1

1. Introdução

Sendo estudante de Mestrado Integrado em ciências de Engenharia Biomédica desenvolvi o

gosto e o interesse, ao longo da minha vida académica, pela área das neurociências. Contacto com

unidades curriculares como Imagiologia e Métodos de Imagem Médica ajudaram-me a decidir, a

escolher e a procurar este campo de estudo para a realização da minha tese de mestrado.

O tema escolhido centra-se na análise de espessura cortical (EC). Esta tem bastante

relevância para o estudo do cérebro quer a nível anatómico quer do ponto de vista funcional ou

patológico, como é o caso pontual deste trabalho.

O objectivo do trabalho aqui presente é o de fornecer um estudo preliminar em como a LHON

pode afectar o córtex visual. Para atingir este fim, 16 pacientes com a patologia em questão foram

seleccionados e propostos a realizar duas sessões de ressonância magnética (Magnetization

Prepared Rapid Acquisition Gradient Echo - MPRAGE) de 9 minutos cada, uma seguida da outra.

Durante as sessões os pacientes foram sujeitos a um estímulo visual de modo a obter informação

sobre a actividade cerebral no lobo occipital (região onde está o cortex visual). Os dados

provenientes do scanner foram processados no software Brainvoyager QX v2.0. Para a obtenção dos

valores da EC do cortex visual dos pacientes, os dados foram analisados em equipa. Foi realizada

análise anatómica (feita por mim) e análise funcional (feita por um colega da equipa em que estive

inserido) no software referido. Irei explanar o processo da análise anatómica, com este software, do

ponto de vista metodológico e algorítmico.

Após a obtenção dos valores de EC, estes foram sujeitos a determinados processos

estatísticos a fim de os interpretar, atribuir significado e identificar possíveis padrões de

comportamento. Foram aqui realizados testes estatísticos de normalização, comparação de valores

médios e análise de correlação; todos com o software Statistical Package for the Social Sciences

v18.0 (SPSS).

Finalizado o processamento de dados e análise estatística, os resultados e conclusões deste

grupo com Leber estão aptos para, no decorrer da investigação sobre a doença de Leber, serem

comparados com os resultados de um trabalho equivalente realizado em um grupo de controlo.

Nos restantes sub-capítulos da Introdução falarei sobre os conceitos de: espessura cortical; o

cortex visual e seu mapeamento (análise funcional); a doença de Leber; e o software Brainvoyager

QX.

2

1.1 A importância de medir a Espessura Cortical

A Espessura Cortical (EC) é uma medida anatómica utilizada para descrever a espessura das

camadas do córtex cerebral nos cérebros dos mamíferos. A análise de espessura cortical mede a

espessura da matéria cinzenta presente no córtex. Pode referir-se à espessura global em todo o

córtex cerebral, ou à espessura local estudando o número de neurónios disponíveis por região.

Apesar das capacidades cognitivas de um indivíduo dependerem de variadíssimas condicionantes a

EC representa um papel importante no grau de capacidades cognitivas que o indivíduo pode ter.

A EC varia com alguns factores. O tamanho do cérebro, tanto dentro como entre espécies, é

preponderante nestas variações. No que diz respeito ao ser humano, a EC, pode revelar o

funcionamento e anatomia das redes neuronais [1]. As diferenças sexuais em termos de EC são

pequenas, apesar das mulheres terem valores ligeiramente superiores na região temporoparietal [2].

No cérebro humano adulto a zona mais fina é a fissura calcarina, que tem cerca de 2 mm e a mais

espessa é o giro pré-central, que tem cerca de 4 mm [3]. Globalmente, a EC varia entre 1,5 e 3 mm.

Verifica-se um processo de decaimento da EC resultante da maturação e envelhecimento dos

tecidos, o qual é conhecido como “cortical thinning” ou afinamento cortical. Esta perda ou atrofia da

EC é cerca de 10µm por ano [4]. Foi também demonstrado que, com o envelhecimento, existe um

aumento dos sulcos do córtex [5].

A EC representa uma ajuda útil. Não só no estudo do desenvolvimento e maturação do

cérebro saudável, como ainda na sua rotulagem [6 - 10]. Processos automáticos para medir a EC

humana podem fornecer ferramentas poderosas no diagnóstico de desordens neurológicas. Para fins

de diagnóstico, o conhecimento destes padrões e valores de EC, quer local quer globalmente, é

bastante vantajoso, uma vez que desvios de valores de EC podem representar a existência de uma

ou mais patologias neurológicas. São conhecidas variações da EC em doenças tais como epilepsia

[6], esquizofrenia [3], anorexia nervosa [3] e Alzheimer [3 e 10]. Quanto mais precisos estes padrões

forem, mais facilmente e precocemente se identificam patologias como estas, podendo assim

acompanhar de perto a sua evolução e aumentar a qualidade de vida dos doentes. Pretende-se

precisamente com este trabalho apresentar padrões de EC do córtex visual que possam ser

exclusivos da doença de Leber.

A EC cerebral é calculada através da segmentação cortical que separa os vários tipos de

tecidos e órgãos presentes na cabeça (crânio, dura, matéria branca, matéria cinzenta, etc…). A EC é

normalmente determinada a partir das medições de matéria cinzenta sendo esta segmentada por

métodos de neuroimagem. A EC é, então, a distância entre duas fronteiras: a fronteira entre a matéria

branca e matéria cinzenta e a fronteira entre a matéria cinzenta e o líquido cefalorraquidiano (também

conhecida como superfície pial). Os métodos de medição para este fim são trabalhosos, exigindo

vários dias de trabalho manual e de processamento. Além disso, visto o cérebro ter uma geometria

bastante irregular, existe um erro associado às medições. No entanto, hoje em dia há poderosos

algoritmos de reconstrução automatizada [11 - 14] e técnicas de alta resolução de superfícies médias

3

[15] que permitem a investigação de processos neurodegenerativos ou processos de recuperação

neurológica no que diz respeito ao córtex cerebral, globalmente ou em delimitadas áreas funcionais

como é disso exemplo o presente trabalho.

1.2 O Córtex Visual

A região do córtex responsável pela visão é o lobo occipital. O córtex visual divide-se em

córtex visual primário, também conhecido como córtex estriado ou área visual V1, e córtex extra-

estriado. O córtex extra-estriado compreende as áreas visuais V2, V3, V4 e V5. Neste trabalho serão

estudadas as áreas visuais V1, V2 e V3 excluindo as áreas visuais V4 e V5, pois são áreas pouco

definidas no cérebro humano, apesar de estudadas e conhecidas no cérebro do macaco.

A localização do córtex visual primário corresponde à região de Brodmann 17 e as áreas

extra-estriadas às regiões de Brodmann 18 e 19 (ver Figura 1.1). O córtex visual do hemisfério

esquerdo recebe sinais do campo visual direito e o córtex visual do hemisfério direito recebe sinais do

campo visual esquerdo.

Figura 1.1: Áreas de Brodmann do cerebro humano. Imagem retirada de www.mrc-

cbu.cam.ac.uk/.../brainbrodmannareas.gif

O cortex visual primário, V1, está localizado em torno da fissura calcarina situada no lobo

occipital. Em cada hemisfério, esta área visual recebe informações do seu núcleo geniculado lateral

(Lateral Geniculate Nucleos - LGN). Este último é o principal responsável pelo processamento de

informações visuais recebidas da retina no olho. Recebe assim, informações directamente das RGCs

4

através do nervo óptico, sendo que, em Leber o LGN recebe menos informação com a progressão da

doença devido à degeneração das RGCs. O LGN faz parte do sistema nervoso central pois encontra-

se dentro do tálamo, também localizado no cérebro. Os neurónios do LGN ligam-se directamente ao

córtex visual primário V1 através dos seus axónios. Permite deste modo comunicação directa com V1

recebendo também fortes ligações de feedback deste.

Acredita-se que cada área V1 transmite a informação visual para as outras áreas visuais em

duas vias: uma via chamada fluxo dorsal e outra chamada fluxo ventral. Esta hipótese foi apresentada

por Ungerleider e Mishkin em 1982 sendo amplamente aceite apesar de controversa [16 e 17]. O

fluxo ventral viaja pelo lobo temporal e é responsável por processar a informação visual do ponto de

vista da pergunta “O quê?”. Dá um significado e interpretação ao que se está a ver. O fluxo dorsal

viaja pelo lobo parietal e é responsável por processar a informação visual do ponto de vista da

pergunta “Onde?”. Está associado ao movimento, coordenação motora e a uma representação

espacial do que se está a ver. Na imagem seguinte (Figura 1.2) podemos ver uma representação

desta teoria de dois fluxos:

Figura 1.2: Fluxo dorsal (verde) e fluxo ventral (roxo). Originam-se ambos de V1. Imagem retirada de http://en.wikipedia.org/wiki/File:Ventral-dorsal_streams.svg

Os neurónios, presentes no córtex visual, disparam potenciais de acção quando recebem

estímulos visuais provenientes da zona do campo visual que interpretam. Por definição, esta zona do

campo visual é chamada de campo receptivo. No entanto os neurónios podem não responder da

mesma maneira a estímulos provenientes do seu campo receptivo. Um dado neurónio, pode

responder melhor a um subconjunto de estímulos que a outro. Esta capacidade de resposta dos

neurónios a diferentes estímulos tem o nome de “neuronal tunning” ou resposta neuronal. É

conhecido que um neurónio, da área visual V1, pode ser accionado por qualquer estímulo vertical

presente no seu campo receptivo. Já nas áreas visuais extra-estriadas os neurónios respondem de

maneira mais complexa. Por exemplo, uma resposta neuronal pode dar-se apenas quando uma certa

face ou objecto aparece no campo receptivo de um neurónio que pertença a uma área visual extra-

estriada por onde passa o fluxo ventral.

5

1.2.1 Córtex estriado - Área visual V1

O córtex visual primário ou córtex visual V1 estriado é, das áreas visuais, a maior e a melhor

definida e estudada do cérebro (quer humano quer animal). V1 é altamente especializado no

processamento de informação visual relativa a objectos estáticos e em movimento como também, no

reconhecimento de padrões. As propriedades de resposta neuronal dos neurónios presentes em V1

diferem, também, consoante o tipo de estímulo. Individualmente, neurónios em V1 têm respostas

neuronais diferentes. Podem estes descriminar pequenas mudanças nas orientações visuais,

espaciais e reconhecimento das cores. Num cérebro adulto normal a área visual V1 possui para esta

tarefa cerca de 140 milhões de neurónios em cada hemisfério [18]. Anatomicamente e

funcionalmente, V1 tem um mapa muito bem definido no que concerne à informação espacial no

campo visual. Por exemplo, no ser humano, a margem superior do sulco calcarino tem uma resposta

neuronal forte à informação visual proveniente do campo visual inferior e a margem inferior à

informação visual proveniente do campo visual superior [17]. Este tipo de mapeamento retinotópico é

uma transformação da imagem vista pela retina para V1. Nesta área visual, este mapeamento está

muito bem definido. A correspondência entre um campo receptivo e os seus neurónios em V1 é bem

conhecida e até pontos cegos estão mapeados. Noutros animais que possuem um córtex visual e

uma área visual como V1, este tipo de correspondência também é fácil de definir e básica. Verifica-se

também, que tanto em seres humanos como em animais que possuem uma fóvea na retina, existe

uma grande porção dos neurónios de V1 que processam essa pequena parte do campo visual. Este

fenómeno é conhecido como “cortical magnification” ou magnificação cortical. Entende-se que para

obter maior informação sobre o que estamos a ver, há um grande número de neurónios a processar a

pequena área correspondente ao nosso foco de visão (fóvea) e menor número de neurónios a

processar a visão periférica.

