entre todas as máscaras,
ficando a máscara global apenas com os voxeis que se encontrem presentes em todas as máscaras.
Após a aplicação de um destes métodos foi obtida uma máscara inicial que foi, neste trabalho,
melhorada. Para tal foi criado um volume envolvente da máscara, através de uma dilatação da mesma
e, por fim, uma multiplicação ponto a ponto com a máscara inicial para retirar os voxeis que estariam
no exterior do perímetro devido à dilatação. Este invólucro foi chamado shell.
À máscara original foi retirada a shell para criar um volume chamado mask_woShell, que
corresponde à parte interior da máscara sem a parte exterior que terá de ser mais processada.
35
A shell foi multiplicada ponto a ponto por cada imagem de cada volume, resultando num volume
cujas imagens contêm uma porção das imagens iniciais, em graus de cinzento. A existência de voxeis
que não correspondem aos tecidos que se pretendia retirar levou à utilização de três métodos para os
retirar da máscara.
No primeiro método foi obtido o histograma da imagem na sua totalidade, sendo retiradas as
contagens correspondentes ao valor igual a 0, ou seja, preto. Seguidamente, foi obtido o valor de
cinzento que apresentou maior número de contagens, bem como valor de cinzento correspondente ao
primeiro e último máximos locais de contagens no histograma. Por último foi calculada a diferença entre
o valor de cinzento com maior número de contagens e os valores de cinzento correspondentes ao
primeiro e último pico de contagens. Com estas diferenças foi feito um filtro passa-banda, escolhendo
uma percentagem para multiplicar pela diferença e, seguidamente, somar, de modo a definir o limite
superior do filtro. De modo semelhante foi definido o limite inferior subtraindo a diferença ao valor com
maior número de contagens.
No segundo método foi divida cada imagem em quatro. Para cada quadrante foi feito o
histograma e aplicado o mesmo processo que no primeiro método, com o objectivo de aplicar o processo
mais localmente na imagem. Após serem processados os quatros quadrantes, este foram concatenados,
de maneira a formarem uma imagem processada com as mesmas dimensões da imagem original.
No terceiro método a imagem foi divida em quatro, formando quatro novas imagens de
dimensões iguais a um quarto das dimensões da imagem original. Cada nova imagem foi, por sua vez,
subdividida em quatro quadrantes, no total, 16 imagens. A cada imagem foi aplicado um processo igual
ao do primeiro método. Por último, cada uma das 16 imagens foi agrupada segundo o quadrante que lhe
deu origem e, seguidamente, os quatro quadrantes foram concatenados para formar a imagem processada
com as dimensões da imagem original.
O processo foi repetido para cada imagem de cada volume, com o intuito de se obter um volume
com as mesmas dimensões do volume das imagens originais.
No fim desta parte do processamento, foi necessário voltar a criar uma máscara única para as
imagens de ressonância multi-espectral. Para tal foram somadas todas as shells e, posteiromente, foi
somado o volume mask_woShell e utilizada a função imfill, preenchendo alguma parte interior da
máscara que tenha sido eliminada pelo processamento, e assim construir a máscara completa.
Por último, para concluir cada método, foi feita uma abertura para retirar os voxeis que saíam
dos limites da máscara e que não tinham correspondência anatómica com o cérebro, mas que
apresentavam uma intensidade relativamente idêntica à das estruturas da região de interesse, bem como
uma eliminação de agrupamentos de píxeis, não contínuos com a máscara.
A máscara final foi multiplicada por cada um dos quatro volumes/sequências, dando origem a
quatro volumes com o prefixo ‘Masked_’, correspondendo à região de interesse isolada e preparada para
ser utilizada pelo software de classificação.
36
Para cada etapa na qual foram testados mais que um método, apenas o que obteve melhores
resultados foi integrado na ferramenta.
Na criação da máscara foi feito o processo inverso da correcção das não-homogeneidades, no
sentido em que primeiro foi criada a máscara para as imagens do Hospital Garcia de Orta e, só após este
passo, foi medida a precisão da ferramenta, utilizando as imagens provenientes do BrainWeb com o
objectivo de validar o método.
Como método alternativo, e para comparação com o proposto, foi utilizada a extensão presente
no software 3D Slicer, denominada Swiss Skull Stripper, baseada no método proposto por Bauer et al.
(2012) para imagens contendo tumores. Esse método utiliza registo afim de um template pré-definido
às imagens a registar e seguidamente, é feito um processo de detecção dos contornos baseado no
template para a detecção da descontinuidade cérebro-crânio. Os volumes daí resultantes foram somados
para criar a máscara multi-espectral. No entanto, o uso de um registo afim leva a que, caso os encéfalos
sejam muito diferentes do template, o registo fique comprometido.
Foi criada a opção de escolha dos volumes a mascarar, através de um GUI, como mostra a figura
6.4, e inserida na interface original.
Figura 6.4 Interface da ferramenta com opções de escolha de volumes para a opção Segment presente no SPM12.
6.5 Manipulação do histograma
Os quatros volumes iniciais têm diferentes graus de cinzento máximos, isto é, o intervalo de
valores de cinzento é variável de volume para volume. Para permitir que todas as imagens estejam
normalizadas a um intervalo específico, foi criada uma opção que permite escolher um valor máximo e,
logo, um intervalo de 0 ao valor escolhido, e normalizar os restantes volumes. Os volumes a normalizar
são escalados ao intervalo entre 0 e 1 e, posteriormente, multiplicados pelo valor máximo escolhido,
ficando assim todos os voxeis no mesmo intervalo de intensidades. Esta opção permite uma comparação
mais fácil entre os histogramas das diferentes imagens, bem como a aplicação de filtros, caso
necessários, com maior relação entre imagens. Este passo foi feito para utilização após o registo, e antes
37
do inicio do skull stripping onde, devido à interpolação presente na reamostragem, passam a existir
valores negativos sem significado real. A normalização garante que todas as imagens estam no mesmo
intervalo antes da aplicação de filtros, no passo de criação da máscara. Para utilização deste passo, os
volumes não podem estar normalizados a escalas com componente negativa.
A escolha dos volumes é feita com recurso a um GUI, representado na figura 6.5, onde é possível
escolher o volume de referência e os volumes a normalizar ao volume de referência.
Figura 6.5 Interface da ferramenta com opções de escolha de volumes para normalizar os valores da escala de
cinzento.
6.6 Limpeza do Fundo
Por vezes, devido ao ruído ou à calibração da máquina, o fundo não é completamente nulo, ou
seja, não tem o valor zero na escala de cinzentos. Este facto pode criar problemas no que diz respeito à
classificação, bem como a qualquer método, seja de registo, de correcção de não-homogeneidades etc.,
que utilize os valores de graus de cinzento para qualquer operação (Despotovic et al., 2015). Para
minimizar esse efeito, foi criada uma função que permite retirar esses voxeis perto de zero, que poderão
interferir no processamento da imagem.
O botão Clear Background permite escolher os volumes de imagens dos quais se quer limpar o
fundo. Após escolhidos os volumes, cada imagem, de cada volume é binarizada, utilizando como limiar
5% da totalidade de níveis de intensidade da imagem. Neste método, parte-se do principio que o fundo
e o objecto têm valores de graus de cinzento marcadamente diferentes e, por isso, aplica-se um limiar
global (Javadpour & Mohammadi., 2016). Seguidamente foi calculado o perímetro do objecto, com
conectividade 8, recorrendo à opção bwperim do Matlab. Após estar delineado o perímetro, a área que
este cobre foi preenchida, recorrendo à opção imfill do ambiente acima referido e eliminados todos os
objectos que possam ter aparecido decorrentes da binarização. Por último, esta máscara foi multiplicada
ponto-a-ponto pela imagem original e o resultado guardado num ficheiro. nii, com o prefixo ‘b’.
38
6.7 Sequência de Pré-processamento
Após terem sido testadas e, em alguns casos, optimizadas todas as opções de pré-processamento,
foram testadas rotinas de pré-processamento. Nestas rotinas utilizou-se todas as opções anteriormente
descritas para testar qual a ordenação que produziria melhores resultados. A ordenação das opções nesta
rotina foi feita de três encadeamentos distintos, presentes na figura 6.6. Começou-se sempre pela
limpeza do fundo uma vez que as imagens originais apresentavam intensidades no fundo não-nulas.
Seguidamente foram aplicadas as opções de correcção de não-homogeneidades de campo, registo ou
Skull Stripping, utilizando as opções que obtiveram melhores resultados nos testes individuais, e
verificou-se as variações nas imagens finais pré-processadas. A opção Manipulação do Histograma foi
utilizada sempre antes do Skull Stripping para que as imagens estivessem no mesmo intervalo antes de
lhes serem aplicados os filtros.
Figura 6.6 Sequências de pré-processamento testadas nas imagens provenientes do Hospital Garcia de Orta.
Após a aplicação da sequência de pré-processamento, recorreu-se à opção Display Volume para
visualizar as imagens resultantes. Por último foi criada a estrutura, através da opção Create Structure,
para preparar as imagens para o passo seguinte de processamento.
6.8 Visualização de imagens
Para permitir uma visualização do volume inteiro sem haver alteração da escala de intensidades,
foi criada uma opção que permite a visualização do mesmo num fundo preto. As imagens são colocadas
numa matriz quadrada de dimensões iguais ao arredondamento por excesso da raiz quadrada do número
total de imagens, separando cada imagem em vinte píxeis. Esta opção permite não só visualizar os
volumes contendo as imagens de ressonância magnética multi-espectral, mas também os volumes
correspondentes a mapas de não-uniformidades de campo, permitindo uma comparação directa entre
eles.
39
6.9 Estrutura para utilização no software de classificação
Para que seja possível utilizar as imagens pré-processadas no software de classificação
optimizado no trabalho denominado “Optimização de uma ferramenta de segmentação de tecidos em
imagens de ressonância magnética”, realizado por Nuno Fernandes, é necessário que a informação esteja
estruturada de forma específica. A informação é ordenada numa estrutura cujos campos são preenchidos
com valores adequados.
O campo “info” é preenchido com um nome identificador das imagens e pode ser atribuído
usando o campo Name;
O campo “dataname” é preenchido recorrendo à concatenação do campo “info” com o nome
das imagens presente nos respectivos headers.
O campo “ORIG.volume” será preenchido com o volume pré-processado, isto é, o volume após
ser aplicada a ferramenta usada neste trabalho, através da opção Load Volumes;
O campo “mask” será preenchido com a máscara resultante do processo de escolha da região de
interesse, através da opção Load Mask;
O campo “z” será preenchido com as alturas do volume que se pretende analisar, podendo estas
não corresponder ao volume por inteiro, através do cálculo entre a diferença entre a primeira e a última
slice que se pretende analisar;
O campo “n_images” corresponde ao número de volumes que irão ser analisados e o campo
“volume” corresponde a um vector de quatro dimensões contendo os volumes mascarados e reduzidos
às alturas a analisar.
O campo “classes_truth” corresponde ao nome das classes presentes na imagem e pode ser
introduzida na estrutura no campo Classes.
Os restantes campos serão criados vazios, com o objectivo de serem preenchidos noutros
estádios do processamento das imagens e estarão discriminados em anexo.
Na figura 6.7 encontra-se a interface que permite o preenchimento da estrutura necessária ao
próximo passo de processamento.
40
Figura 6.7 Interface da ferramenta com opções de escolha para criação da estrutura para a utilização no software
de classificação.
41
42
Resultados
Neste capítulo irão ser expostos os resultados da aplicação da ferramenta às imagens de teste,
bem como às imagens provenientes do Hospital Garcia de Orta, separados por passo de processamento.
7. 1 Registo
O volume obtido com a sequência T2 FLAIR, proveniente do Hospital Garcia de Orta está
ilustrado na figura 7.1. É possível observar que o volume se encontra com uma ligeira rotação em relação
ao eixo do x, visível no corte sagital, no sentido horário, e em relação ao eixo do y, visível no corte
coronal, no sentido anti-horário. É ainda possível observar que os cortes axiais não são paralelos à
horizontal, embora sejam paralelos entre si. Estes cortes fazem um ângulo com o plano horizontal
diferente dos ângulos de inclinação anteriormente referidos, o que leva a uma assimetria entre o lado
esquerdo e o direito nas estruturas da imagem. As rotações anteriormente referidas estão presentes em
todas as imagens dos quatro volumes.
Figura 7.1. Volume obtido com a sequência T2 FLAIR, proveniente do Hospital Garcia de Orta. Corte axial
(Esquerda), corte sagital (Centro) e corte coronal (Direita). Cortes visualizados com recurso ao software 3D Slicer.
Na figura 7.2 é possível observar os volumes provenientes do Hospital Garcia de Orta antes e
depois da operação de registo. É relevante salientar que, tendo sido usado o volume T2 FLAIR, como
7
43
referência, todas as imagens a ele registadas irão ter presentes as mesmas rotações, anteriormente
descritas.
As imagens presentes na figura 7.2 apresentam-se com um elevado grau de alinhamento, não
sendo possível distinguir, à vista desarmada, alguma necessidade de aplicação de uma transformação de
registo. No entanto, utilizando o software 3D Slicer para, sucessivamente, sobrepor uma imagem a outra
num corte axial, é possível distinguir uma ligeira rotação, segundo o eixo dos z, na sequência T2 em
comparação com as sequências T2 FLAIR, T1 Gd e 2D MERGE. Esta rotação não é apenas visível nos
cortes axiais, mas também no corte sagital, embora de forma mais discreta.
Figura 7.2. Volumes provenientes do Hospital Garcia de Orta, num corte axial, antes do registo (Cima) e após o
registo (Baixo).
Consultanto os ficheiros de transformação criados com este passo, cuja informação está descrita
na tabela 7.1, é possível concluir que a sequência T2 não estava totalmente alinhada com as restantes
sequências, tendo um ligeiro desvio em relação à parte negativa do eixo x e um pequeno valor de roll,
o que está de acordo com a observação préviamente referida.
Tabela 7.1. Parâmetros das transformações efectuadas durante o registo das imagens proveniente do Hospital
Garcia de Orta.
Parâmetros da transformação
Sequência\Parâmetro x (mm) y (mm) z (mm) roll (rad) pitch
(rad) yaw (rad)
T2 1.42E-14 0.00E+00 0.00E+00 0.00E+00 0.00E+00 0.00E+00
T1 Gd 0.00E+00 0.00E+00 0.00E+00 0.00E+00 0.00E+00 0.00E+00
2D MERGE 0.00E+00 0.00E+00 0.00E+00 0.00E+00 0.00E+00 0.00E+00
44
No volume após o registo, não é possível distinguir qualquer desalinhamento nos volumes em
relação ao volume de referência. No entanto, os valores de graus de cinzento são alterados, incluindo a
presença de alguns valores negativos, principalmente no fundo, em todos os volumes que foram
registados. Após a reamostragem, é possível observar que a primeira e última altura de cada volume é
cortada, como mostra a figura 7.3.
Figura 7.3. Volume obtido com a sequência T1 Gd, proveniente do Hospital Garcia de Orta após registo e
reamostragem. Devido ao processo de reamostragem, a primeira e última imagens ficaram cortadas.
Por último, foi feito o registo com a opção General Registration (BRAINSFit) presente no 3D
Slicer e comparados ambos os volumes transformados, com a opção atrás mencionada e com a opção
presente na ferramenta. É perceptivel, com ambas as transformações, a sobreposição completa do
volume registado. No entanto, não é perceptivel qualquer diferença em termos de rotação ou translação
entre as duas transformações, pelo que, o registo aparenta obter um resultado bastante semelhante. Na
figura 7.4 está representada a comparação dos dois métodos bem como uma altura do volume após o
registo. Por outro lado, o uso do SPM12 permite uma integração na ferramenta, o que contribui para
uma maior compatibilidade com as restantes opções de pré-processamento.
45
Figura 7.4. Volume obtido com a sequência T2 FLAIR, proveniente do Hospital Garcia de Orta, na altura 9 (a
vermelho) sobreposto com o volume obtido com a sequência T2 (a verde) antes do registo (Esquerda), após o
registo com a ferramenta (Centro) e após o registo com a opção General Registration (BRAINSFit) presente no 3D
Slicer (Direita). Na zona circundada à esquerda é possível ver parte da imagem a vermelho, demonstrando a
ausência de registo. Nas imagens ao centro e à esquerda já não se distingue a máscara vermelha, resultante de um
registo bem executado.
46
7. 2 Correcção de não-homogeneidades de campo magnético
A aplicação da correcção de não-homogeneidade de campo a cada volume proveniente do
BrainWeb resultou na obtenção de três volumes, um para cada sequência de imagem, compostos por
vinte e seis matrizes de 256 por 256, que representam a ponderação da não-homogeneidade de cada
voxel na imagem total, numa escala com mínimo zero e máximo variável, embora não tenham sido
encontrados valores maiores que dois. Os valores dos coeficientes de correlação para cada volume foram
guardados numa tabela, consoante os parâmetros usados na correcção e a percentagem de não-
homogeneidade. Os mapas “A”, “B” e “C” estão representados, para uma dada altura do volume de
imagem, na figura 7.5. Os três mapas são diferentes entre si e ao longo das 26 imagens, embora no
último caso o padrão se mantenha semelhante.
Figura 7.5. Mapas de não-homogeneidades de campo.
Para estimar os mapas de não-homogeneidades, a partir das imagens às quais estes tinham sido
aplicados, foram utilizados os valores Light para bias regulariation e 120/140/150 mm para bias
FWHM, por terem sidos os que obtiveram valores mais elevados de correlação entre o mapa estimado
e o mapa original. Para cada percentagem de não-homogeneidade de campo, 20%, 40%, 60% e 100%,
foram criadas três tabelas, consoante as opções de regularização, onde cada valor corresponde ao valor
do coeficiente de correlação para um tipo de sequência, T1, T2 ou PD, e uma das três não-
homogeneidades “A”, “B” ou “C” (Tabelas disponíveis no Apêndice A1.1). Os valores do coeficiente
de correlação variam consoante o mapa, no entanto, foi possível concluir a melhor opção, nas diferentes
percentagens, de parâmetros para estimar cada mapa.
Para o mapa “A” e “C”, na percentagem de 20%, os melhores parâmetros foram Light para bias
regulariation, e 150 para bias FWHM, obtendo os coeficientes de correlação presentes na tabela 7.2.
A B C
47
Tabela 7.2. Coeficientes de correlação para os parâmetros light e 150 mm na percentagem de não-homogeneidade
de campo de 20% dos mapas “A” e “C”.
Coeficientes de correlação
Mapa\Sequência T1 T2 PD
A 0.9673 0.9519 0.9533
C 0.9844 0.9576 0.9532
Na figura 7.6 está representada o mapa da não-homogeneidade inicial “A” e “C” de 20% e o
mapa calculado usando a ferramenta, para a altura 13 da sequência T1. É possível notar um elevado grau
de semelhança entre os dois padrões, aplicado e corrigido, embora as zonas hipointensas tenham maior
dimensão nos mapas corrigidos e que estes apresentem uma variação menos suave.
Figura 7.6. Mapa de não-homogeneidade de campo de 20% “A” inicial (Superior Esquerda - A), mapa calculado
de “A” (Superior Direita - Ac), mapa de não-homogeneidade “C” inicial (Inferior Esquerda - C) e mapa
calculado de “C” (Inferior Direita - Cc).
Para o mapa “B”, na percentagem de 20%, os melhores parâmetros foram Light para bias
regulariation, e 140 para bias FWHM, obtendo os coeficientes de correlação presentes na tabela 7.3.
A Ac
C Cc
48
Tabela 7.3. Coeficientes de correlação para os parâmetros Light e 140 mm na percentagem de não-homogeneidade
de campo de 20% do mapa “B”.
Na figura 7.7 está representado o mapa da não-homogeneidade inicial “B” de 20% e o mapa
calculado usando a ferramenta, para a altura 13 da sequência T1. Tal como para os mapas corrigidos
“A” e “C”, é possível observar uma maior extensão das zonas hipointensas, bem como uma variação
mais abrupta.
Figura 7.7. Mapa de não-homogeneidade de campo de 20% “B” inicial (Esquerda - B) e mapa calculado (Direita
- Bc).
Os mapas obtidos para a percentagem de não-homogeneidade de 20% apresentam-se bastante
semelhantes aos originais sendo, no entanto, possível detectar algumas diferenças, nomeadamente nos
cantos dos mapas.
Os valores da correcção, recorrendo ao método N4ITK para a percentagem de 20% de não-
homogeneidade, estão apresentados na tabela 7.4. Spline Distance variam entre 140 mm e 250 mm,
tendo os melhores resultados sido registados para os 210 mm. Foi usado um Bias Field FWHM de 0.15.
Tabela 7.4. Coeficientes de correlação para o método N4ITK na percentagem de não-homogeneidade de campo
de 20%.
Coeficientes de correlação
Mapa\Sequência T1 T2 PD
A 0.8349 0.8936 0.9316
B 0.5294 0.1754 0.1034
C 0.6915 0.7118 0.8692
Coeficientes de correlação
Mapa\Sequência T1 T2 PD
B 0.8306 0.8249 0.8959
B Bc
49
Para a percentagem de não-homogeneidade de 40%, os mapas “A” e “C”, obtiveram valores de
correlação mais altos para os parâmetros Light para bias regulariation, e 140 para bias FWHM (tabela
7.5).
Tabela 7.5. Coeficientes de correlação para os parâmetros Light e 140 mm na percentagem de não-homogeneidade
de campo 40% dos mapas “A” e “C”.
Coeficientes de correlação
Mapa\Sequência T1 T2 PD
A 0.9553 0.9538 0.9591
C 0.9841 0.9761 0.9659
Na figura 7.8 está representado o mapa da não-homogeneidade inicial “A” e “C” de 40% e o
mapa calculado usando a ferramenta, para a altura 13 da sequência T1. É possível observar que as zonas
hipointensas aumentaram, embora ligeiramente, em extensão comparativamente aos mapas corrigidos
na percentagem de 20%.