1.2.2 Córtex extra-estriado - Área visual V2

A área visual V2 é a segunda maior área do córtex visual e a primeira região da área de

associação visual. V2 tem fortes conexões com a área visual V1, trocando informação em

feedforward e feedback com este. Têm também fortes ligações com a área visual V3.

Anatomicamente V2 está dividida em quatro quadrantes. Possui duas regiões ventrais, uma em cada

hemisfério e duas regiões dorsais, também uma em cada hemisfério.

Funcionalmente, V2 tem propriedades em comum com V1. Sendo que os neurónios, também

respondem a estímulos simples como a orientação espacial, movimento e cor. Têm ainda uma maior

capacidade de modulação da atenção que V1. Aqui a resposta neuronal é ajustada segundo padrões

mais complexos e pode dividir ainda o campo receptivo em sub-regiões. Afirma-se que o fluxo ventral

tem um papel preponderante no processamento, recolha e evocação da memória visual [20 e 21].

Defende-se que V2 tem um papel importante na conversão da memória de curto prazo para memória

6

de longo prazo e também que falhas de memória visual e défices no reconhecimento de objectos

possam resultar da manipulação da área visual V2 [22].

1.2.3 Córtex extra-estriado - Área visual V3

A área visual V3 ou complexo visual V3 encontra-se imediatamente depois da área visual V2.

Denomina-se “complexo” visual visto existir ainda alguma controvérsia em relação à extensão exacta

da área visual V3. Foi proposto que V3 possa ter duas ou três subdivisões funcionais, como também

a existência de uma região V3 dorsal na parte superior de cada hemisfério e uma região V3 ventral

(ou VP de região posterior ventral) localizado na parte inferior do cérebro [23]. Supõem-se que V3

dorsal e V3 ventral têm conexões distintas com as outras áreas visuais respondendo os neurónios a

diferentes estímulos apesar de pertencerem à mesma região (neurónios de cor selectiva são os mais

comuns em V3).

V3 dorsal (ou V3 neste trabalho) é considerado como região pertencente ao fluxo dorsal,

recebendo informação de V2 dorsal e de V1, projectando-se na área de Brodman19 (ver Figura 1 e

2). Algumas conclusões por meio de ressonância magnética funcional sugerem que V3 dorsal

desempenha, ou está presente, na transformação do movimento Global [24]. Já V3 ventral (ou VP

neste trabalho) tem ligações mais fracas com V1 e mais fortes com V2. Primeiramente pensava-se

que VP processava informação visual apenas do campo visual superior mas recentemente é

evidenciado que VP é mais extenso do que se pensava e que, tal como as outras áreas visuais,

possui uma representação de todo o campo visual [25].

1.2.4 Mapeamento do cortex visual – A Retinotopia

A retinotopia é o método de mapear o córtex cerebral com dados funcionais de ressonância

magnética. Esta permite descrever e fazer corresponder a resposta neuronal dos neurónios de uma

determinada região do córtex ao estímulo visual que recebem de uma determinada região do campo

visual. Como já foi referido, os neurónios do córtex visual são estimulados por alterações no seu

campo receptivo. A retinotopia permite então saber quais os neurónios estimulados por alterações

numa determinada região do campo visual. Desta maneira é possível fazer a ligação entre neurónios

e seus respectivos campos receptivos. Os mapas retinotópicos são um caso particular de

organização topográfica e foram descobertos com o decorrer do estudo de danos neurológicos devido

a doenças ou lesões [26].

As fronteiras das áreas visuais são delimitadas, através de dados funcionais de ressonância

magnética, pois verifica-se o comportamento de simetria entre córtex e campo visual. Com o estímulo

adequado é possível verificar as transições entre as áreas visuais. Desta forma as áreas visuais são

definidas nestes mapas retinotópicos, tendo as suas fronteiras circunscritas. Sendo a área visual V1 a

mais bem conhecida, enquanto as outras áreas são alvo de intensa investigação pois não são tão

7

bem caracterizadas como V1. É usado um critério que estipula que cada área visual tem uma

representação completa do campo visual [27 - 33].

O mapeamento por dados funcionais de ressonância magnética é uma importante

ferramenta, visto ter a grande vantagem de ser um método não invasivo. Outra grande vantagem

reside na manipulação do estímulo visual que permite, para além de definir ligações entre neurónios e

seus campos receptivos, fazer a correspondência entre neurónios e conjunto de estímulos aos quais

respondem. Esta correspondência é bem conhecida para a área visual V1 [33].

Ainda relativamente a V1, a retinotopia desempenhou um papel importante na descoberta da

magnificação cortical, já referida no ponto 1.2.1. Mapeando o campo visual no córtex temos acesso

às regiões neuronais responsáveis pelo processamento do campo visual central e do campo visual

periférico. Verifica-se, no mapa retinotópico, que existe maior porção de neurónios a processar o que

a fóvea vê (visão central) e menos neurónios a processar estímulos periféricos (visão periférica). Esta

perda de número de neurónios, no processamento do estímulo visual, com o aumento da sua

distância ao centro da visão é gradual. Neste trabalho, a análise funcional, considerou 3 zonas em

cada área visual mapeada: zona da fóvea, zona intermédia e zona periférica. Na imagem seguinte

(Figura 1.3) podemos ver uma representação do olho onde está assinalada a fóvea:

Figura 1.3: O olho Imagem retirada de http://www.nei.nih.gov/health/eyediagram/

O estímulo visual usado em cada paciente consistiu numa cunha giratória no sentido anti-

horário. Durante 9 minutos os pacientes tinham de fixar o ponto vermelho no centro enquanto a cunha

girava (eu também me submeti a este exame retinotópico com o fim de saber aquilo ao qual os

8

pacientes foram sujeitos). Na imagem seguinte (Figura 1.4) está representado um snapshot do

estímulo visual:

Figura 1.4: Estímulo retinotópico

1.3 Doença hereditária de Leber (LHON)

A doença hereditária de Leber foi seguida e descrita, pela primeira vez, por Theodore Leber

no século XIX, mas só em 1980 foi entendida a sua causa e consequência. Esta doença (Leber’s

Hereditary Optic Neuropaty - LHON) é caracterizada pela degeneração das células ganglionares da

retina (Retinal Ganglion Cells - RGCs) e seus axónios que leva a uma perda aguda ou semi-aguda da

visão central. Esta degeneração celular das RGCs resulta de uma alteração no DNA mitocondrial

(DNAmt). A LHON é descrita pela perda bilateral, indolor, da visão central durante o inicio da vida

adulta. Os homens são aproximadamente quatro vezes mais susceptíveis de serem afectados do que

as mulheres. A LHON é, geralmente, assintomática até os indivíduos afectados desenvolverem a

perda da visão central. Esta surge, normalmente, entre os vinte e os trinta anos de idade, podendo

desenvolver-se em qualquer idade, tanto em homens como em mulheres [34]. Quando a perda de

visão ocorre, normalmente, é num olho e cerca de oito semanas depois no outro olho, sendo esta a

fase aguda da doença [34]. Não há registos de melhorias significativas após a fase aguda.

Com a progressão da LHON, durante a fase aguda, a acuidade visual é severamente

reduzida ao ponto de contar dedos, perde-se a capacidade de distinguir algumas cores e, em alguns

casos, formam-se regiões cegas na visão central. Contudo, após a fase aguda, a visão deixa de

piorar. Indivíduos nestas condições são considerados cegos em termos sociais e legislativos. Existem

algumas desordens neurológicas comuns em paciente com LHON. São delas exemplo tremor

postural ou distúrbios do movimento. Mulheres com LHON podem estar em risco de esclerose

múltipla [34].

Sendo uma doença hereditária transmite-se directamente por via vertical. A LHON só é

transmitida através da mãe pois é ela que fornece o genoma mitocondrial, presente no óvulo, durante

a fecundação. Os homens não podem transmiti-la aos seus filhos [34]. A LHON surge, geralmente,

9

devido a uma de três mutações patogénicas no DNAmt. Como é sabido, as estruturas mitocondriais

funcionam como as baterias das células, fornecendo energia para as mesmas. Em particular, pensa-

se que as alterações existentes no DNAmt dos doentes com LHON se reflectem numa diminuição ou

cessação da quantidade de energia disponível para as RGCs no nervo óptico e no olho. Estas células

são danificadas com a progressão da doença podendo até morrer por falta de energia. Este dano nas

RGCs provoca os sintomas, já referidos, da LHON.

O diagnóstico da LHON surge em exames oftalmológicos. Exames como o de fluorescência

em angiografia permitem identificar as características vasculares presentes no olho durante a fase

aguda. Realizam-se exames de estudo dos sinais electro-fisiológicos (potenciais evocados) no olho,

que confirmam as disfunções eléctricas presentes no nervo óptico. Posteriormente, também se

submete os pacientes a um electro-retinograma para excluir a existência de doenças na retina [36].

Na imagem seguinte (Figura 1.5) está representada a transmissão vertical da doença de Leber:

Figura 1.5: Esquema em como o DNAmt pode ser transmitido à prole. Imagem retirada de

http://en.wikipedia.org/wiki/File:Mitochondrial.jpg

Tendo em mente as características da doença de Leber, surge uma pergunta interessante do

ponto de vista das suas consequências para o cérebro, como é aliás o âmbito deste trabalho. Pode

especular-se se os danos e a morte de neurónios do nervo óptico irão causar alguma alteração na

região do cérebro responsável pela visão. É possível que a redução de estímulo visual que chega ao

córtex provoque uma atrofia neste. Espero que os resultados aqui apresentados ajudem, de algum

modo, a responder a esta pergunta.

10

1.4 O software Brainvoyager QX

O Brainvoyager QX é um software usado para a análise, processamento e visualização de

dados de ressonância magnética. É um programa de fácil aprendizagem e utilização

representando uma lufada de ar fresco neste tipo de análise. Existem softwares, como o FreeSurfer

(com o qual estou familiarizado e que aprendi antes do Brainvoyager QX) para o mesmo fim, mas que

em comparação deixa muito a desejar (elevado tempo de calculo e bastante confuso em aprender e

usar). O software Brainvoyager QX foi escolhido para integrar a metodologia desta tese devido a

vários factores. O principal foi o facto de, quando fui inserido na equipa de trabalho, todos os

investigadores trabalhavam com o Brainvoyager QX. Deste modo, para não analisar os mesmos

dados por métodos diferentes, aprendi também a funcionar com este programa. Outro, tal como já

referido, deve-se ao facto de o Brainvoyager QX ser um programa simples e agradável na óptica do

utilizador.