Figura 7.8. Mapa de não-homogeneidade de campo de 40% “A” inicial (Superior Esquerda - A), mapa calculado
de “A” (Superior Direita – Ac), mapa de não-homogeneidade “C” inicial (Inferior Esquerda - C) e mapa calculado
“C” (Inferior Direita – Cc).
Para o mapa “B”, na percentagem de 40%, os melhores parâmetros foram Light para bias
regulariation, e 120 para bias FWHM (tabela 7.6).
Ac
Cc C
A
50
Tabela 7.6. Coeficientes de correlação para os parâmetros Light e 120 mm na percentagem de não-homogeneidade
de campo de 40% do mapa “B”.
Coeficientes de correlação
Mapa\Sequência T1 T2 PD
B 0.7137 0.8637 0.9287
Na figura 7.9 está representada o mapa da não-homogeneidade inicial “B” de 40% e o mapa
calculado usando a ferramenta, para a altura 13 da sequência T1. No mapa corrigido é possível observar
uma maior extensão da zona hipointensa, bem como um decréscimo da extensão da zona hiperintensa.
Figura 7.9. Mapa de não-homogeneidade de campo de 40 % “B” inicial (Esquerda - B) e mapa calculado de “B”
(Direita – Bc).
Na percentagem de não-homogeneidade de 40%, é mantido um elevado grau de semelhança,
continuando a ser possível distinguir algumas diferenças nos cantos da imagem, bem como uma variação
menos suave quando comparada com a variação do mapa original
Para as restantes percentagens, 60% e 100%, os três mapas obtiveram o valor de coeficiente de
correlação mais alto para a opção Light para bias regulariation, e 120 para bias FWHM tendo, no
entanto, diminuído o valor do coeficiente de correlação, para valores mais elevados da percentagem de
não-homogeneidade, como se pode ver nas tabelas 7.7 e 7.8. Verificou-se uma perda da qualidade da
estimativa para o campo “B”, bem como para a ponderação PD.
Tabela 7.7. Coeficientes de correlação para os parâmetros Light e 120 mm na percentagem de não-homogeneidade
de campo de 60% dos mapas “A”, “B” e “C”.
Coeficientes de correlação
Mapa\Sequência T1 T2 PD
A 0.927 0.9497 0.8063
B 0.731 0.6469 0.5301
C 0.9637 0.9725 0.8616
B Bc
51
Tabela 7.8. Coeficientes de correlação para os parâmetros Light e 120 mm na percentagem de não-homogeneidade
de campo de 100% dos mapas “A”, “B” e “C”.
Coeficientes de correlação
Mapa\Sequência T1 T2 PD
A 0.9057 0.9139 0.727
B 0.5749 0.7703 0.4314
C 0.9725 0.9227 0.7087
Para percentagens de não-homogeneidade maiores que 20%, os valores obtidos com o método
N4ITK foram “inferiores” aos obtidos com o SPM12, ainda que aumentado as condições de cálculo de
N4ITK (Apêndice A1.2).
Após uma inspecção visual das imagens proveniente do Hospital Garcia de Orta, bem como
comparação dos valores de intensidade ao longo da imagem, é possível concluir que estas não
apresentam valores de intensidade de campo claramente visíveis, pelo que não terão uma percentagem
muito elevada de não-homogeneidades. No entanto, é possível distinguir ligeiras diferenças nas
intensidades dos voxeis de estruturas com alguma simetria na imagem, como é possível ver na figura
7.10., onde a intensidade dos voxeis na região occipital da imagem é claramente mais elevada que nos
restantes voxeis da imagem.
Figura 7.10. Ilustração da presença da não-homogeneidade de campo no volume adquirido com a sequência T1
Gd, na altura 11, numa imagem proveniente do Hospital Garcia de Orta. O círculo vermelho representa a zona
hiperintensa.
52
Tendo em conta os resultados da correcção nas imagens de teste, e a inspecção das imagens
acima descrita, foi utilizada a opção 140 mm para bias FWHM, por a inhomogeneidade presente
aparentar estar no intervalo de percentagem de 10-40%. Para a opção bias regularisation foram
utilizadas as opções Very Light, Light e Medium, por se considerar que o campo poderá não afectar
tantos voxeis como os campos de teste, isto é, pode não estar tão presente na imagem ou, pelo contrário,
afectar mais voxeis e, por isso, estar mais presente na imagem.
Os campos obtidos nas três variações de bias regularisation estão ilustrados nas figuras 7.11,
7.12, 7.13 e 7.14 para as sequências T2 FLAIR, T2, T1 Gd e 2D MERGE, respectivamente, na altura 10
de cada volume. É possível observar um elevado grau de semelhança entre os três campos nas sequências
T2 FLAIR e 2D MERGE. Nas sequências T2 e T1 Gd o grau de semelhança entre os três mapas
corrigidos é menor. Por outro lado, é de salientar uma diferença significativa para as opções Very Light
e Light nas sequências T2 FLAIR, T2 e 2D MERGE e para as opções Light e Medium na sequência T1
Gd.
Figura 7.11. Ilustração dos mapas de não-homogeneidade de campo no volume, proveniente do Hospital Garcia
de Orta, adquirido com a sequência T2 FLAIR, para a altura 10, para as três opções de bias regularisation.
Figura 7.12. Ilustração dos mapas de não-homogeneidade de campo no volume, proveniente do Hospital Garcia
de Orta, adquirido com a sequência T2, para a altura 10, para as três opções de bias regularisation.
53
Figura 7.13. Ilustração dos mapas de não-homogeneidade de campo no volume, proveniente do Hospital Garcia
de Orta, adquirido com a sequência T1 Gd, para a altura 10, para as três opções de bias regularisation.
Figura 7.14. Ilustração dos mapas de não-homogeneidade de campo no volume adquirido, proveniente do Hospital
Garcia de Orta, com a sequência 2D MERGE, para a altura 10, para as três opções de bias regularisation.
Na tabela 7.9. encontram-se as percentagens de não-homogeneidade de campo calculadas com
recurso às opções acima referidas.
Tabela 7.9. Percentagem de não-homogeneidade de campo dos quatro volumes proveniente do Hospital Garcia de
Orta, nas três opções de correcção.
Percentagem de não-homogeneidade
BiasRegularisation\Sequência T2
T2
FLAIR T1 Gd
2D
MERGE
Very Light 55,54% 37,95% 42,91% 69,67%
Light 21,96% 21,03% 32,17% 37,53%
Medium 5,39% 6,67% 10,51% 15,96%
54
Os resultados da correcção com a opção Very Light estão representados nas figuras 7.15, 7.16,
7.17 e 7.18 para as sequências T2 FLAIR, T2, 2D MERGE e T1 Gd, numa altura específica.
Figura 7.15. Imagem, proveniente do Hospital Garcia de Orta, na sequência T2 FLAIR, na altura 9, antes da
correcção (Esquerda), mapa da não-homogeneidade de campo (Centro) e imagem após correcção na opção Very
Light (Direita).
Na figura 7.15 é possível verificar uma ligeira hipointensidade na parte posterior do encéfalo
que é corrigida após a aplicação da ferramenta.
Figura 7.16. Imagem da sequência T2, na altura 13, antes da correcção (Esquerda), mapa da não-homogeneidade
de campo (Centro) e imagem após correcção na opção Very Light (Direita).
Na figura 7.16 não é visível qualquer variação relevante de intensidades antes ou após a
correcção.
Figura 7.17. Imagem, proveniente do Hospital Garcia de Orta, da sequência 2D MERGE, na altura 14, antes da
correcção (Esquerda), mapa da não-homogeneidade de campo (Centro) e imagem após correcção na opção Very
Light (Direita).
Na figura 7.17, na imagem da esquerda é possível ver uma hiperintensidade na região frontal,
após a correcção permite uma distribuição de intensidades do tecido mais homogénea, bem como uma
hipointensidade na região latero-parietal que é regularizada após a correcção.
55
Figura 7.18. Imagem, proveniente do Hospital Garcia de Orta, da sequência T1 Gd, na altura 11, antes da correcção
(Esquerda), mapa da não-homogeneidade de campo (Centro) e imagem após correcção na opção Very Light
(Direita).
Na figura 7.18 na imagem antes da correcção, pode observar-se uma hiperintensidade à parte
posterior do encéfalo e a hipointensidade na parte central do encéfalo, proveniente das não-
homogeneidades de campo que, após a correcção, é retirada tornando os tecidos nela presentes mais
uniformes em termos de intensidade.
Os resultados da correcção com a opção Light estão representados nas figuras 7.19, 7.20 e 7.21
para as sequências T2 FLAIR, 2D MERGE e T1 Gd, numa altura específica. O volume T2 após
correcção recorrendo à opção Light não apresenta diferenças visíveis.
Figura 7.19. Imagem, proveniente do Hospital Garcia de Orta, da sequência T2 FLAIR, na altura 9, antes da
correcção (Esquerda), mapa da não-homogeneidade de campo (Centro) e imagem após correcção na opção Light
(Direita).
Na figura 7.19 não é possível verificar as alterações isoladas feitas pela correcção, pelo que
visualmente as imagens aparentam ser iguais, embora haja uma maior homogeneidade nas intensidades
dos tecidos resultante de um escurecimento da imagem, especialemente no tecido adjacente ao tumor e
ao crânio.
56
Figura 7.20. Imagem, proveniente do Hospital Garcia de Orta, da sequência 2D MERGE, na altura 14, antes da
correcção (Esquerda), mapa da não-homogeneidade de campo (Centro) e imagem após correcção na opção Light
(Direita).
Na figura 7.20 à direita é ainda possível observar parte da hiperintensidade, presente na porção
anterior do encéfalo, após a correcção, embora com menor intensidade.
Figura 7.21. Imagem, proveniente do Hospital Garcia de Orta, da sequência T1 Gd, na altura 11, antes da correcção
(Esquerda), mapa da não-homogeneidade de campo (Centro) e imagem após correcção na opção Light (Direita).
Na figura 7.21 é possível notar ainda alguma hiperintensidade na região frontal, embora bastante
reduzida, resultado de uma correcção não completa.
Os resultados da correcção com a opção Medium estão representados nas figuras 7.22 e 7.23
para as sequências 2D MERGE e T1 Gd, numa altura específica. Estes resultados, por terem
percentagens tão pequenas de correcção tornam difícil a visualização das manipulações feitas pela
mesma, sendo possível ainda verificar variações devidas à presença de não-homogeneidades, como é o
caso da figura 7.22, onde a região occipital continua hipointensa após a correcção, bem como na figura
7.23, onde ainda é possível verificar uma zona hiperintensa, embora mais reduzida, na parte posterior
do encéfalo. Nos volumes T2 e T2 FLAIR não é possível distinguir alterações feitas após a correcção
das não-homogeneidades.
57
Figura 7.22. Imagem, proveniente do Hospital Garcia de Orta, da sequência 2D MERGE, na altura 14, antes da
correcção (Esquerda), mapa da não-homogeneidade de campo (Centro) e imagem após correcção na opção
Medium (Direita).
Figura 7.23. Imagem, proveniente do Hospital Garcia de Orta, da sequência T1 Gd, na altura 11, antes da correcção
(Esquerda), mapa da não-homogeneidade de campo (Centro) e imagem após correcção na opção Medium (Direita).
58
7. 3 Skull Stripping
Na primeira etapa da aplicação do método de skull stripping, com a opção Segment do SPM12,
aplicada às imagens provenientes do Hospital Garcia de Orta, resultaram os quatro volumes presentes
nas figuras 7.24 a), b), c) e d), correspondentes aos volumes com prefixo “SS_”, nas alturas de 7 a 16.
Figura 7.24 a). Volume (prefixo “SS_”) resultante da primeira etapa de criação da máscara única nas imagens
proveniente do Hospital Garcia de Orta, na sequência T2 FLAIR, nas alturas de 7 a 16.
Figura 7.24 b). Volume (prefixo “SS_”) resultante da primeira etapa de criação da máscara única nas imagens
proveniente do Hospital Garcia de Orta, na sequência T2, nas alturas de 7 a 16. A zonas circundadas assinalam
zonas de perda de informação dentro da região de interesse.
59
Figura 7.24 c). Volume (prefixo “SS_”) resultante da primeira etapa de criação da máscara única nas imagens
proveniente do Hospital Garcia de Orta, na sequência T1 Gd, nas alturas de 7 a 16. A zonas circundadas assinalam
zonas de perda de informação dentro da região de interesse.
Figura 7.24 d). Volume (prefixo “SS_”) resultante da primeira etapa de criação da máscara única nas imagens
proveniente do Hospital Garcia de Orta, na sequência 2D MERGE, nas alturas de 7 a 16. A zonas circundadas
assinalam zonas de perda de informação dentro da região de interesse.
As imagens obtidas neste passo são reflexo de uma segmentação adapatada a cada volume e,
por isso, não tiram partido da multi-espectralidade. É possível ver a exclusão de áreas pertencentes à
região de interesse (áreas circundadas nas imagens 7.24 b), c) e d)), como é o caso de parte do tumor no
volume obtido com a sequência T2, ou a eliminação de parte da substância cinzenta nos volumes obtidos
com as sequências T1 Gd e 2D MERGE, devido a um ponto hipointenso nestes volumes. No entanto, é
possível observar também zonas onde a exclusão de partes não pertencentes à região de interesse é feita
de forma bastante selectiva, como é o caso da altura 7 do volume T2 FLAIR ou os contornos de grande
parte das alturas das sequências.
No passo seguinte foi criada a máscara única, utilizando informação dos quatro volumes cujos
resultados se encontram nas figuras seguintes. Nas figuras 7.25 a), b), c) e d) encontram-se as imagens
60
resultantes da aplicação do primeiro método à máscara e posteriormente, multiplicando a mesma pelas
imagens proveniente do Hospital Garcia de Orta.
Figura 7.25 a). Volume obtido após o primeiro método de criação da máscara única e aplicação da mesma às
imagens provenientes do Hospital Garcia de Orta, sequência T2 FLAIR, nas alturas de 7 a 16.
Figura 7.25 b). Volume obtido após o primeiro método de criação da máscara única e aplicação da mesma às
imagens provenientes do Hospital Garcia de Orta, sequência T2, nas alturas de 7 a 16.
Figura 7.25 c). Volume obtido após o primeiro método de criação da máscara única e aplicação da mesma às
imagens provenientes do Hospital Garcia de Orta, sequência T1 Gd, nas alturas de 7 a 16.
61
Figura 7.25 d). Volume obtido após o primeiro método de criação da máscara única e aplicação da mesma às
imagens provenientes do Hospital Garcia de Orta, sequência 2D MERGE, nas alturas de 7 a 16.
Analisando as figuras 7.24 a) - d), é possível constatar que, somando todos os volumes (primeiro
método), a máscara inclui bastante tecido que não se pretende que esteja enquadrado na imagem final
como sendo o caso de, na altura 12 de cada volume, o excerto não pertencente ao cérebro na parte
anterior da imagem, na altura 10 e 11, o excerto presente também na parte anterior da imagem nas alturas
7 e 8 e os excertos presentes nas laterais da imagem. Os contornos, em geral, passam a abrangir mais do
que a região de interesse.
Nas figuras 7.26 a), b), c) e d) encontram-se as imagens resultantes da aplicação do segundo
método à máscara e posteriormente, multiplicando a mesma pelas imagens proveniente do Hospital
Garcia de Orta.
Figura 7.26 a). Volume obtido após o segundo método de criação da máscara única e aplicação da mesma às
imagens provenientes do Hospital Garcia de Orta, sequência T2 FLAIR, nas alturas de 7 a 16.
62
Figura 7.26 b). Volume obtido após o segundo método de criação da máscara única e aplicação da mesma às
imagens provenientes do Hospital Garcia de Orta, sequência T2, nas alturas de 7 a 16.
Figura 7.26 c). Volume obtido após o segundo método de criação da máscara única e aplicação da mesma às
imagens provenientes do Hospital Garcia de Orta, sequência T1 Gd, nas alturas de 7 a 16.
Figura 7.26 d). Volume obtido após o segundo método de criação da máscara única e aplicação da mesma às
imagens provenientes do Hospital Garcia de Orta, sequência 2D MERGE, nas alturas de 7 a 16.
Analisando as figuras 7.26 a) – d), é possível constatar que, somando todos os volumes e
retirando os valores que aparecem apenas em dois volumes, a máscara inclui menos tecido que não se
pretende que esteja enquadrado na imagem final, mas, no entanto, continua a necessitar de
63
processamento para retirar as partes de tecido restantes. É possível observar uma redução significativa
de tecido fora da região de interesse nas alturas 7 e 8, nas partes laterais do cérebro, nas alturas 11 e 12,
na parte anterior do cérebro, bem como na altura 7 na parte anterior central do cérebro.
Nas figuras 7.27 a), b) c) e d) encontram-se as imagens resultantes da aplicação do terceiro
método à máscara e posteriormente, multiplicando a mesma pelas imagens proveniente do Hospital
Garcia de Orta.
Figura 7.27 a). Volume obtido após o terceiro método de criação da máscara única e aplicação da mesma às
imagens provenientes do Hospital Garcia de Orta, sequência T2 FLAIR, nas alturas de 7 a 16.
Figura 7.27 b). Volume obtido após o terceiro método de criação da máscara única e aplicação da mesma às
imagens provenientes do Hospital Garcia de Orta, sequência T2, nas alturas de 7 a 16.
64
Figura 7.27 c). Volume obtido após o terceiro método de criação da máscara única e aplicação da mesma às
imagens provenientes do Hospital Garcia de Orta, sequência T1 Gd, nas alturas de 7 a 16.
Figura 7.27 d). Volume obtido após o terceiro método de criação da máscara única e aplicação da mesma às
imagens provenientes do Hospital Garcia de Orta, sequência 2D MERGE, nas alturas de 7 a 16.
Analisando as figuras 7.27 a) – d), é possível constatar que, somando todos os volumes,
atribuindo um peso duplo ao volume T2 FLAIR e retirando os valores que menores que 3, a máscara
inclui quase somente os tecidos que se pretende segmentar, tendo muito pouco tecido que não se
pretende que esteja enquadrado na imagem final. No entanto, é importante destacar que é retirada uma
porção de tecido nas alturas 9-10 e nas alturas 15-16, devido à presença deste tecido em mais de metade
dos volumes. É ainda possível observar algum tecido não pertencente à região de interesse na altura 11
de todos os volumes, na parte anterior do cérebro.
Nas figuras 7.28 a), b), c) e d) encontram-se as imagens resultantes da aplicação do quarto e
último método à máscara e posteriormente, multiplicando a mesma pelas imagens proveniente do
Hospital Garcia de Orta.
65
Figura 7.28 a). Volume obtido após o quarto método de criação da máscara única e aplicação da mesma às
imagens provenientes do Hospital Garcia de Orta, sequência T2 FLAIR, nas alturas de 7 a 16.
Figura 7.28 b). Volume obtido após o quarto método de criação da máscara única e aplicação da mesma às
imagens provenientes do Hospital Garcia de Orta, sequência T2, nas alturas de 7 a 16.
Figura 7.28 c). Volume obtido após o quarto método de criação da máscara única e aplicação da mesma às
imagens provenientes do Hospital Garcia de Orta, sequência T1 Gd, nas alturas de 7 a 16.
66
Figura 7.28 d). Volume obtido após o quarto método de criação da máscara única e aplicação da mesma às
imagens provenientes do Hospital Garcia de Orta, sequência 2D MERGE, nas alturas de 7 a 16.
Analisando as figuras 7.28 a) – d), é possível constatar que, multiplicando as máscaras dos
quatro volumes, a máscara exclui os tecidos que se pretende segmentar, como é o caso de parte do tumor,
nas alturas 7 e 8 de todos os volumes bem como de parte posterior do cérebro, nas alturas 11-16. Nas
alturas 9-11 e 15-16 é, ainda, possível observar a perda de parte da região de interesse na parte lateral
direita do cérebro. A máscara é, portanto, demasiado exclusiva.
Para o passo de melhoramento da máscara foi escolhido o volume originado com o segundo
método de criação da máscara única (ilustrado nas figuras 7.26) por ser o que mais tecido excluía, sem
adaptar demasiado o processo de criação ao conjunto de volumes a segmentar provenientes do Hospital
Garcia de Orta. Neste passo foram utilizados três métodos para melhorar a máscara única. Os resultados
do primeiro método encontram-se nas figuras 7.29 a), b), c) e d).
Figura 7.29 a). Volume obtido após o primeiro método de melhoramento da máscara única e aplicação da mesma
às imagens provenientes do Hospital Garcia de Orta, sequência T2 FLAIR, nas alturas de 7 a 16.
67
Figura 7.29 b). Volume obtido após o primeiro método de melhoramento da máscara única e aplicação da mesma
às imagens provenientes do Hospital Garcia de Orta, sequência T2, nas alturas de 7 a 16.
Figura 7.29 c). Volume obtido após o primeiro método de melhoramento da máscara única e aplicação da mesma
às imagens provenientes do Hospital Garcia de Orta, sequência T1 Gd, nas alturas de 7 a 16.
Figura 7.29 d). Volume obtido após o primeiro método de melhoramento da máscara única e aplicação da mesma
às imagens provenientes do Hospital Garcia de Orta, sequência 2D MERGE, nas alturas de 7 a 16.
Nestas figuras é possível ver um claro melhoramento em comparação às figuras 7.26,
nomeadamente na altura 7, onde existe muito menos tecido não pertencente ao cérebro, bem como nas
alturas 10-11, onde já não está tão presente o tecido respeitante aos globos oculares e zona circundante.