A análise de dados de ressonância magnética pelo Brainvoyager permitiu o desenvolvimento

de biomarcadores indirectos de efeitos do envelhecimento, efeitos de doenças em estruturas do

cérebro e compreensão da plasticidade do tecido neurológico como por exemplo em habilidades

cognitivas [37]. O Brianvoyager QX foi desenvolvido por Rainer Goebel e as suas especificidades

estão presentes em http://www.brainvoyager.com/products/brainvoyagerqx.html.

Com este programa é possível fazer toda a análise, de dados de ressonância magnética,

necessária para o trabalho aqui presente. Trata-se de trabalho de equipa em que a análise

anatómica/volumétrica foi feita por mim e a análise funcional feita por um colega. A análise

anatómica/volumétrica divide-se em duas partes: a criação de moldes para a representação 3D do

córtex e têm por nome mesh, usados para fins de visualização; a criação dos mapas corticais com os

valores de EC que são projectados nas meshes criando assim o input de dados para a análise

funcional. Quanto a esta, apesar de não ter passado por mim, trata-se do mapeamento das áreas

visuais (retinotopia). Estas, depois de definidas e delimitadas, são divididas em 3 zonas (fóvea,

intermédia e periférica) retirando de cada uma 10 pontos com valores de EC.

As principais funcionalidades usadas por mim no Brainvoyager QX são as ferramentas e

algoritmos para a segmentação do cérebro, reconstrução, visualização e modelação da superfície

cortical [38]. Estas são usadas para a criação das meshes e dos mapas de EC. Com a funcionalidade

da projecção dos mapas sobre as meshes é possível retirar informação individual anatómica de

certas regiões do córtex (análise funcional). A principal funcionalidade, para este efeito, usada na

análise funcional é a de o mapeamento cortical poder ser feito no volume e no espaço (i.e. nas

representações 3D criadas por mim).

Para o cálculo dos valores de EC o Brainvoyager QX usa o método matemático de Laplace

[39]. Este método aplica a equação diferencial de Laplace (∇2ψ = 0) onde o volume do córtex é

representado como domínio para a solução da equação diferencial, com condições de contorno nas

11

fronteiras da matéria cinzenta (com a matéria branca e com o liquido cefalorraquidiano) calculadas

pelo processo de análise anatómica/volumétrica. A normalização do gradiente ψ forma um campo

vectorial, representando vectores tangentes às linhas do campo que ligam as fronteiras da matéria

cinzenta. Desta forma e com este método a espessura é medida de uma forma tridimensional

podendo ser obtida através de qualquer ponto no córtex.

12

2. Metodologia

2.1 BrainVoyager QX

Como já referido na introdução, fui incumbido de realizar a análise anatómica dos dados

referentes aos 16 pacientes com LHON. Irei de seguida expor o meu trabalho que consistiu na

criação das meshes e dos mapas corticais para cada um dos 16 pacientes. Os mapas e as meshes

são criados por processos diferentes e começarei por relatar a criação das meshes que usa uma

ferramenta do Brainvoyager QX de nome “Segmentação Automática”. Esta última pode fornecer

dados visuais de EC, mas estes não são fiáveis para fins de medição, sendo a sua finalidade apenas

a criação de representações tridimensionais com o objectivo da sua visualização. A criação dos

mapas corticais é feita por uma outra ferramenta de nome “Segmentação Avançada”. As imagens

aqui presentes referem-se ao processo de análise completo para um dos pacientes ao qual, por

motivos de confidencialidade, chamarei de subject.

Para uma análise anatómica e tridimensional do cérebro de cada paciente, o Brainvoyager

QX cria e opera em ficheiros com a extensão VMR (Volume Magnetic Resonance). Estes ficheiros

armazenam os dados pertencentes a uma aquisição (MPRAGE) com ponderação em T1 do cérebro.

No trabalho presente foram criados estes ficheiros para cada um dos 16 pacientes. Toda a análise

levou em média 6 horas sendo constituida de análise manual e computacional, por paciente, até obter

as meshes e os mapas corticais desejados.

2.2 Análise Anatómica e Volumétrica de dados – Criação das Meshes

A ferramenta que permite a construção destes moldes 3D para fins de visualização é a

Segmentação Automática. De seguida irei relatar e explicar os vários passos presentes neste

processo.

13

2.2.1 Etapas preparatórias antes da Segmentação Automática

Antes desta fase do processo de análise usando a ferramenta “Segmentação Automática”

algumas etapas tiveram de ser levadas em consideração:

1. O conjunto de dados anatómicos 3D têm de ter uma resolução espacial de 1x1x1mm,

caso contrário terão de ser convertidos. Isto é necessário, pois o Brainvoyager QX

trabalha nesta resolução espacial para a criação dos ficheiros VMR;

2. Foram realizadas duas MPRAGE de 9 minutos cada, pelo que, foi feita uma média

entre as duas (de nome Co-registo) que permite uma melhor qualidade de imagem

melhorando a relação sinal-ruído;

3. Uma Correcção de Homogeneidade foi realizada, funcionando como uma “pré”

segmentação, definindo um bom contraste entre matéria branca e cinzenta;

4. O conjunto de dados foi transformado para o espaço Talairach, devido ao facto de o

Brainvoyager QX explorar o conhecimento anatómico deste sistema, a fim de realizar

a segmentação do cérebro.

De todos estes pontos apenas o ponto 1 não foi realizado por mim pois os dados provinham

do scanner já na resolução espacial desejada de 1x1x1mm.

2.2.1.1 O Co-registo

Cada paciente foi sujeito a duas sessões de ressonância magnética de 9 minutos cada. Para

trabalhar e analisar estes dados provenientes do scanner, o Brainvoyager QX cria um ficheiro VMR

para cada aquisição. Visto terem sido efectuadas duas sessões, é possível fazer uma média dos

dados melhorando a relação sinal-ruído. Efectuando um co-registo de dados anatómicos alinham-se

dois VMR (correspondentes a duas aquisições da mesma pessoa) resultando num VMR final, que

possui uma imagem de melhor qualidade. O co-registo de conjuntos de dados é um passo importante

na análise e visualização de dados, quer anatómicos quer funcionais, no espaço 3D.

Ao criar um ficheiro anatómico 3D (VMR), o Brainvoyager QX irá criar automaticamente um

conjunto de dados V16 correspondente (16 bits de informação referente às intensidades de cada

voxel). Este conjunto de dados é um formato com uma representação exacta da informação de

intensidades por voxel em todo o volume, em escala de cinzento de 0 a 225. Esta representação

específica é necessária para procedimentos importantes como, por exemplo, as correcções de

homogeneidade. Cada aquisição, mesmo sendo do mesmo paciente, irá ter uma distribuição de

intensidades diferente. O processo de co-registo irá criar um ficheiro VMR, com um conjunto de

dados V16 associado, que representa a média das distribuições de intensidade de ambas as

aquisições.

Seguidamente apresento o processo de criação deste VMR médio. O primeiro passo é criar

um VMR para cada aquisição. O VMR é construído seleccionando o primeiro ficheiro Dicom da

14

imagem (Dicom é o formato dos ficheiros provenientes do scanner). O Brainvoyager QX irá depois

compilar todas as fatias, criando uma imagem 2D do volume 3D. Esta imagem corresponde na

realidade a 3 imagens de três vistas: coronal, transversal e sagital. Cada uma das vistas possui 255

fatias por onde se pode “passear” e ver a anatomia do cérebro.

Desta forma criei dois VMR’s, com os nomes de Subject1.VMR e Subject2.VMR. Ambos têm

a sua distinta distribuição de intensidades. O co-registo dos VMR’s é feito por três passos. É realizado

o alinhamento de um ficheiro com o outro, em seguida ocorre uma transformada espacial e por fim é

realizada uma média de cada voxel. O resultado será um ficheiro VMR que contém a média por voxel

das duas aquisições, com uma melhor qualidade de imagem e relação sinal-ruído. Na Figura 2.1

temos representado o processo de alinhamento.

Figura 2.1: Alinhamento de Subject1.VMR com Subject2.VMR.

Após este alinhamento, que é um processo automático, a transformação espacial inicia-se.

Esta transformação é também um processo automático. Na Figura 2.2 está representada a

transformação espacial.

15

Figura 2.2: Transformada especial.

Finalizado o processo de transformação espacial, inicia-se a comparação e cálculo da média

dos valores de intensidade para cada voxel do volume. Este processo beneficia do facto de o ruído

numa imagem ser aleatório. Desta maneira ao tomar valores médios para cada voxel, o Brainvoyager

QX, reduz a relação sinal-ruído aumentando a qualidade da imagem. Na figura 2.3 podemos ver o

VMR resultante, que eu apelidei de Subject_avg.VMR.

Figura 2.3: VMR resultante da média das aquisições feitas para o subject.

16

2.2.1.2 As Correcções de Homogeneidade

O passo seguinte, antes de iniciar a Segmentação Automática, é o das Correcções de

Homogeneidade. Consiste, tal como o nome indica, em corrigir algumas falhas de homogeneidade

presentes na imagem. As imagens de alta resolução, de ponderação em T1, são tipicamente

corrompidas por artefactos de susceptibilidade magnética e heterogeneidades. Estes surgem como

variações na intensidade e contraste na imagem, significando que voxeis que representam o mesmo

tecido (i.e. matéria cinzenta ou matéria branca) vão ter diferentes valores de intensidade. Para um

processo de segmentação fiável estas heterogeneidades são obviamente indesejáveis, visto a

segmentação assentar em valores de intensidade para qualificar os diferentes tipos de tecidos. Para

garantir que voxeis correspondentes a um determinado tipo de tecido possuem uma gama de valores

de intensidade bastante próxima, deve esta correcção ter lugar.

Antes de iniciar a referida correcção, apliquei um pequeno passo de cosmética no meu

ficheiro Subject_avg.VMR. Como preciso apenas de informação correspondente ao cérebro (lobo

occipital), resolvi excluir uma série de voxeis referentes a estruturas como pescoço, face e parte do

cerebelo. Isto é feito seleccionando os voxels que desejo apagar. Visto estar a trabalhar em

representações 2D de um volume 3D (255x255x255), escolhi todos os voxels que estão na região a

partir de 152 (face) até 255 (pescoço) no eixo Z para serem eliminados.

Este processo de garantir que os valores dos voxeis correspondentes a um tipo de tecido são

os mesmos, pode ser encarado como uma segmentação manual. Aqui irei garantir que os voxeis,

quer de matéria branca quer de matéria cinzenta, estão dentro de intervalos conhecidos e que esses

mesmos intervalos não se sobrepõem. Seleccionando os voxeis de um intervalo, aplico um processo

de pré-segmentação que me permite alterar os valores de intensidade desse intervalo.

Para realizar esta correcção apelidei o meu VMR de Subject_avg_IC.VMR. A correcção foi

efectuada no conjunto de dados V16 desse ficheiro (pois é aqui que a informação referente às

intensidades está guardada). Usando o cursor para visualizar o estado actual do ficheiro

Subject_avg_IC.VMR quanto à sua distribuição de intensidades, posso verificar os valores de matéria

branca e matéria cinzenta. A Figura 2.4 representa esse passo na vista sagital.

17

Figura 2.4: Vista sagital de Subject_avg_IC.VMR.

Podemos ver na imagem o valor de intensidade de 163. Para o subject, a gama de

intensidades para a matéria branca era cerca de 150 valor mínimo e de 180 valor máximo. Isto

representa um intervalo bastante grande para os voxeis de matéria branca. Aplicando uma mascara à

imagem e operando nela, pude diminuir esse intervalo, seleccionando na caixa de texto o valor

mínimo e o valor máximo desejados. Após seleccionar os extremos do meu intervalo de matéria

branca basta carregar no botão de nome “Grow Region” que irá, a todos os voxeis da máscara que

estiverem nesse intervalo, atribuir uma intensidade de 255 (azul). É necessário, contudo, uma

inspecção visual por todas as fatias com o fim de verificar se não houve nenhuma zona em que

matéria branca foi mal classificada. Se houver matéria branca mal classificada é porque os intervalos

máximo ou mínimo não estão correctos. Obtendo estruturas ou tecidos classificados como matéria

branca não o sendo, terá que se realizar um reset à mascara e repetir o processo. Se houver matéria

branca por classificar, basta alterar os intervalos máximo/mínimo e carregar no botão “Expand”. O

“Expand” irá comparar as vizinhanças dos voxeis já classificados como matéria branca e “colori-los”

de azul se estes estiverem no novo intervalo definido. A Figura 2.5 tem representado o processo de

identificação de voxeis de matéria branca.

18

Figura 2.5: Subject_avg_IC.vmr

A Figura 10 representa igualmente o passo de identificação do intervalo. Agora com a matéria

branca toda definida pode-se passar à pré-segmentação. Esta irá atribuir a todos os voxeis de

intensidade 255 (azul) da máscara um valor médio (entre máximo e mínimo do intervalo definido) e

aplicá-lo aos mesmos voxeis mas no conjunto de dados V16 referente ao Subject_avg_IC.VMR.

Deste modo irá alterar os voxeis do VMR Subject_avg_IC.VMR. A Figura 2.6 representa o VMR

resultante desta etapa.

Figura 2.6: Subject_avg_IC.VMR após 1º processo de correcções de homogeneidade.

19

Estes processos de identificação do intervalo e pré-segmentação podem e devem ser

efectuados quantas vezes for necessário. Assim, é possível a obtenção de uma imagem com valores

distintos para a matéria branca, para a matéria cinzenta e um bom contraste entre ambas. Em cada

paciente realizei as Correcções de Homogeneidade duas vezes, obtendo imagens bastantes

satisfatórias para um bom processo de Segmentação Automática. No caso concreto do subject, a

matéria branca ficou toda definida num intervalo de intensidade entre 165-170 e a matéria cinzenta

entre 90-100.

2.2.1.3 A Transformada Talairach

A Transformada Talairach é a última etapa preparatória antes da Segmentação Automática.

Esta consiste em converter e gravar os dados anatómicos 3D no espaço Talairach. Este é um espaço

padrão com que contém informação sobre a localização e actividade de zonas sub-corticais.

Esta etapa preparatória é realizada em dois passos. Primeiro é definido o plano AC-PC que

corresponde ao plano definido pela comissura anterior e a comissura posterior do cérebro. Em

seguida, as fronteiras do cérebro são identificadas no AP, PP, SP, PI, PR e LP (o ponto mais anterior,

o ponto mais posterior, o ponto mais superior, o ponto mais inferior, o ponto mais à direita e o ponto

mais à esquerda, respectivamente). Este primeiro passo serve basicamente para definir as fronteiras

do cérebro. O segundo passo consiste em transformar estas fronteiras e adaptá-las ao cérebro do

espaço Talairach. A Figura 2.7 representa a definição do plano AC-PC em que podemos rodar a

imagem alterando valores nas diferentes coordenadas x, y e z.

Figura 2.7: Definição do plano AC-PC em Subject_avj_IC.VMR

Na Figura 12 podemos ver em cima o conjunto original de dados e na linha de baixo a

transformação espacial para a definição do plano AC-PC. A linha de baixo terá que ser rodada de

modo a que a comissura posterior e anterior estejam na vertical na vista transversal. A cruz verde

20

também serve para ajustar os outros ângulos suplementares se necessário. Depois do plano o AC-

PC estar definido a transformação pode ser feita. Os pontos de fronteira (AP, PP, SP, PI, PR e PL)

são usados para que o cérebro “caiba” no domínio Talairach. Estes pontos de referência são usados

para alterar o tamanho do cérebro de tal forma que ele se encaixe no tamanho do cérebro Talairach

padrão. No final, eu tenho o cérebro do meu subject no espaço Talairach, podendo tirar partido do

conhecimento de determinadas áreas e zonas de actividade do córtex para fins de segmentação. Na

Figura 2.8 podemos observar o cérebro do subject já em domínio Talairach, o qual eu apelidei de

Subject_avg_IC_TAL.VMR.

Figura 2.8: Subject_avg_IC_TAL.vmr

Com uma inspecção visual rápida posso procurar encontrar possíveis falhas no processo,

como por exemplo pontos de fronteira mal definidos. Esta busca de erros é feita com a aplicação de

uma grelha na imagem que contém, por quadrantes, a informação referente ao cérebro Talairach

padrão. Como estou interessado apenas na segmentação cortical, basta-me verificar apenas se o

cérebro cabe nas fronteiras do cérebro Talairach. A Figura 2.9 representa este processo de

troubleshooting.

21

Figure 2.9: Subject_avg_IC_TAL.vmr com a grelha Talairach sobreposta.

Após esta verificação, o VMR Subject_avg_IC_TAL.VMR está pronto para se dar início à sua segmentação e criação das meshes pela ferramenta de “Segmentação Automática.

2.2.2 A Segmentação Automática

Na Segmentação Automática, grande parte do cortex será segmentado de forma automática

pela aplicação de uma série de processos. As superfícies 3D com as representações das fronteiras

de matéria branca/matéria cinzenta (White Matter – Grey Gatter - WM-GM) são criadas neste

processo. Estas superfícies após a sua criação não estão ainda prontas e é necessário um pequeno

trabalho de correcção topológica de forma a eliminar erros comuns do processo. As meshes, após

serem criadas e corrigidas, passam por um último processo de nome “inflate” onde, por um processo

iterativo, elas são como que insufladas como um balão. Com este último passo é possível observar,

nos sulcos e giros, a actividade cerebral detalhadamente. Para os fins do trabalho aqui presente

apenas há o interesse em criar meshes representando a fronteira da WM – GM, pois é nela que

assentam os mapas de espessura cortical posteriormente construídos pelo processo da

Segmentação Avançada.

A ferramenta de Segmentação Automática tem uma série de funcionalidades que podem ser

escolhidas para terem lugar na segmentação. Em cada um dos pacientes efectuei a Segmentação

Automática duas vezes, sendo que na primeira vez não usaria todas as funcionalidades que

dispunha. Algumas falhas (i.e. uma correcção de homogeneidade mal feita ou por fazer, uma má

transformação Talairach, etc..) podem ainda existir e os resultados mais rápidos da Segmentação

Automática irão apontá-los. Após a primeira segmentação e verificação de que não existem erros

maiores a ser corrigidos, realizei simplesmente o processo de novo, desta vez com todas as opções

que me eram necessárias. Isto poupou bastante tempo de cálculo, pois certas etapas são longas e

pesadas, no que concerne aos recursos do computador em que estava a trabalhar. As

funcionalidades usadas pela Segmentação Automática que necessitei para o meu trabalho foram:

22

encontrar e preencher ventrículos com WM; aplicar uma máscara Talairach do cérebro; encontrar

picos de intensidade da WM e da GM; segmentação (region growing); expandir WM; separar os

hemisférios; remover defeitos topológicos em ambos os hemisférios; gerar superfície 3D da WM-GM.

De todos estes processos, para a primeira segmentação de verificação, não se removem os defeitos

topológicos em ambos os hemisférios por acrescentarem considerável tempo à Segmentação

Automática e não serem necessários para uma primeira correcção de eventuais erros precedentes da

Segmentação Automática. Após essa primeira verificação apenas volto a correr toda a rotina com

essa opção seleccionada.

Passando em revista as funcionalidades que usei, em “encontrar e preencher ventrículos

como WM” e em “aplicar uma máscara Talairach do cérebro”, o processo de Segmentação

Automática explora as vantagens do sistema Talairach. Embora a normalização Talairach não seja

um método perfeito devido a introduzir alguma margem de erro ao alterar a configuração espacial dos

cérebros individualmente, esta é bastante útil para identificar e localizar estruturas sub-corticais. Esta

particularidade do espaço Talairach é explorada devido a este conhecimento à priori do

posicionamento de estruturas, como por exemplo os ventrículos. O preenchimento dos ventrículos

como WM é necessário para garantir que fronteiras entre matéria branca e matéria cinzenta ocorram

apenas na superfície do cérebro. Os voxeis pertencentes a estas regiões são voxeis de baixa

intensidade (preto). Como, mesmo no espaço Talairach, o tamanho e forma dos ventrículos podem

diferir de indivíduo para indivíduo, o Brainvoyager QX aplica um algoritmo de nome “region growing”.

Este, identifica um voxel de intensidade próxima de zero desta região e irá alterar o seu valor de

intensidade para o valor de intensidade médio dos voxeis de matéria branca. Após esta alteração o

algoritmo compara os voxeis vizinhos com o voxel alterado e se eles possuírem uma intensidade

próxima de zero (preto) alteram os seus valores de intensidade novamente. Isto é realizado até não

haver mais voxeis vizinhos por alterar, deixando assim os ventrículos classificados como WM até aos

seus limites. Na Figura 2.10 podemos observar um snapshoot deste processo no subject, tendo os

ventrículos preenchidos a verde (o verde resulta meramente em termos de cálculo, pois o processo

identifica este verde como sendo matéria branca).

Figura 2.10: Preenchimento dos ventrículos com voxeis de WM.

23

De seguida, no que respeita em “aplicar uma máscara Talairach do cérebro” é aplicada uma

máscara para segmentar tecidos circundantes da cabeça (i.e. crânio, cerebelo). A máscara também

rotula estruturas sub-corticais como matéria branca. A Figura 2.11 mostra a máscara usada pelo

Brainvoyager QX nas três fatias ortogonais. As regiões a verde são usadas para marcar

automaticamente estruturas sub-corticais como matéria branca. Já as regiões a vermelho e laranja

são regiões a serem segmentadas do cérebro, incluindo a remoção do cerebelo.

Figura 2.11: BrainTalMask.vmr

“The Talairach brain mask file has been created based on the segmentation of an individual

brain (dark orange color) and it was then expanded to fit many additional brains (light orange color).

This resulted in a "conservative" mask file which can be applied to any new brain without removing

relevant brain tissue.”