É ainda possível comparar uma maior definição no contorno de cada altura, onde existe menos tecido
68
pertencente ao crânio. No entanto, é de salientar que existe ainda tecido nestas imagens que não pertence
exclusivamente ao encéfalo como é o caso da zona hiperintensa no centro da altura 7, presente nas
figuras 7.29 a) e d), ou a porção correspondente à zona dos globos oculares visível nas alturas 10 e 11
nas figuras 7.29 a) e c).
Nas figuras 7.30 a), b), c) e d) encontram-se os volumes obtidos com o segundo método de
melhoramento da máscara única.
Figura 7.30 a). Volume obtido após o segundo método de melhoramento da máscara única e aplicação da mesma
às imagens provenientes do Hospital Garcia de Orta, sequência T2 FLAIR, nas alturas de 7 a 16.
Figura 7. 30 b). Volume obtido após o segundo método de melhoramento da máscara única e aplicação da mesma
às imagens provenientes do Hospital Garcia de Orta, sequência T2, nas alturas de 7 a 16.
69
Figura 7. 30 c). Volume obtido após o segundo método de melhoramento da máscara única e aplicação da mesma
às imagens provenientes do Hospital Garcia de Orta, sequência T1 Gd, nas alturas de 7 a 16.
Figura 7. 30 d). Volume obtido após o segundo método de melhoramento da máscara única e aplicação da mesma
às imagens provenientes do Hospital Garcia de Orta, sequência 2D MERGE, nas alturas de 7 a 16.
Nas figuras 7.30 a) – d) não é possível notar diferenças significativas em relação ao primeiro
método, sendo as imagens resultantes de ambos os métodos bastante semelhantes.
Nas figuras 7.31 a), b), c) e d) encontram-se os volumes obtidos com recurso ao terceiro e último
método de melhoramento da máscara única e posterior aplicação aos volumes provenientes do Hospital
Garcia de Orta.
70
Figura 7. 31 a). Volume obtido após o terceiro método de melhoramento da máscara única e aplicação da mesma
às imagens provenientes do Hospital Garcia de Orta, sequência T2 FLAIR, nas alturas de 7 a 16.
Figura 7. 31 b). Volume obtido após o terceiro método de melhoramento da máscara única e aplicação da mesma
às imagens provenientes do Hospital Garcia de Orta, sequência T2, nas alturas de 7 a 16.
Figura 7. 31 c). Volume obtido após o terceiro método de melhoramento da máscara única e aplicação da mesma
às imagens provenientes do Hospital Garcia de Orta, sequência T1 Gd, nas alturas de 7 a 16.
71
Figura 7. 31 d). Volume obtido após o terceiro método de melhoramento da máscara única e aplicação da mesma
às imagens provenientes do Hospital Garcia de Orta, sequência 2D MERGE, nas alturas de 7 a 16.
Nas figuras 7.31 a) – d) não é possível notar diferença entre aos dois métodos acima descritos,
salvo em alguns voxeis no contorno de algumas imagens, como é o caso dos voxeis da parte posterior
do encéfalo, na sequência T2 FLAIR e na altura 14, não sendo, no entanto, suficientes para se poder
afirmar que as imagens são muito distintas.
Em suma, após a aplicação de qualquer um dos métodos é possível ver melhorias significativas
nos volumes em relação aos volumes obtidos com a máscara única inicial, pelo que a aplicação de
qualquer um dos métodos permite refinar ainda mais a máscara única. No entanto, as diferenças entre
os três métodos são mínimas e dificilmente discerníveis. No entanto, a máscara única aparenta ser uma
significativa mais valia para a remoção do crânio.
A aplicação da ferramenta às imagens provenientes do BrainWeb e o resultado do calculo dos
coeficientes de correlação após o uso da opção Segment do SPM12, bem como no final do processo de
máscara está apresentada na tabela 7.10.
Tabela 7.10. Coefiecientes de correlação antes e após o passo adicional de criação da máscara única.
Coeficientes de correlação
Passos de criação da máscara Valor do coeficiente de correlação
Máscara após Segment SPM12 0.962
Máscara após processo de Skull Stripping 0.9633
Na figura 7.32 encontra-se o resultado desta ferramenta aplicado às imagens proveniente do
BrainWeb, sendo possível ver a máscara composta apenas por substância branca, substância cinzenta e
liquido cefaloraquididano dos volumes simulados, a máscara calculada com esta ferramenta, bem como
a sobreposição das duas.
72
Figura 7.32. Máscara composta por substância branca, substância cinzenta e liquido cefalorraquidiano
provenientes do BrainWeb (Esquerda a vermelho), máscara calculada usando a ferramenta presente neste trabalho
(Centro a azul) e sobreposição das duas máscaras (Direita correspondendo o vermelho à primeira máscara, o azul
à segunda máscara e o roxo à sobreposição das duas). Estas máscara foram sobrepostas ao volume simulado na
ponderação em T2 proveniente do BrainWeb. As imagens foram sobrepostas utilizando o software 3D Slicer.
É possível observar que a máscara proveniente do BrainWeb e, por isso, sendo o considerado
ground truth, é mais selectiva, abrangendo apenas os três tecidos em grande parte dos casos, quando
comparada com a máscara obtida com a ferramenta presente neste trabalho. A máscara obtida com esta
ferramenta seleciona uma menor área da região de interesse, como se pode ver em grande parte do
contorno imagem à direita da figura 7.32, tendo, no entanto, casos onde seleciona um pouco mais que
os três tecidos. Apesar das diferenças, as máscaras apresentam um elevado grau de semelhança entre
elas.
Por último, os resultados do método Swiss Skull Stripper estão representados na figura 7.33.
Figura 7.33. Máscara única resultante da soma das máscaras obtidas, com recurso à opção Swiss Skull Stripper
presente no software 3D Slicer, sobreposta ao volume proveniente do Hospital Garcia de Orta, na sequência T2
FLAIR, na altura 11.
Nesta imagem é possível observar que, após a aplicação da máscara a segmentação é demasiado
restritiva, retirando partes do encéfalo que pertencem à região de interesse, como é o caso da parte
posterior e que deveriam ser incluídas na máscara. Por outro lado, observa-se que existem zonas como
a zona em redor dos olhos que pertence à máscara, mas que não pertence à região de interesse. Conclui-
73
se, portanto, que a máscara resultante deste método é demasiado abrangente numas zonas e demasiado
exclusivo noutras, o que dificulta um passo seguinte de melhoramento da máscara.
7.4 Manipulação do Histograma
Na figura 7.34 estão representados os histogramas dos volumes provenientes do Hospital Garcia
de Orta. Como é possível observar, a escala na qual variam os graus de cinzento de cada volume é
diferente, isto é, tem máximos e mínimos diferentes e apresenta apenas valores positivos.
Figura 7.34. Histograma antes (Imagens superiores) e após a manipulação do histograma (Imagens inferiores) dos
volumes obtidos com as sequências T2 FLAIR, T2, T1 Gd e 2D MERGE, respectivamente, na altura 12,
proveneientes do Hospital Garcia de Orta.
Após a aplicação do método da manipulação do histograma, os volumes são normalizados a um
intervalo especifico, neste caso 3500 valores de graus de cinzento, podendo comparar-se directamente
os voxeis de todas as imagens, entre volumes.
74
7.5 Limpeza do Fundo
Na figura 7.35 é possível ver uma altura de um dos quatro volumes antes e após a limpeza do
fundo. Nos volumes iniciais está presente uma variação de graus de cinzento no exterior do crânio que
não tem correspondência anatómica (representado pelas setas pretas). Esta variação é aproximadamente
1-3% do valor de grau de cinzento máximo do volume e é constante ao longo das alturas. Após a
correcção este valor é reduzido a zero, permitindo que apenas a parte delimitada pelo crânio tenha
variações nos graus de cinzento.
Figura 7.35. Altura 12 do volume original proveniente do Hospital Garcia de Orta, na sequência 2D MERGE
(Esquerda) e do volume obtido após a limpeza do fundo (Direita) com um mapeamento de cores que permite a
visualização da presença de ruído de fundo. As setas indicam os locais onde existe maior presença de ruído.
7.6 Visualização de volumes
Na figura 7.36 encontra-se ilustrado, utilizando a ferramenta, o volume na sequência T2 FLAIR,
proveniente do Hospital Garcia de Orta numa única figura. Nesta figura é possível observar o volume
na sua totalidade, com a escala de graus de cinzento ajustada ao mesmo. Esta opção permite a
visualização de um número variável de volumes, bem como volumes com um número variável de
alturas, possibilitanto a comparação entre eles.
75
Figura 7.36. Volume completo proveniente do Hospital Garcia de Orta, na sequência T2 FLAIR. Alturas crescentes
da esquerda para a direita e de cima para baixo.
7.7 Encadeamento de etapas de Pré-processamento
Na figura 7.37 é possível comparar as imagens pré-processadas com recurso aos diferentes
encadeamentos das etapas de pré-processamento testadas. Na primeira linha é possível observar uma
imagem de cada um dos quatro volumes T2 FLAIR, T2, T1 Gd e 2D MERGE, resultantes da aplicação
da primeira encadeamento de etapas de pré-processamento (correcção de não-homogeneidade de campo
– registo - skull stripping) às imagens iniciais provenientes do Hospital Garcia de Orta, nas sequências,
da esquerda para a direita, T2 FLAIR, T2, T1 Gd e 2D MERGE. Na segunda linha estão presentes os
resultados da aplicação do segundo encadeamento de etapas de pré-processamento (registo - correcção
de não-homogeneidade de campo - skull stripping) às mesmas imagens iniciais, nas mesmas sequências.
Por último, na terceira linha, encontram-se as imagens resultantes da aplicação do terceiro encadeamento
de etapas pré-processamento (registo - skull stripping - correcção de não-homogeneidade de campo) às
mesmas imagens iniciais, nas mesmas sequências.
Analisando as imagens do mesmo encadeamento, isto é, ao longo da coluna, é possível constatar
que, na imagem resultante da aplicação do primeiro encadeamento de pré-processamento houve uma
maior exclusão de voxeis não-pertencentes ao tecido, visível na parte anterior do encéfalo nas sequências
T2 FLAIR, T2 e T1 Gd, quando comparada com as imagens resultantes dos restantes encadeamentos de
etapas de pré-processamento. Esta exclusão é crescente ao longo das três linhas de pré-processamento,
isto é, a primeira é a mais exclusiva, seguida da segunda e, por último a terceira sequência. É também
76
possível observar uma maior suavidade nos contornos das imagens presentes na primeira linha, o que é
mais próximo da realidade dos contornos do encéfalo.
Figura 7.37. Imagens resultantes da aplicação dos três encadeamentos de etapas de pré-processamento testadas às
imagens provenientes do Hospital Garcia de Orta (1ª, 2ª e 3ª sequência na 1ª, 2ª e 3ª linha, respectivamente). As
imagens ilustradas integram os volumes pré-processados, nas sequências T2 FLAIR, T2, T1 Gd e 2D MERGE da
esquerda para a direita, na altura 7.