(retirado de: “Mask-Based Removal of Structures” user’s guide)

O Brainvoyager QX ao aplicar a máscara remove, também, todos os voxeis que não têm

representação na mesma. Os voxeis, de Subject_avg_IC_TAL.VMR, cujo valor de intensidade não é

igual a zero na máscara mantém-se. Os voxeis, de Subject_avg_IC_TAL.VMR, cujo valor de

intensidade é igual a zero na máscara são removidos. Deste modo temos apenas matéria branca e

matéria cinzenta definidas para o processo de “encontrar picos de intensidade da WM e da GM”. Na

Figura 2.12 podemos observar o resultado deste passo no subject.

24

Figura 2.12: Resultado da aplicação da mascara Talairach.

No passo “encontrar picos de intensidade da WM e da GM” da Segmentação Automática, é

determinado o limiar de intensidade entre matéria branca e matéria cinzenta. São calculados

histogramas de intensidades através de cortes axiais do córtex. Dez histogramas diferentes são

obtidos em diversas cores a partir de azul (corte mais superior) até ao vermelho (corte mais inferior).

A intensidade é representada no eixo X, tendo da esquerda (de 0 ou preto) para a direita (até 225 ou

branco) o valor da intensidade. No eixo Y é representado o número de voxeis por intensidade. É

esperado a existência de dois picos de intensidade, um para a matéria branca e outro para a matéria

cinzenta. Deste modo uma primeira observação do histograma pode revelar se há ainda, ou não,

heterogeneidades por corrigir, pela inspecção do gráfico. Se estiverem representados dois picos de

intensidade, significa que os intervalos de intensidade entre os diferentes tecidos WM e GM estão

devidamente optimizados. Após o cálculo do histograma de intensidades surge uma caixa de texto,

que nos permite definir um limiar de intensidades. Este limiar representa em valor de intensidade, a

partir do qual uma intensidade será considerada matéria branca ou matéria cinzenta. O Brainvoyager

QX calcula este valor apresentando-o como sugestão, podendo este ser alterado para fins de um

melhor resultado da Segmentação Automática (isto representa um processo de tentativa erro). Na

Figura 2.13 podemos ver o histograma de intensidades e o valor do limiar de intensidades para o

subject.

25

Figura 2.13: Limiar de intensidades e histograma de intensidades para o subject.

Podemos observar a caixa de texto com o valor 122 apresentado pelo Brainvoyager QX. Este

é também representado no histograma pela linha vertical branca. Aqui, alterei o valor do limiar de 122

para 140. O valor 140 parece um valor mais verdadeiro para a fronteira entre voxeis de matéria

branca e cinzenta pois, a 122, ainda podem estar inseridos alguns voxeis pertencentes ao pico da

matéria cinzenta.

Após a identificação dos picos de intensidade pode ter início a etapa “segmentação (region

growing)”. Aqui, serão criados os ficheiros contendo apenas a matéria branca, usados para a criação

das meshes. O processo usa o valor do limiar de intensidades determinado no passo anterior. Trata-

se de uma etapa semelhante à do preenchimento dos ventrículos. O processo aqui irá usar o valor do

limiar para classificar e alterar o valor dos voxeis. Estes serão verificados se estão entre o valor

máximo e o valor mínimo, definidos pelo histograma de intensidades. No caso do subject, a

intensidade referente à matéria branca está entre 140 e 225. Os voxeis centrais do cérebro serão

verificados se estão dentro deste intervalo. Caso isso ocorra são incluídos na segmentação da WM e

os seus voxeis vizinhos são comparados, também com o intervalo, e classificados também como

matéria branca, se possuírem uma intensidade superior à do limiar (140). Isto ocorre sucessivamente,

até não existirem mais voxeis pertencentes ao intervalo de intensidades. Os voxeis classificados

como matéria branca são guardados num ficheiro que o Brainvoyager QX cria automaticamente com

a sua representação a azul (têm uma intensidade de 240). Na Figura 2.14 está representado um

snapshoot do processo “Segmentação Automática” na etapa de segmentação da matéria branca do

subject.

26

Figura 2.14: Resultado o processo de “region growing” para a segmentação da matéria branca no subject.

Quando a matéria branca está totalmente segmentada o passo de “expandir WM” irá

melhorar a qualidade da fronteira de segmentação. Este é necessário para que haja uma boa

reconstrução da superfície 3D, visto o processo de “region growing” poder, por vezes, não classificar

finas camadas de matéria branca ao longo do córtex. Isto pode reflectir-se em pequenos buracos nas

meshes. Este passos consiste em expandir a fronteira da matéria branca em 1 voxel, eliminando um

grande número de erros topológicos, criando um suave contorno na superfície.

Após o último passo, os dois hemisférios podem ser separados pela etapa “separar os

hemisférios”. Esta, representa simplesmente um corte no meio do plano coronal (fatia 128). Este corte

ocorre apenas no corpo caloso pois, os hemisférios são assimétricos. Sobretudo, na região occipital,

um hemisfério pode cruzar a linha média (fatia 128), entrando na região de outro hemisfério. Esta

separação de hemisférios é necessário para no final deste processo o Brainvoyager QX poder

guardar a informação referente a cada hemisfério separadamente e assim poder construir as

representações 3D (meshes) para cada hemisfério individualmente. Estes ficheiros têm como

extensão no nome de WH.vmr. Na Figura 2.15 está representado o ficheiro que contém a informação

referente à segmentação da matéria branca para o subject.

27

Figura 2.15: Subject_avg_IC_TAL_LH_WM.vmr representado a material branca segmentada do hemisfério

esquerdo.

Estes ficheiros contendo a segmentação da matéria branca são automaticamente usados

para criar as meshes de cada hemisfério. Os voxeis limite (em amarelo na Figura 20) são usados

para criar uma malha 3D que representa a superfície cortical. As vistas coronal, sagital e transversal,

apesar de serem imagens em 2D, representam o volume 3D da matéria branca. Deste modo, a

reconstrução da superfície é basicamente uma conversão da fronteira 2D nas três vistas para uma

superfície 3D.

Nesta reconstrução três arquivos são criados e salvos automaticamente para cada

hemisfério. O primeiro terá uma extensão no nome RECO.srf e representa a simples transição do 2D

para 3D. A Figura 2.16 representa este ficheiro onde é possível ver a malha correspondente à

fronteira da WM – GM no hemisfério esquerdo do subject.

Figura 2.16: Subject_avg_IC_TAL_LH_RECO.srf mesh

28

Na Figura 21 é possível notar a natureza cúbica da “rendarização” proveniente dos voxeis

limite do ficheiro WM.vmr. Isto leva-nos ao segundo ficheiro criado automaticamente. Trata-se de um

ficheiro resultante de um processo de alisamento aplicado à malha RECO.srf. Este alisamento trata-

se de uma média entre voxeis para suavizar a superfície. O ficheiro é salvo com a extensão no nome

de RECOSM.srf (SM de suavização). É deste ficheiro que é criada a meshe insuflada, onde se

projectam os mapas de espessura cortical. Na Figura 2.17 está representada esta superfície.

Figura 2.17: Subject_avg_IC_TAL_LH_RECOSM.srf mesh

Finalmente, o terceiro arquivo criado para cada hemisfério contém uma superfície também

suavizada, resultante da transformação da malha RECOSM para os valores de intensidade, que

separam a matéria branca/cinzenta. Esta meshe também é utilizada para visualização dos dados

funcionais, uma vez que permite também olhar em profundidade, em sulcos. Este ficheiro é do uso

exclusivo da análise funcional e não é mais alterado por mim. A Figura 2.18 contém a sua

representação.

Figura 2.18: Subject_avg_IC_TAL_LH_WM.srf

29

Após a criação destas três malhas o processo de Segmentação Automática está concluído.

Nesta fase do trabalho é necessário procurar falhas que possam ter ocorrido. Com a verificação dos

histogramas de intensidades feita durante a sua criação, a solução de eventuais problemas reside

agora em verificar se os limites para a matéria branca foram bem delimitados para cada hemisfério.

Se tal não aconteceu as superfícies geradas podem conter erros grosseiros. Contudo, da mesma

maneira que o Brainvoyager QX transforma os ficheiros contendo a fronteira da matéria branca de 2D

para 3D, também é possível fazer o contrário. Desta maneira é pode sobrepor-se uma meshe sobre o

VMR usado na sua criação. É possível assim, procurar em todas as vistas e fatias por erros ou má

classificações existentes nas meshes. Na Figura 2.19 temos a representação da meshe RECOSM no

ficheiro Subject_avg_IC_TAL.vmr.

Figura 2.19: Superfície Subject_IC_TAL_LH_RECOSM.srf transformada espacialmente e representada em

Subject_avg_IC_TAL.vmr

Como se pode observar, a verificação é feita analisando todas as fatias em todas as vistas.

Esta procura de erros é feita também com as meshes WM.srf. Efectuei esta resolução de problemas

em todos os sujeitos e não encontrei nenhum erro nesta fase. Apesar do meu trabalho assentar num

número pequeno de pacientes -16- este resultado leva-me a concluir a robustez deste processo de

Segmentação Automática, quando as imagens contêm uma boa qualidade e homogeneidade.

Este processo de verificação dos primeiros resultados da Segmentação Automática está

concluído, podendo-se assim passar para a fase em que se corrigem os pequenos erros topológicos.

Para isto efectua-se novamente a rotina da Segmentação Automática, mas desta vez com a opção de

“remover defeitos topológicos em ambos os hemisférios” e com a confiança de que não ocorreram

erros grosseiros na definição dos histogramas de intensidade e na criação das meshes. Esta opção

irá remover pequenas pontes ou pregas na matéria branca actuando sobre o ficheiro WM.vmr,

criando e guardando um ficheiro WM_BL2.vmr onde se encontra a matéria branca com estes

pequenos erros topológicos corrigidos. O ficheiro WM_BL2.vmr será usado para reconstruir as três

30

meshes (RECO.srf, RECOSM.srf e WM.srf) ao invés do ficheiro WM.vmr como na primeira rotina da

Segmentação Automática. No entanto, e como não poderia deixar de ser, também o ficheiro

WM_BL2.vmr tem que ser submetido a uma verificação e procura de eventuais erros.

Para o caso do subject, a segunda vez que se realizou a Segmentação Automática, correu

novamente com um valor limite entre matéria branca/cinzenta de 140. A rotina continuou e após a

criação do ficheiro WM.vmr as correcções topológicas foram feitas e arquivadas no ficheiro

WM_BL2.vmr sendo este usado para a criação automática das meshes. Contudo, as correcções

topológicas não são perfeitas e para os 16 pacientes têm dificuldade em classificar a matéria branca

na zona da amígdala e recorrentemente é normal surgirem “buracos” na matéria branca. Isto é

corrigido editando o ficheiro WM_BL2.vmr e posteriormente efectuando uma reconstrução das

meshes. Para este fim usei uma funcionalidade do Brainvoyager QX que me permite observar um

VMR sobre outro VMR. O que fiz foi, por exemplo, no caso do subject, projectar o ficheiro

Subject_avg_IC_TAL.vmr (imagem secundária) sobre o ficheiro Subject_avg_IC_TAL_WM_BL2.vmr

(imagem primária). Deste modo e alterando entre imagem principal e secundária, posso editar

alterações na imagem principal. A Figura 2.20 tem uma representação, em todas as vistas, da

projecção referida e a Figura 2.21 contém a correcção de um erro comum em todos os pacientes em

que temos o nervo óptico classificado como matéria branca.

Figura 2.20: Subject_avg_IC_TAL_LH_BL2.vmr como vmr primário com Subject_avg_Ic_TAL.vmr como

secundário.

31

Figura 2.21: Correcção de material branca mal classificada no nervo óptico.

Como podemos observar no caso presente da Figura 25, tive de remover matéria branca mal

classificada que iria posteriormente acrescentar um erro na superfície da mesma. Foi necessário

remover e acrescentar matéria branca em todos os pacientes em ambos os ficheiros referentes a

cada hemisfério. A busca destes defeitos é feita em todas as vistas para garantir que não se apaga

ou acrescenta matéria branca incorrectamente, diminuindo assim o erro associado. Uma edição

inicia-se quando o defeito é notado e feita em todas as fatias em que está presente. Após os ficheiros

BL2 estarem corrigidos, estes estão finalmente prontos para gerar a as superfícies finais. Reconstruí

apenas a superfície RECOSM e apelidei-a de RECOSM_2.srf, diferenciando-a por ser uma superfície

topologicamente corrigida. Apenas esta é reconstruída a partir do ficheiro BL2, pois apenas esta

superfície é insuflada para ser usada na análise funcional. A superfície insuflada representa uma

parametrização (como uma esfera) com o fim de obter uma superfície com um sistema de

coordenadas contendo todas as referências de RECOSM_2.srf, dos sulcos e giros, sendo criada para

ambos os hemisférios. Estas denominam-se de RECOSM_2_INF.srf. A Figura 2.22 tem

representadas as imagens destas meshes para ambos os hemisférios.

Figura 2.22: Meshes RECOSM infladas

Com a criação destas meshes insufladas o processo de Segmentação Automática chegou ao

fim. Dou agora início ao processo de Segmentação Avançada que me permite construir mapas de

espessura cortical que serão projectados nestas meshes insufladas.

32

2.3 Análise Anatómica e Volumétrica de dados – Criação dos mapas de EC

O ponto 2.2 descreveu como é feita a segmentação de grande parte do córtex para o fim de

criação das superfícies corticais tridimensionais. Embora os métodos usados sejam adequados para

a criação de representações 3D, não o são para medidas exactas de EC, devido aos erros

associados (por exemplo a expansão da matéria branca na fronteira com a matéria cinzenta). Para

tal, o Brainvoyager QX usa outra ferramenta de nome Segmentação Avançada. Esta fornece

representações altamente precisas dos limites, WM-GM e GM-CSF, devido a calculá-las no volume e

não no espaço. São as representações destas fronteiras/limites que permitem medir, com maior

exactidão, a EC em cérebros individuais. No entanto, há uma semelhança com a Segmentação

Automática, pelo que também são necessárias etapas preparatórias antes da Segmentação

Avançada.

2.3.1 Etapas preparatórias antes da Segmentação Avançada

Antes desta fase do processo de análise usando a ferramenta “Segmentação Avançada”

algumas etapas tiveram de ser levadas em consideração:

1. Foi aplicado um processo de nome “brain peel” que remove tecido circundante do

cérebro, tal como crânio e dura;

2. Os VMRs foram convertidos para uma resolução de 0.5x0.5x0.5mm. Isto reduziu o

tamanho dos voxeis em 8 vezes;

3. Os ventrículos foram manualmente editados, sendo preenchidos com voxeis de

intensidade igual à da matéria branca;

4. Foi removido manualmente o cerebelo, dura e crânio restantes a fim de obter uma

imagem no lobo occipital apenas com cérebro presente.

Todos estes passos necessitavam que os passos presentes no ponto 2.2.1 tivessem ocorrido.

Como procedi á Segmentação Avançada depois da Segmentação Automática, todas essas condições

estavam presentes. Apesar de ter realizado estas etapas pela ordem exposta neste ponto, o processo

“brain peel” pode ser feito depois da conversão para 0.5x0.5x0.5mm, com o fim de remover tecido já

no espaço 0.5x0.5x0.5mm. Estas etapas foram feitas nos ficheiros _avg_IC_TAL.vmr e as imagens

seguintes referem-se ao ficheiro Subject_avg_IC_TAL.vmr

33

2.3.1.1 A transformação especial 0.5x0.5x0.5mm e o brain peel

A primeira etapa preparatória foi aplicar, ainda na resolução espacial 1x1x1mm, a ferramenta

brain peel. Este passo permite-me remover tecido como crânio e dura que podem introduzir erros no

cálculo posterior da espessura EC. Esta remoção resulta da aplicação do ficheiro cuja imagem está

na Figura 16. Tal como na Segmentação Automática trata-se da aplicação da máscara Talairach

usando o conhecimento “à priori” de determinadas regiões corticais, para a remoção de tecido

exterior ao cérebro. A Figura 2.23 apresenta o resultado deste passo. O ficheiro resultante apelidei de

Subject_avg_IC-TAL_PEEL.vmr

Figura 2.23: Brain peel aplicado subject

Em seguida, o conjunto de dados é convertido para uma resolução espacial de

0.5x0.5x0.5mm. Esta transformação para o espaço de 0,5 milímetros irá reduzir o tamanho dos

voxeis em 8 vezes. Aqui reside uma das grandes diferenças e vantagem da Segmentação Avançada

em relação à Segmentação Automática. Com o tamanho dos voxeis reduzido em 8 vezes, os

processos de “region growing” e “expandir WM” terão muito menos erros associados. Isto deve-se à

informação que dantes estava em apenas 1 voxel, estar agora em 8 voxeis. Desta maneira as

fronteiras WM-GM e GM-CSF serão mais precisas e terão menos erros associados. Após esta

transformação espacial o Brainvoyager QX guarda o ficheiro com uma extensão de nome

0.5mmISO.vmr. A Figura 2.24 representa o resultado da transformação espacial.

34

Figura 2.24: Transformação espacial para a resolução 0.5x0.5x0.5mm do subject

Podemos observar, como seria de esperar, o aumento do tamanho do cérebro nesta

resolução. Outro “brain peel” pode ser aplicado, desta vez com uma versão 0.5x0.5x0.5mm da

máscara Talairach, para tentar remover mais tecido excedente. Contudo, foram poucas as vezes que

recorri a este segundo “brain peel”, pois o primeiro apresentava resultados satisfatórios.

2.3.1.2 O preenchimento dos ventrículos e a remoção manual de tecido no lobo occipital

O próximo passo é identificar a forma dos ventrículos e preenche-los com voxeis de

intensidade próxima ou igual à intensidade da matéria branca circundante. Desta forma a

Segmentação Avançada usa, tal como no “brain peel”, a máscara Talairach para identificar os

ventrículos e altera todos os voxeis desta região com voxeis de uma intensidade de 150. Contudo,

pode acontecer que os valores de intensidade da matéria branca sejam diferentes de 150 devido, por

exemplo, a valores de brilho e contraste específicos. Se tal acontecer é necessário seleccionar os

voxeis presentes nos ventrículos e alterá-los para os valores da matéria branca para optimizar o

processo de segmentação. Isto é feito como no ponto 2.2.1.2 para as correcções de homogeneidade.

Pode acontecer também que os ventrículos não sejam totalmente preenchidos e aqui é necessário

editar a imagem, em todas as fatias, pintando manualmente as zonas por preencher. Isto representa

o processo de preenchimento dos ventrículos presente na Segmentação Automática mas feito e

aperfeiçoado manualmente e, também, com o objectivo de obter fronteiras apenas na superfície do

cérebro. A Figura 2.25 representa o resultado desta etapa.

35

Figure 2.25: Subject_Avg_IC_TAL_PEEL_0.5mmISO_BRAINPEEL.vmr com os ventrículos preenchidos com

voxeis de intensidade igual à da matéria branca.

Olhando atentamente para a Figura 29, verificamos que ainda persiste alguma dura e por

vezes em alguns pacientes, até partes de crânio ainda permanecem nesta fase. Estes são

indesejáveis para uma segmentação optimizada, pelo que introduzem erros durante a definição das

fronteiras devido à sua intensidade ser próxima da intensidade dos voxeis de matéria cinzenta.

Também devido a isso a fronteira entre o cerebelo e cérebro deve ser acentuada. Para se conseguir

isto é necessária uma edição manual, fatia a fatia, removendo dura e introduzindo essa

descontinuidade. Estas edições são as mais dispendiosas, em termos de tempo e de esforço, de toda

a minha análise de EC presente neste trabalho. Como o objectivo é apenas estudar o lobo occipital

(onde está a visão), estas correcções tiveram lugar apenas na metade posterior do cérebro. Isto

acarreta o aparecimento de alguns erros no mapa de EC na zona anterior do cérebro, mas poupa-me

cerca de 2-3 horas de edição. Além de, esses erros não contribuem para o trabalho em questão.

Estas edições manuais, em apenas metade do cérebro, demoraram cerca de 2-3 horas a serem

levadas a cabo em cada paciente. Na Figura 2.26 podemos ver o cérebro do subject já editado.

Salvei este ficheiro como Subject_avg_Ic_TAL_PEEL_0.5mmISO_corrigido.vmr

36

Figura 2.26: Subject_Avg_IC_TAL_PEEL_0.5mmISO_corrigido.vmr

Após estas edições é aplicado um filtro de contraste alterando o contraste e brilho entre

matéria branca e cinzenta. Deste modo as etapas preparatórias para a Segmentação Avançada

estavam concluídas.

2.3.2 A Segmentação Avançada

O primeiro passo neste processo é o cálculo da fronteira entre WM-GM. Este é feito com um

algoritmo de nome “adaptative region growing”. Este algoritmo representa outra grande diferença e

vantagem em relação à Segmentação Automática. Na Segmentação Automática é usado um valor

para o limiar de intensidade global e este por vezes pode introduzir pequenos erros pela falta de

classificação de matéria branca. Na segmentação Avançada é usado também um valor limiar de

intensidade local que funciona em várias regiões, identificando assim voxeis que são de matéria

branca mas escaparam à classificação pelo limiar global. A “adaptive region growing” analisa a

distribuição de intensidades para encontrar um limite global para começar a segmentar a matéria

branca. Imaginando o histograma de intensidades terei dois limiares representados, sendo que o

limiar local terá que ser ligeiramente menor que o limiar global, precisamente para captar matéria

branca ignorada pelo limiar global. Tal como na Segmentação Automática, posso alterar o valor

destes limiares. Antes de correr este processo é definido um valor entre 0 e 1 (para o limiar global e

outro para o limiar local) que irá “mover” estes para junto ou longe dos picos de intensidade da

matéria branca e cinzenta. Por outras palavras, o Brainvoyager QX define não um valor limiar de

intensidade mas sim um intervalo limiar de intensidades. Sendo o limite superior o limiar global e o

inferior o limiar local. Aplicando um valor normalizado ao valor dos limiares resta definir o tamanho do

intervalo e a sua magnitude. Quanto maior estes valores forem menos matéria branca será

segmentada resultando numa imagem com maior quantidade de matéria cinzenta (pois o intervalo

desloca-se para a direita no histograma de intensidades). Se estes valores forem pequenos e

37

próximos de 0 terei uma imagem com excesso de matéria branca e pouca quantidade de matéria

cinzenta (pois o intervalo desloca-se para a esquerda no histograma de intensidades). Para o subject

usei um valor para o limiar local de 0.5 e global de 0.6 bastante satisfatórios após algumas tentativas.