77
78
Discussão
Este trabalho consistiu na criação e optimização de uma ferramenta de pré-processamento com
o objectivo de aplicar a um conjunto de imagens de ressonância magnética multi-espectral proveniente
do Hospital Garcia de Orta, para posterior classificação num software próprio. Esta ferramenta tinha
como objectivo garantir que a cada voxel correspondesse exactamente à mesma porção de tecido nas
diferentes imagens em estudo. Para tal, foram incluídos diversos passos, sem ordem obrigatória, que
permitiram adaptar o pré-processamento às diversas imagens.
Numa primeira análise às imagens originais, foi possível observar que os voxeis não
pertencentes ao crânio ou às estruturas por ele enclausuradas, ou seja, o fundo, não era nulo, mas
apresentava uma variação de graus de cinzento devido, possivelmente, a ruído ou à calibração da
máquina. Após a aplicação da limpeza do fundo, os voxeis exteriores deixaram de influenciar os passos
de processamento (como a estimação do mapa de não-homogeneidades), ou de ter peso na estimação da
transformada a aplicar para o registo, estando, portanto, mais perto de uma imagem correctamente
processada. No entanto, há que ter em consideração que a intensidade do fundo pode ser maior que a
percentagem usada neste trabalho (5% do máximo na escala de graus de cinzento), pelo que pode haver
necessidade de aumentar o limiar para conseguir retirar, de forma mais eficaz, a influência do fundo. O
método aqui utilizado é bastante rudimentar quando comparado com o método proposto por Otsu (1979),
que permite um cálculo automático do limiar, mas que não obteve bons resultados quando utilizado
nestas imagens, possivelmente por não haver uma distinção clara do que é objecto e do que é fundo, por
terem intensidades semelhantes em alguma partes da imagem. No entanto, o método aqui implementado
funcionou adequadamente para as imagens processadas.
Após a limpeza do Fundo, foi feita a correcção das não-homogeneidades. Os parâmetros que
obtiveram maiores valores de coeficiente de correlação, quando aplicados às imagens desimulação
provenientes do BrainWeb, com recurso ao método proposto por Ashburner & Friston (2005), e presente
no SPM12, não estão de acordo com os resultados obtidos por Ganzetti et al. (2016a), onde os mesmos
8
79
parâmetros obtêm valores de correlação conjunta menores. Por outro lado, é observada uma grande
dependência dos parâmetros de entrada para uma correcta correcção, tal como observou Ganzetti et al.
(2016b), bem como uma boa correcção ao longo de uma gama de percentagens de não-homogeneidade
de campo.
Na aplicação da correcção aos dados provenientes do Hospital Garcia de Orta foi conseguida
uma correcção que levou ao desaparecimento de padrões de não-homogeneidade nítidos nas imagens, o
que sugere um desaparecimento de elevado grau de variações de intensidade ao longo dos tecidos, isto
é, uma maior homogeneidade intra-tecido. No entanto, devido à variação dos parâmetros inicias resultar
em mapas de não-homogeneidades com padrões ligeiramente distintos, é possível que ao corrigir as não-
homogeneidades visíveis tenham sido introduzidas não-homogeneidades na imagem, embora estas não
sejam visíveis.
Comparando o método proposto por Tustison et al. (2010) e o método proposto por Ashburner
& Friston (2005), ambos baseados em não-homogeneidades multiplicativas, obteve-se melhores
resultados para este último, apesar da utilização de uma vasta gama de variações dos parâmetros inicias
no primeiro método referido.
Corrigidas as não-homogeneidades de campo, foi feito o registo das imagens ao volume de
referência. Numa segunda análise, foi observado que as imagens, ao serem recolhidas, foram afectadas
por rotações em todos os volumes, bem como uma translacção num dos volumes. Estes desvios estavam
presentes na imagem e foram obtidos, possivelmente, durante a aquisição das mesmas. No entanto, as
rotações encontradas foram idênticas em todos os volumes, excepto um onde o ângulo de rotação era
ligeiramente diferente, o que facilitou o processo de registo, assim como diminuiu a introdução de erro
durante a interpolação. Após a verificação dos ângulos de rotação e da extensão das translacções foi
possível concluir que esses valores se encontravam dentro dos intervalos que permitiam um reajuste
completo, sem perda de informação, segundo Collignon et al., (1995).
As rotações e translacções encontradas poderiam ser corrigidas recorrendo ao registo a um
volume de referência, não pertencente aos volumes recolhidos. No entanto, caso se optasse por essa
solução, os seis graus de liberdade das transformações rígidas não seriam, na maioria dos casos,
suficientes para registar de forma precisa as imagens ao volume de referência, devido à variação das
proporções do crânio e encéfalo entre a referência e o paciente, tendo, para tal, de se recorrer a
transformações afins ou até a transformações não-lineares, tornando o problema do registo bastante mais
complexo e não adequado às imagens que se pretendia processar. Pelas razões acima referidas, e para
garantir que todos os volumes estão alinhados entre si e não a templates, o alinhamento dos volumes foi
feito tendo como referência um desses mesmos volumes. Com base nos resultados, pôde-se observar
que a opção de registo usada nesta ferramenta teve um bom resultado, não sendo possível, visualmente,
distinguir algum desalinhamento, confirmando a necessidade de apenas um registo rígido. Após o
registo, foi observada a existência de valores negativos na escala de graus de cinzento principalmente
na zona entre o encéfalo e o crânio, devido à interpolação BSpline de grau moderadamente elevado. No
80
entanto, os valores negativos eram bastante próximos, em módulo, dos valores positivos antes de se
proceder ao registo e, também bastante próximos dos restantes valores circundantes, o que sugere que
tal não aconteceria se tivesse sido utilizada uma interpolação linear. No entanto, a utilização deste tipo
de interpolação levaria a uma estimação do valor do voxeis menos real, levando a uma imagem com
menor qualidade.
A comparação com o método desenvolvido por Johnson et al., (2007), presente no 3D Slicer
não resultou em diferenças significativas, pelo que ambas as opções fariam um bom registo. No entanto,
a opção presente nesta ferramenta tem a vantagem de poder ser inserida no ambiente MatLab e, por isso,
poder ser conjugada com vários outros tipos e rotinas de pré-processamento, possibilitando a criação de
uma ferramenta numa única plataforma. Por esta razão, foi escolhida esta opção para ser inserida na
ferramenta.
Por último, foi feita a remoção do crânio e extracção da região de interesse. A existência de um
tumor nos volumes provenientes do Hospital Garcia de Orta dificultou parcialmente a segmentação,
devido à ausência de uma classe correspondente nos mapas de tecidos na opção Segment presente no
SPM12, o que levou à exclusão deste tecido na segmentação inicial no volume obtido com a sequência
T2 e em parte na sequência 2D MERGE. Por outro lado, utilizando a multi-espectralidade do estudo
para criação da máscara única, esta dificuldade foi ultrapassada e, foi criada a primeira máscara multi-
espectral. Esta máscara era pouco exclusiva contendo bastante tecido que não se prentendia que estivesse
inserido na máscara. Este facto deve-se às variações de intensidade entre os tecidos do encéfalo e os
restantes tecidos que o envolvem não serem acentuadas, mas sim graduais e com intensidades
semelhantes, levando a que o limite da máscara varie consoante o volume. Este acontecimento é
principalmente visível no volume T1 Gd, onde não existe uam variação muito acentuada nos tecidos.
No passo de melhoramento, a eliminação de voxeis com base no histograma da imagem não
obteve resultados significativamente diferentes nos três métodos. No entanto, qualquer um deles
resultou numa máscara mais selectiva em relação à máscara única inicial. Para que existissem diferenças
significativas entre os três métodos utilizados seria necessário encontrar percentagens especificas para
cada imagem de cada volume, ou mesmo para cada partição da imagem, a fim de eliminar determinados
conjuntos de voxeis não pertencentes à região de interesse e que não têm sempre as mesmas
características, o que tornaria este procedimento muito especifico a um conjunto específico de imagens.
Por outro lado, a diferença de intensidade entre o tecido pertencente ao encéfalo e o tecido não
pertencente ao mesmo é, por vezes, tão pequena que o limiar teria de ser bastante reduzido, o que poderia
não ter correspondência na imagem, visto esta ser composta por valores inteiros e num intervalo
especifico.
A máscara conseguida após todo o processo de Skull Stripping foi bastante mais exclusiva, não
só por já haver um baixo erro de classificação associado à segmentação, como observou Boesen et al.
(2004), mas também devido ao peso da multi-espectralidade das imagens. No entanto, provavelmente
devido à presença parcial de tecido da altura seguinte ou da altura anterior, houve voxeis que foram
81
selecionados pela máscara, mas que, na altura em que se encontram, ainda não têm peso suficiente do
tecido que se pretende segmentar para que seja possível afirmar com clareza que houve uma sobre-
expansão no processo de criação da máscara. Este facto é ainda potenciado pelo facto do corte da
imagem não ser paralelo e, portanto, seccionar diferentes estruturas ao longo da imagem. Por outro lado,
comparando com o método Swiss Skull Stripper, foi possível concluir que o método usado nesta
ferramenta permite, a partir de uma máscara demasiado abrangente, ir especificando a mesma até que
esta fique ajustada à imagem, ao passo que o método Swiss Skull Stripper, para estas imagens, tem zonas
de sobre-expansão e zonas de sub-expansão clara, o que torna difícil progredir para uma máscara mais
selectiva.
No entanto, não foram encontrados estudos onde se tentasse retirar partido da multi-
espectralidade com o único objectivo de criação de uma máscara única o mais adaptado e selectivo
possível às imagens a pré-processar. Foram apenas encontrados estudos com o objectivo de criar
máscaras diferentes para diferentes volumes e melhorá-las individualmente, como é o caso dos estudos
realizados por Ségonne et al. (2004) e Chiverton et al (2007), ou estudos onde se segmenta a imagem
em diferentes tecidos recorrendo a redes neuronais como é o caso do estudo realizado por Reddick et al.
(1997), permitindo uma segmentação e avaliação dos tecidos separados sem, no entanto, medir
quantitativamente a precisão da separação do encéfalo dos restantes tecidos.
Concluidos todos os passos de pré-processamento individualmente, foi testada a sequência de
opções de pré-processamento que melhores resultados produzia. A sequência que obteve melhores
resultados foi a primeira sequência, correspondentes a uma correcção de não-homogeneidades de campo
seguida de um registo e, por fim, de um Skull Stripping. Esta sequência permitiu uma selecção mais
rigorosa da região de interesse deixando, por isso, menor quantidade de tecido extra na máscara final, o
que está de acordo com a sequência proposta por Zijdenbos et al., (2002), embora com menos passos de
pré-processamento. Das várias sequências possíveis, utilizando todas as opções de pré-processamento,
apenas foram testadas três devido à necessidade, nesta ferramenta, de proceder ao registo antes de se
realizar o Skull Stripping. A aplicação do Skull Stripping antes do registo, isto é, antes dos volumes
estarem devidamente alinhados, iria resultar numa máscara desadequada pois, devido à soma das
máscaras individuais, esta iria ter zonas que englobariam tecidos não-pertencentes a região de interesse
e zonas que excluiriam tecidos que se pretendia segmentar. No entanto, a aplicação de um Skull Stripping
antes do registo seria viável caso não tivesse sido introduzida o passo extra de melhoramento da máscara
e, segundo Fischmeister et al., (2013), poderia até aumentar a robustez do registo. Porém, os resultados
do registo foram bastante satisfatórios, tendo em conta que se processou imagens de um mesmo
indivíduo e, por isso, as transformações foram apenas rígidas.