De paciente para paciente estes valores alteram-se, mas o tamanho do intervalo é sempre de 0.1, por

conseguir bons resultados desta maneira. Um ficheiro com a extensão no nome de WM.vmr é criado

para ser usado no cálculo da fronteira GM-CSF. A Figura 2.27 representa o resultado desta “adaptive

region growing” para o subject.

Figura 2.27: Subject_Avg_IC_TAL_PEEL_0.5mmISO_corrigido_WM.vmr representando o resultado da

segmentação pelo adaptive region growing.

A fronteira GM-CSF (superfície pial) é calculada a partir do ficheiro representado na Figura

31. A superfície pial corresponde ao limite exterior do córtex. A fronteira GM-CSF é determinada pela

expansão dos voxeis limite de matéria cinzenta de forma semelhante ao passo de “expandir WM”

presente no ponto 2.2.2. Mais uma vez temos presente uma vantagem da Segmentação Avançada

em relação à Segmentação Automática. Como este passo é feito numa resolução de 0.5x0.5x0.5mm,

ao contrário da Segmentação Automática, há uma maior exactidão na fronteira definida. Um arquivo

com o nome da extensão WM_GM.vmr é criado e salvo no disco. Na Figura 2.28 podemos ver a sua

representação.

38

Figura 2.28: Subject_Avg_IC_TAL_PEEL_0.5mmISO_corrigido_WM_GM.vmr representando o resultado do

cálculo da fronteira GM-CSF.

Ao observar a Figura 32 verificamos que a matéria branca deixou de ser representada a uma

intensidade de 255 (azul). Isto deve-se ao facto de com o cálculo da fronteira GM-CSF toda a matéria

branca é classificada com uma intensidade de 150 e toda a matéria cinzenta é classificada com uma

intensidade de 100. A análise anatómica deste paciente está quase completa faltando apenas o

cálculo do mapa de espessura cortical que é feito através deste ficheiro WM_GM.vmr. No entanto, e

como não poderia deixar de ser é necessário uma busca final de possíveis erros na segmentação.

Usando este ficheiro como imagem primária e o ficheiro base _corrigido.vmr como secundária, irei

alterar entre uma e outra e procurar erros na classificação da matéria branca e cinzenta, sobretudo no

lobo occipital. Para efectuar tais verificações descobri que a vista transversal é bastante útil para

observar o lobo occipital. Quando encontrava uma zona que teria matéria branca a mais ou a menos

simplesmente editava o vmr WM_GM.vmr manualmente. Caso se encontrem muitos erros é porque o

limiar local e limiar global foram mal escolhidos e é necessário correr o processo da Segmentação

Avançada de novo, com novos valores para os limiares. Trata-se de um processo de tentativa-erro.

Nunca consegui um resultado satisfatório à primeira vez que recorri esta rotina, devido ao facto de os

cérebros não serem iguais e chegarem ao processo de Segmentação Avançada com diferentes

valores de brilho e contraste, alterados pelos variadíssimos processos e etapas precedentes. Após

garantido que não há erros na classificação da matéria branca e cinzenta, posso finalmente calcular

os mapas de espessura cortical.

2.3.3 Calculo e construção dos mapas de EC

Para o cálculo dos valores de EC e criação dos mapas corticais no subject o Brainvoyager QX

usa o método matemático de Laplace [39]. Este método aplica a equação diferencial de Laplace (∇2ψ

= 0) onde o volume do córtex é representado como domínio para a solução da equação diferencial,

com condições de contorno nas fronteiras da matéria cinzenta (com a matéria branca e com o liquido

cefalorraquidiano) calculadas pelo processo descrito no ponto 2.3.2 e presentes no ficheiro

39

subject_avg_IC_TAL_PEEL_05mmISO_corrigido_WM_GM.vmr. A normalização do gradiente ψ

forma um campo vectorial, representando vectores tangentes às linhas do campo que ligam as

fronteiras da matéria cinzenta. Desta forma e com este método a espessura é medida de uma forma

tridimensional podendo ser obtida através de qualquer ponto no córtex. Os ficheiros estruturais de

cada paciente (WM_GM.vmr) preparados pelo processo de “Segmentação Avançada” são desta

maneira usados pelo Brainvoyager QX para, individualmente, definir mapas de EC. O ficheiro

resultante tem a extensão VMP e pode ser projectado numa mesh (para visualização 3D ou análise

funcional) ou num VMR (para visualização 2D do volume). A Figura 2.29 tem representado o mapa de

EC do subject sobreposto no seu WM_GM.vmr e na sua mesh inflada do hemisfério esquerdo.

Figure 2.29: Mapa cortical do subject sobreposto no seu WM_GM.vmr e na sua meshe inflada do hemisfério

esquerdo.

Como podemos observar na Figura 2.29, a EC varia de 0.5 mm (azul escuro) até 5 mm

(verde). O lobo frontal contém maiores zonas a verde (maior espessura cortical média), devido aos

erros deixados por corrigir durante as etapas preparatórias da Segmentação Avançada. Na Figura 34

podemos observar a meshe presente na Figura 2.29 mas de outro ângulo, deixando visível o lobo

occipital.

Figure 2.30: Hemisfério esquerdo de subject representado pela sua meshe insuflada e com o seu mapa de EC

projectado. O círculo vermelho representa a localização do lobo occipital.

40

Com a EC presente nos mapas e estes sobre as superfícies 3D insufladas, é possível olhar

profundamente para sulcos do lobo occipital e estudar a sua actividade cortical, com o fim de mapear

as áreas visuais. Dentro do círculo vermelho presente na Figura 34 está localizado o córtex visual.

Todo o processo aqui descrito, desde as etapas preparatórias da Segmentação Automática, até á

construção dos mapas de EC, foi realizado em todos os 16 pacientes. Por cada um o ciclo completo

levou cerca de 6 horas. Os vários processos de tentativa-erro poderão em alguns ser mais rápidos

que noutros, dependendo isto da qualidade dos conjuntos de dados provenientes do scanner.

Contudo, todos os 16 pacientes eram colaborantes e com isto forneceram boas imagens com bons

dados anatómicos e funcionais.

Findo o ciclo para os 16 pacientes, estavam criadas as superfícies insufladas e os mapas de

EC, para cada um. Estes foram passados por mim ao meu colega, que realizou uma análise funcional

(retinotopia) dos mesmos. Nesta análise, um mapa retinotópico foi desenhado, definindo cada área

visual (V1, V2v, V2d, V3 e VP) no córtex visual de cada hemisfério. Cada uma destas áreas foi

dividida em três sub-regiões (fóvea, intermédia e periférica) referentes às zonas do campo visual. De

cada uma foram retirados 10 pontos aleatórios, resultando em 30 pontos por área visual. Estes

valores foram usados para calcular as espessuras médias por área e realizar a análise estatística dos

resultados.

2.4 Análise de Resultados

2.4.1 Comparação de espessuras corticais em áreas homólogas

O objectivo, com esta análise estatística, foi comparar os valores de espessura cortical de

áreas homólogas no hemisfério esquerdo e direito nos pacientes com LHON.

As médias das áreas visuais entre hemisférios foram comparadas usando o programa

Statistical Package for the Social Sciences v18.0 (SPSS). O nível de significância adoptado foi de

α=0.05.

2.4.2 Análise de correlações

Este método foi também realizado com o programa SPSS. A análise por correlações é um

método estatístico que me permite determinar o tipo de relação entre duas variáveis, em termos de

direcção e grau, da relação entre elas. Usando o coeficiente de correlação (r) baseado em duas

variáveis e tendo em mente que a abordagem feita por esta análise assenta nos testes de

41

significância, tenho de escolher o nível de significância que me permite aceitar ou rejeitar as minhas

hipótese e hipótese nula:

- Hipótese: Existe uma relação entre as espessuras corticais das áreas visuais em estudo,

do córtex visual;

- Hipótese nula: Não existe uma relação entre as espessuras corticais das áreas visuais

em estudo, do córtex visual;

Os níveis de significância desta abordagem estatística foram de α=0.05 e α=0.01, que

resultam numa prova moderada e forte de que a minha hipótese é verdadeira (95% e 99% de

confiança). As correlações foram feitas entre as áreas visuais (os seus valores médios de EC) no

cortex visual. Baseado na escala Cohen para as correlações [40], decidi chamar a força de correlação

quando o coeficiente (r) se encontra nos seguintes valores (baseado no nível de significância

estatística):

- Correlação média (0.500 < r < 0.849) ou (-0.849 < r < -0.500);

- Correlação forte (r > 0.850) ou (r < - 0.850);

42

3. Resultados

3.1 Valores de Espessura Cortical

O culminar da análise anatómica e análise funcional está representado na Tabela 1. Estão

apresentados os valores das espessuras corticais por área visual por hemisfério, em milímetros. Na

análise funcional retinotópica cada área visual de cada hemisfério foi dividida em 3 zonas (fóvea,

intermédia e periférica), referentes às zonas do campo visual. De cada uma foram retirados 10

pontos. Os valores de EC para cada área visual obtiveram-se em, primeiro, calcular uma média

simples dos 10 pontos de cada zona resultando em 3 valores médios e posteriormente calcular a

média desses 3 valores médios. Os resultados obtidos estão presentes na Tabela 3.1:

Tabela 3.1 – Valores de EC em milímetros.

43

3.2 Diferenças nas espessuras corticais entre hemisférios

Com os dados presentes na tabela 3.1 foi possível determinar se existem diferenças entre as

áreas visuais homólogas relativamente às suas espessuras corticais, em ambos os hemisférios. Da

manipulação desta tabela retirei 10 variáveis, uma para cada área visual de cada hemisfério (V1-LH;

V1-RH; V2v-LH; V2v-RH; V2d-LH; V2d-RH; V3-LH; V3-RH; VP-LH e VP-RH). Cada uma delas tinha

16 medidas. Realizei testes de normalidade às variáveis, com o fim de aferir o comportamento das

suas distribuições e com isso aplicar testes de independência às suas médias. Desta forma é

possível determinar se uma dada área visual em um hemisfério é, ou não, mais espessa do que a sua

homóloga no outro hemisfério. (neste ponto de apresentação de resultados saliento que LH refere

para o hemisfério esquerdo e RH refere para o hemisfério direito)

3.2.1 Resultados estatísticos para a área visual V1

A Tabela 3.2 apresenta o resultado do teste de normalidade feito às variáveis V1 no

hemisfério esquerdo e no hemisfério direito:

Tabela 3.2 – Resultados do teste de normalidade para os resultados de V1 em ambos os hemisférios.