A escolha de um registo ou de uma correcção de não-homogeneidade de campo como primeira
opção na sequência foi feita com base nos resultados e deu origem às primeiras duas sequências de pré-
processamento. A ordenação que obteve melhores resultados foi uma correcção de não-homogeneidades
de campo em primeiro lugar e o registo em segundo lugar. Este resultado poderá dever-se ao facto de,
82
após o cálculo da transformada no registo, se recorrer a uma interpolação que irá recalcular os valores
dos voxeis ao longo de toda a imagem e, por isso, também dentro de um mesmo tecido. Esta variação
poderá tornar mais difícil o agrupamento dos tecidos e, por essa razão, resultar numa correcção de não-
homogeneidade de campo em valores que não a representam, mas que representam o resultado do
cálculo interpolativo. Por esta razão concluiu-se que a correcção de não-homogeneidades de campo
deveria ser aplicada às imagens iniciais e não às imagens registadas.
Na última sequência, as imagens foram registadas e mascaradas e só depois foram corrigidas as
não-homogeneidades de campo. Esta opção resultou em imagens pré-processadas com bastante tecido
não-pertencente à região de interesse. Este resultado ter-se-á devido a uma máscara menos selectiva,
pela influência das não-homogeneidades de campo na segmentação realizada no passo de criação da
máscara.
Em suma, neste trabalho, foi possível retirar uma grande parte dos artefactos mais comuns nas
imagens por ressonância magnética. No entanto, não foi possível a criação de uma rotina automática
pois concluiu-se que um bom pré-processamento requer um ajuste dos parâmetros de entrada às imagens
a processar, nomeadamente na correcção das não-homogeneidade de campo que, caso fossem utilizados
os valores padrão, comprometeria a informação presente na imagem. Por outro lado, ao ser definida uma
sequência de pré-processamento é possível fazer alterações caso não se pretenda realizar algum dos
estádios presentes, permitindo um pré-processamento mais especifico a cada conjunto de imagens.
83
84
Conclusão
Devido às vantagens da imagem por ressonância magnética em relação a outras técnicas, é cada
vez mais importante retirar o máximo de informação possível das imagens recolhidas, separando-as do
ruído e de outros obstáculos que possam impedir o acesso à totalidade da informação contida na imagem.
Para tal, há uma crescente necessidade de criação e/ou adaptação de métodos para processar as imagens
recolhidas e, se possível, compará-las com o intuito de obter informação de diferentes técnicas. A fim
de se poder comparar diferentes imagens, nesta ferramenta tentou-se garantir que a cada voxel,
independentemente da imagem, correspondesse exactamente a mesma porção de tecido, em todas as
imagens das quais se pretendesse recolher informação, bem como que o valor de cada voxel fosse apenas
influenciado pelo tecido nele contido e não por factores externos. Nesta ferramenta foram incorporadas
opções de registo, remoção da influência das não-homogeneidades de campo e segmentação
provenientes do SPM12, adicionadas opções de limpeza do fundo, visualização de volumes e
manipulação da escala de cinzentos e, tendo por base a segmentação anteriormente referida, a opção de
remoção de todos os tecidos externos ao encéfalo. Posteriomente, a ferramenta foi aplicada a um
conjunto de imagens provenientes do Hospital Garcia de Orta com o objectivo de preparação para
aplicação de um algoritmo de segmentação presente na tese de mestrado intitulada “Optimização de
uma ferramenta de segmentação de tecidos em imagens de ressonância magnética”, realizada pelo aluno
de Engenharia Biomédica Nuno Fernandes. Todas as opções da ferramenta foram também testadas num
conjunto de imagens de ressonância magnética simulada provenientes do BrainWeb.
Com esta ferramenta foi conseguida uma remoção bastante selectiva de todo o tecido não
pertence à região de interesse, ficando na imagem quase exclusivamente o encéfalo, permitindo o
seguimento das imagens para o algoritmo de classificação com o menor tecido extra possível. Foi
também removida a influência das não-homogeneidades de campo presentes nas imagens, tendo por
base testes para determinar os parâmetros que melhor se ajustavam às imagens a corrigir. Após o registo,
as imagens registadas sobrepunham-se o mais alinhadamente possível e ficaram normalizadas a um
9
85
intervalo especifico. Por último, foram colocadas todas as imagens, bem como toda a informação
necessária, numa estrutura específica para a realização da classificação pelo algoritmo acima referido.
Com este trabalho concluiu-se que existe software disponível que poderá servir como uma boa
base para quase todas as tarefas de pré-processamento, mas há que ter sempre o cuidado de os adaptar
o máximo possível às imagens com que se pretende trabalhar. No entanto, especialmente na selecção da
região de interesse, é necessário proceder a passos adicionais aos já presentes nas ferramentas existentes,
para refinar ao máximo esta selecção, visto que cada imagem tem particularidades que são necessárias
ter em consideração. Concluiu-se, também, que na selecção de uma região de interesse, ou seja, na
criação de uma máscara, é benéfica a existência de mais do que um volume de imagens. Tal deve-se ao
facto dos estudos multi-espectrais permitem um refinamento da selecção da região de interesse, levando
à utilização de informação que, com apenas um volume, iria ser descartada.
No entanto, a multi-espectralidade também contribuiu para que haja mais tecidos não-
pertencentes à região de interesse integrados na máscara. Por esta razão, é benéfica a criação de um
passo adicional para refinar a máscara, com o objectivo de retirar esse tecido extra. Nesta ferramenta,
foram utilizados parâmetros adaptados às imagens a processar pelo que terá de se proceder à
modificação destes, caso se queira processar outro conjunto de imagens. Este processo é trabalhoso e
seria favorecido pela criação de um processo automático ao invés de semi-automático. Também a
correcção de não-homogeneidades, sendo tão dependente dos parâmetros de entrada, poderia beneficiar
de uma escolha automática dos parâmetros, evitando assim correcções desnecessárias ou introdução de
padrões de não-homogeneidade. No entanto, a criação de um critério de optimização requer um estudo
mais aprofundado do problema.
86
Bibliografia
Alpert, N. M., Bradshaw, J. F., Kennedy, D. N., & Correia, J. A. (1990). The Principal Axes
Transformation - A method for Image Registration. Journal of Nuclear Medicine, 31(10), 1717–1722.
Ashburner, J. & Friston, K. J. (2005) Unified segmentation. NeuroImage, 26(3), 839-851 DOI:
10.1016/j.neuroimage.2005.02.018
Axel, L., & Morton, D. (1989). Correction of phase wrapping in magnetic resonance imaging.
Medical Physics, 16(2), 284–287. DOI:10.1118/1.596378
Bauer, S., Nolte, Lutz-P. & Reyes, M. (2012). Skull-stripping for Tumor-bearing Brain Images.
Annual Meeting of the Swiss Society for Biomedical Engineering.
Belaroussi, B., Milles, J., Carme, S., Zhu, Y. M., & Benoit-Cattin, H. (2006). Intensity non-
uniformity correction in MRI: Existing methods and their validation. Medical Image Analysis, 10(2),
234–246. DOI: 10.1016/j.media.2005.09.004
Boesen, K., Rehm, K., Schaper, K., Stoltzner, S., Woods, Lüders, E. & R. & Rottenberg, D.
(2004). Quantitative Comparison of Four Brain Extraction Algorithms. NeuroImage, 22, 1255-61. DOI:
10.1016/j.neuroimage.2004.03.010
Brown, L. G. (1992). A survey of image registration techniques. ACM Computing Surveys,
24(4), 325–376. DOI:10.1145/146370.146374
Chiverton, J., Wells, K., Lewis, E., Chen, C., Podda, B. & Johnson, D. (2007). Statistical
morphological skull stripping of adult and infant MRI data. Computers in Biology and Medicine, 37(3),
342-357, DOI: /10.1016/j.compbiomed.2006.04.001.
Collignon, A., Maes, F., Delaere, D., Vandermeulen, D., Suetens, P. & Marchal, G. (1995).
Automated Multi-Modality Image Registration Based on Information Theory. Information processing
in medical imaging (3),263-274
Despotovic, I., Goossens, B. & Philips, W. (2015) MRI Segmentation of the Human Brain:
Challenges, Methods, and Applications. Computational and Mathematical Methods in Medicine, (2015)
DOI:10.1155/2015/450341
Dietrich, O., Reiser, M. F., & Schoenberg, S. O. (2008). Artifacts in 3-T MRI: Physical
background and reduction strategies. European Journal of Radiology, 65(1), 29–35. DOI:
10.1016/j.ejrad.2007.11.005
10
87
Ganzetti, M., Wenderoth, N., & Mantini, D. (2016 A). Intensity Inhomogeneity Correction of
Structural MR Images: A Data-Driven Approach to Define Input Algorithm Parameters. Frontiers in
Neuroinformatics, 10. DOI: 10.3389/fninf.2016.00010
Ganzetti, M., Wenderoth, N., & Mantini, D. (2016 B). Quantitative Evaluation of Intensity
Inhomogeneity Correction Methods for Structural MR Brain Images. Neuroinformatics, 14, 5–21. DOI:
10.1007/s12021-015-9277-2
Gonzalez, R. & Woods, R. (2002). Digital image processing [2nd edition]. Upper Saddle River:
Prentice Hall, ISBN 0-201-18075-8
Fernandes, N. (2017). Optimização de uma ferramenta de segmentação de tecidos em imagens
de ressonância magnética. (Tese de Mestrado não publicada). Universidade Nova de Lisboa - Faculdade
de Ciências e Tecnologia, Portugal
Fischmeister, F. P. S., Höllinger, I., Klinger, N., Geissler, A., Wurnig, M. C., Matt, E.,
Beisteiner, R. (2013). The benefits of skull stripping in the normalization of clinical fMRI
data. NeuroImage: Clinical, 3, 369–380. http://doi.org/10.1016/j.nicl.2013.09.007
Friston, K.J., Ashburner, J., Frith, C.D., Poline, J.B., Heather, J. D. & Frackowiak, R. S. J.
(1995). Spatial Registration and Normalization of Images. Human Brain Mapping, 2, 165-189
DOI:10.1002/hbm.460030303
Hancock, J., & Lennon-George, J. (2010). Mri study guide. Australian Institute of Radiography.
Hill, D., Batchelor, P. G., & Holden, M. (2001). Medical image registration. Physics in Medicine
and Biology, 46. DOI:10.1088/0031-9155/46/3/201
Hou, Z. (2006). A review on MR image intensity inhomogeneity correction. International
Journal of Biomedical Imaging, 2006(1), 1–11. DOI:10.1155/IJBI/2006/49515
Javadpour A. & Mouhammadi, A.(2016). Improving Brain Magnetic Resonance Image (MRI)
Segmentation via a Novel Algorithm based on Genetic and Regional Growth. Journal of Biomedical
Physics & Engineering, 6(2), 95–108.
Johnson H.J., Harris G., Williams K. (2007) BRAINSFit: Mutual Information Registrations of
Whole-Brain 3D Images, Using the Insight Toolkit [Computer software].
Kalavathi, P. & Prasath, V.B. (2016). Methods on Skull Stripping of MRI Head Scan Images-a
Review Journal of Digital Imaging, 29(3), 365-379. DOI:10.1007/s10278-015-9847-8
Kwan-Hoong, N., Ahmad, A. C., Nizam, M., & Abdullah, B. (2003). Magnetic Resonance
Imaging: Health Effects and Safety. Electromagnetic Fields and Our Health, Proceedings of the
International Conference on NonIonizing Radiation at UNITEN ICNIR2003, (ICNIR2003).
Kostelec, P. J., & Periaswamy, S. (2003). Image Registration for MRI. Modern Signal
Processing, 46, 161–184.
Lee, V. S., Hecht, E. M., Taouli, B., Chen, Q., Prince, K., & Oesingmann, N. (2007). Body and
cardiovascular MR imaging at 3.0 T. Radiology, 244(3), 692–705. DOI:10.1148/radiol.2443060582
Lehmann, T. M., Gonner, C. & Spitzer, K. (1999). Survey: interpolation methods in medical
image processing. IEEE Transactions on Medical Imaging, 18(11), 1049-1075, DOI:
10.1109/42.816070
Mani, V. R. S., & Arivazhagan, S. (2013). Survey of Medical Image Registration. Journal of
Biomedical Engineering and Technology, 1(2), 8–25. DOI:10.12691/jbet-1-2-1
88
Maintz, J. B. A., & Viergever, M. A. (1998). A survey of medical image registration methods,
Oxford University Press, 2(1), 1–36.
McRobbie, D. W., Moore, E. A., Graves, M. J. & Graves, M. R. (2006). MRI From picture to
Proton. New York, NY: Cambridge University Press
Otsu, N. (1979). A Threshold Selection Method from Grey-Level Histograms. Transactions on
Systems, Man, and Cybernetics, 9, 62–66. https://doi.org/10.1109/TSMC.1979.4310076
Patkar, D., Jadhav, V., & Jathar, C. (2013). New Advances in MRI. Internation Medical
Sciences Academy. 26(1), 59-64
Plewes, D. (1994) Contrast Mechanism in Spin-echo MR Imaging. Radiographic, 14(6), 1389-
1404
Pham, D., Xu, C., Prince, J. (2000) Current Methods in Medical Image Sgementation. Annual
Review of Biomedical Engineering, 2(1), 315-337, DOI:10.4103/0971-6203.58777
Rajulath Banu, K. A., & Ranjith Ram, A. (2015). Contrast Enhancement of MRI Images: A
Review. International Journal of Emerging Technology and Advanced Engineering, 5(6), 99–103.
Rangayyan, R. (2004). Biomedical image analysis. CRC Press. ISBN 9780849396953
Reddick, W., Glass, J., Cook, E., Elkin, T. & Deaton, R. (1997). Automated Segmentation and
Classification of Multispectral Magnetic Resonance Images of Brain Using Artificial Neural Networks.
IEEE Transactions on Medical Imaging, 16(6), 911-918
Ségonne, F., Dale, A.M., Busa, E., Glessner, M., Salat, D., Hahn, H.K. & Fischl, B. (2004). A
hybrid approach to the skull stripping problem in MRI. NeuroImage, 22(3), 1060-1075, DOI:
/10.1016/j.neuroimage.2004.03.032.
Sled, J. G., Zijdenbos, A. P., & Evans, A. C. (1998). A nonparametric method for automatic
correction of intensity nonuniformity in MRI data. IEEE Transactions on Medical Imaging, 17(1), 87–
97. DOI:10.1109/42.668698
Smith, T. B., & Nayak, K. S. (2010). MRI artifacts and correction strategies. Imaging in
Medicine, 2(4), 445–457. DOI:10.2217/iim.10.33
Stadler, A., Schima, W., Ba-Ssalamah, A., Kettenbach, J., & Eisenhuber, E. (2007). Artifacts in
body MR imaging: Their appearance and how to eliminate them. European Radiology, 17(5), 1242–
1255. DOI:10.1007/s00330-006-0470-4
Sunaryo M., Haraidi, M. (2016). Preprocessing on Digital Image using Histogram Equalization:
An Experiment Study on MRI Brain Image. International Journal of Computer Science and Information
Technologies, 7(4), 1723-1727
Tao, X., Chang, M. (2010) A Skull Stripping Method Using Deformable Surface and Tissue
Classification, Medical Imaging 2010: Image Processing DOI:10.1117/12.844061.
Taxt, T., Lundervold, A., Strand J. & Holm S., Advances in medical imaging. (1998,
Aug.) Proceedings. Fourteenth International Conference on Pattern Recognition, Brisbane. DOI:
10.1109/ICPR.1998.711191
Tustison N. J., Avants BB., Cook PA., Zheng Y., Egan A., Yushkevich PA. & Gee JC. (2010).
N4ITK: Improved N3 Bias Correction, IEEE Transaction on Medical Imaging, 29(6), 1310-1320
DOI:10.1109/TMI.2010.2046908
89
van den Elsen, P., Pol, E. & Viergever, M. (1993). Medical Imagem Matching - A review with
Classification. IEEE Engineering in Medicine and Biology, 12(1), 26-39. DOI:10.1109/51.195938
Vovk, U., Pernuš, F., & Likar, B. (2007). A review of methods for correction of intensity
inhomogeneity in MRI. IEEE Transactions on Medical Imaging, 26(3), 405–421.
DOI:10.1109/TMI.2006.891486
Wansapura, J. P., Holland, S. K., Dunn, R. S., & Ball, W. S. (1999). NMR relaxation times in
the human brain at 3.0 Tesla. Journal of Magnetic Resonance Imaging, 9(4), 531–538.
DOI:10.1002/(SICI)1522-2586(199904)9:4<531::AID-JMRI4>3.0.CO;2-L
Woods, R. P., Grafton, S. T., Holmes, C. J., Cherry, S. R., & Mazziotta, J. C. (1998). Automated
Image Registration: I. General Methods and Intrasubject, Intramodality Validation. Journal of Computer
Assisted Tomography, 22(1), 139-152. DOI: 10.1097/00004728-199801000-00027
Xu, C., Pham, D., & Prince, J.L., (2000), Medical Image Segmentation Using Deformable
Models, in J. Michael Fitzpatrick, M. Sonka (Eds) Handbook of Medical Imaging: Medical Image
Processing and Analysis, 2, 129-174, SPIE Publications
Zijdenbos, A. P., Forghani, R. & Evans, A. C. (2002). Automatic "pipeline" analysis of 3-D
MRI data for clinical trials: application to multiple sclerosis. IEEE Transactions on Medical Imaging,
21(10), 1280-1291. DOI: 10.1109/TMI.2002.806283
Zitová, B. & Flusser, J. (2003). Image registration methods: a survey. Image and Vision
Computing, 21, 977-1000. DOI: 10.1016/S0262-8856(03)00137-9
90
Apêndices
No apêndice A1.1 é possível observar as tabelas respeitantes aos valores de coeficiente de
correlação obtidos com os diversos parâmetros de entrada na correcção de não-homogeneidades de
campo utilizada nesta ferramenta.
Apêndice A1.1. Valores de coeficiente de correlação obtidos com os diversos parâmetros de entrada na
correcção de não-homogeneidades de campo utilizada nesta ferramenta.
No apêndice A1.2 é possível observar as tabelas respeitantes aos valores de coeficiente de
correlação obtidos com os diversos parâmetros de entrada na correcção de não-homogeneidades de
campo utilizando o método N4ITK.
L120 L140 L150
20% original\BiasField T1 T2 PD original\BiasField T1 T2 PD original\BiasField T1 T2 PD
A 0.6548 0.7261 0.9328 A 0.9555 0.9283 0.9654 A 0.9673 0.9519 0.9533
B 0.541 0.7968 0.8955 B 0.8306 0.8249 0.8959 B 0.7676 0.7742 0.8581
C 0.7319 0.8086 0.8953 C 0.9777 0.9502 0.9431 C 0.9844 0.9576 0.9532
40% original\BiasField T1 T2 PD original\BiasField T1 T2 PD original\BiasField T1 T2 PD
A 0.8903 0.9157 0.9448 A 0.9553 0.9538 0.9591 A 0.9466 0.676 0.9553
B 0.7137 0.8637 0.9287 B 0.6794 0.4705 0.9109 B 0.5467 0.392 0.7493
C 0.9281 0.9524 0.964 C 0.9841 0.9761 0.9659 C 0.9517 0.6713 0.9609
60% original\BiasField T1 T2 PD original\BiasField T1 T2 PD original\BiasField T1 T2 PD
A 0.927 0.9497 0.8063 A 0.9526 0.8151 0.682 A 0.9432 0.8106 0.8151
B 0.731 0.6469 0.5301 B 0.5593 0.4768 0.6821 B 0.4248 0.3915 0.8144
C 0.9637 0.9725 0.8616 C 0.9651 0.8067 0.8794 C 0.9277 0.8089 0.8032
100% original\BiasField T1 T2 PD original\BiasField T1 T2 PD original\BiasField T1 T2 PD
A 0.9057 0.9139 0.727 A 0.9032 0.9187 0.7231 A 0.8724 0.9064 0.8147
B 0.5749 0.7703 0.4314 B 0.3832 0.5777 0.541 B 0.3087 0.4003 0.6685
C 0.9725 0.9227 0.7087 C 0.8801 0.9243 0.7835 C 0.8778 0.9193 0.8148
Coeficientes de correlação Coeficientes de correlação Coeficientes de correlação
Coeficientes de correlação Coeficientes de correlação Coeficientes de correlação
Coeficientes de correlação Coeficientes de correlação Coeficientes de correlação
Opção 1 Opção 2 Opção 3
Coeficientes de correlação Coeficientes de correlação Coeficientes de correlação
10
91
Apêndice A1.2. Valores de coeficiente de correlação obtidos com os diversos parâmetros de entrada na
correcção de não-homogeneidades de campo utilizando o método N4ITK.
original\BiasField T1 T2 PD
A 0.8349 0.8936 0.9316
B 0.5294 0.1754 0.1034
C 0.6915 0.7118 0.8692
original\BiasField T1 T2 PD
A 0.6465 0.5941 0.5837
B 0.3551 0.1128 0.4042
C 0.8603 0.8068 0.7613
original\BiasField T1 T2 PD
A 0.6234 0.5397 0.4704
B 0.2455 0.2244 0.5751
C 0.7752 0.8078 0.679
original\BiasField T1 T2 PD
A 0.6649 0.4256 0.4749
B 0.1535 0.2395 0.4967
C 0.8589 0.5743 0.6978
Coeficientes de correlação
Coeficientes de correlação
Coeficientes de correlação
Opção 2
Coeficientes de correlação
N4ITK
Recommended