Hemisphere Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig. V1 thicknesses LH ,124 16 ,200 ,955 16 ,575

RH ,145 16 ,200 ,962 16 ,704

Da análise da Tabela 3.2 verificamos que os valores de V1-LH e V1-RH seguem uma distribuição normal para toda a amostra de 16 pacientes.

Questiono agora se a espessura da área visual V1 é diferente entre hemisférios, ou, caso contrário, se tem a mesma espessura em ambos:

0

1

: A espessura cortical é igual entre hemisférios nesta área visual

: A espessura cortical não é igual entre hemisférios nesta área visual

LH RH

LH RH

H

H

µ µ

µ µ

=

≠

A Tabela 3.3 apresenta os valores da média e desvio padrão de V1 em ambos os hemisférios. A Tabela 3.4 apresenta o resultado do teste de independência de variáveis.

Tabela 3.3 – Valores médios e desvio padrão para V1 em ambos os hemisférios.

Hemisphere N Mean Std. Deviation Std. Error Mean

V1 thicknesses LH 16 2,21 ,20 ,050

RH 16 2,40 ,19 ,048

.

44

Tabela 3.4 – Testes paramétricos para a variável V1.

Levene's Test for

Equality of Variances t-test for Equality of Means

F Sig. t df

Sig. (2-

tailed) Mean

Difference Std. Error Difference

95% Confidence Interval of the Difference

Lower Upper V1

thicknesses Equal

variances assumed

,000 ,987 -2,820 30 ,008 -,20 ,07 -,34 -,05

Equal variances

not assumed

-2,820 29,966 ,008 -,20 ,07 -,34 -,05

Da análise da Tabela 3.4, o teste paramétrico de igualdade de variâncias mostra um valor

Sig. de 0.987. Deste modo, assumo a igualdade entre as variâncias de V1-LH e V1-RH (0.987>0.05).

O valor Sig. (2-tailed) representa o nível de confiança e neste caso este valor é de 0.008. Como o

nível de confiança adoptado por mim é de α=0.05 e sabendo que 0.008 ≤ 0.05, eu rejeito a minha

hipótese nula e aceito que a espessura em V1 é diferente entre hemisférios. A espessura cortical de

V1 no hemisfério direito é superior à espessura cortical no hemisfério esquerdo (com um nível de

confiança de 95%).

3.2.2 Resultados estatísticos para a área visual V2v

A Tabela 3.5 apresenta o resultado do teste de normalidade feito às variáveis V2v no

hemisfério esquerdo e no hemisfério direito:

Tabela 3.5 – Resultados do teste de normalidade para os resultados de V2v em ambos os hemisférios.

Hemisphere Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig. V2v thicknesses

LH ,223 16 ,032 ,855 16 ,016

RH ,141 16 ,200 ,947 16 ,441

Da análise da Tabela 3.5 verificamos que os valores de V2v-RH seguem uma distribuição

normal para toda a amostra de 16 pacientes. Os valores de V2v-LH seguem uma distribuição não-

normal.

Questiono agora se a espessura da área visual V2v é diferente entre hemisférios, ou, caso

contrário, se tem a mesma espessura em ambos:

0

1

: A espessura cortical é igual entre hemisférios nesta área visual

: A espessura cortical não é igual entre hemisférios nesta área visual

LH RH

LH RH

H

H

µ µ

µ µ

=

≠

45

Como V2v-LH não segue uma distribuição normal o teste de independência para as variáveis

V2v-RH e V2v-LH terá que ser um teste não paramétrico. Contudo, uma amostra de 16 valores é um

número muito pequeno, pelo que, o teste paramétrico é aceitável neste caso. Irei apresentar os

resultados para um teste de independência paramétrico e não paramétrico. A Tabela 3.6 apresenta

os valores da média e desvio padrão de V2v em ambos os hemisférios. A Tabela 3.7 apresenta o

resultado do teste de independência paramétrico e a Tabela 3.8 o resultado do teste de

independência não-paramétrico.

Tabela 3.6 – Valores médios e desvio padrão para V2v em ambos os hemisférios.

Hemisphere

N Mean Std. Deviation Std. Error Mean V2v

thicknesses LH 16 2,57 ,39 ,098

RH 16 2,75 ,35 ,088

Tabela 3.7 – Testes paramétricos para a variável V2v

Levene's Test for

Equality of Variances t-test for Equality of Means

F Sig. t df Sig. (2-tailed)

Mean Difference

Std. Error Difference

95% Confidence Interval of the

Difference

Lower Upper V2v

thicknesses Equal

variances assumed

,001 ,971 -1,398 30 ,172 -,18 ,13 -,45 ,09

Equal variances

not assumed

-1,398 29,669 ,173 -,18 ,13 -,45 ,09

Tabela 3.8 – Testes não-paramétrico para a variável V2v.

V2v thicknesses

Mann-Whitney U 79,000

Wilcoxon W 215,000 Z -1,847 Asymp. Sig. (2-tailed) ,065

Exact Sig. [2*(1-tailed Sig.)] ,067

Da análise da Tabela 3.7, o teste paramétrico de igualdade de variâncias mostra um valor

Sig. de 0.971. Deste modo, assumo a igualdade entre as variâncias de V2v-LH e V2v-RH

(0.971>0.05). O valor Sig. (2-tailed) representa o nível de confiança e neste caso este valor é de

0.152. Como o nível de confiança adoptado por mim é de α=0.05 e sabendo que 0.172 ≥ 0.05, eu

46

aceito a minha hipótese nula de que a espessura em V2v é equivalente entre hemisférios (com um

nível de confiança de 95%). Da análise da Tabela 3.8, o teste não paramétrico apresenta um valor

Sig. (2-tailed) de 0.065. Como o nível de confiança adoptado por mim é de α=0.05 e sabendo que

0.065 ≥ 0.05, também aqui aceito a minha hipótese nula de que a espessura em V2v é equivalente

entre hemisférios (com um nível de confiança de 95%).

3.2.3 Resultados estatísticos para a área visual V2d

A Tabela 3.9 apresenta o resultado do teste de normalidade feito às variáveis V2d no

hemisfério esquerdo e no hemisfério direito:

Tabela 3.9 – Resultados do teste de normalidade para os resultados de V2d em ambos os hemisférios.

Hemisphere Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig. V2d thicknesses

LH ,159 16 ,200 ,968 16 ,800

RH ,131 16 ,200 ,963 16 ,718

Da análise da Tabela 3.9 verificamos que os valores de V2d-LH e V2d-RH seguem uma distribuição normal para toda a amostra de 16 pacientes.

Questiono agora se a espessura da área visual V2d é diferente entre hemisférios, ou, caso contrário, se tem a mesma espessura em ambos:

0

1

: A espessura cortical é igual entre hemisférios nesta área visual

: A espessura cortical não é igual entre hemisférios nesta área visual

LH RH

LH RH

H

H

µ µ

µ µ

=

≠

A Tabela 3.10 apresenta os valores da média e desvio padrão de V2d em ambos os hemisférios. A Tabela 3.11 apresenta o resultado do teste de independência de variáveis.

Tabela 3.10 – Valores médios e desvio padrão para V2d em ambos os hemisférios.

Hemisphere

N Mean Std. Deviation Std. Error Mean V2d

thicknesses LH 16 2,33 ,29 ,069

RH 16 2,34 ,25 ,062

47

Tabela 3.11 – Testes paramétricos para a variável V2d.

Levene's Test for

Equality of Variances t-test for Equality of Means

F Sig. t df

Sig. (2-

tailed) Mean

Difference Std. Error Difference

95% Confidence Interval of the Difference

Lower Upper V2d

thicknesses Equal

variances assumed

,218 ,644 -,040 30 ,968 -,004 ,093 -,193 ,186

Equal variances

not assumed

-,040 29,631 ,968 -,004 ,093 -,193 ,186

Da análise da Tabela 3.11, o teste paramétrico de igualdade de variâncias mostra um valor

Sig. de 0.644. Deste modo, assumo a igualdade entre as variâncias de V2d-LH e V2d-RH

(0.644>0.05). O valor Sig. (2-tailed) representa o nível de confiança e neste caso este valor é de

0.0.968. Como o nível de confiança adoptado por mim é de α=0.05 e sabendo que 0.968 ≥ 0.05, eu

aceito a minha hipótese nula de que a espessura em V2d é equivalente entre hemisférios (com um

nível de confiança de 95%).

3.2.4 Resultados estatísticos para a área visual VP

A Tabela 3.12 apresenta o resultado do teste de normalidade feito às variáveis VP no

hemisfério esquerdo e no hemisfério direito:

Table 3.12 – Resultados do teste de normalidade para os resultados de VP em ambos os hemisférios.

Hemisphere Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig. VP thicknesses

LH ,143 16 ,200 ,952 16 ,524

RH ,133 16 ,200 ,957 16 ,604

Da análise da Tabela 3.12 verificamos que os valores de VP-LH e VP-RH seguem uma distribuição normal para toda a amostra de 16 pacientes.

Questiono agora se a espessura da área visual VP é diferente entre hemisférios, ou, caso contrário, se tem a mesma espessura em ambos:

0

1

: A espessura cortical é igual entre hemisférios nesta área visual

: A espessura cortical não é igual entre hemisférios nesta área visual

LH RH

LH RH

H

H

µ µ

µ µ

=

≠

48

A Tabela 3.13 apresenta os valores da média e desvio padrão de VP em ambos os hemisférios. A Tabela 3.14 apresenta o resultado do teste de independência de variáveis.

Tabela 3.13 – Valores médios e desvio padrão para VP em ambos os hemisférios.

Hemisphere

N Mean Std.

Deviation Std. Error

Mean VP

thicknesses LH 16 2,53 ,22 ,055

RH 16 2,57 ,30 ,076

.

Tabela 3.14 – Testes paramétricos para a variável VP.

Levene's Test for

Equality of Variances t-test for Equality of Means

F Sig. t df Sig. (2-tailed)

Mean Differenc

e Std. Error Difference

95% Confidence Interval of the

Difference

Lower Upper VP

thicknesses

Equal variance

s assumed

1,311 ,261 -,471 30 ,641 -,04 ,09 -,24 ,15

Equal variance

s not assumed

-,471 27,167

,641 -,04 ,09 -,24 ,15

Da análise da Tabela 3.14, o teste paramétrico de igualdade de variâncias mostra um valor

Sig. de 0.261. Deste modo, assumo a igualdade entre as variâncias de VP-LH e VP-RH (0.261>0.05).

O valor Sig. (2-tailed) representa o nível de confiança e neste caso este valor é de 0.641. Como o

nível de confiança adoptado por mim é de α=0.05 e sabendo que 0.641 ≥ 0.05, eu aceito a minha

hipótese nula de que a espessura em VP é equivalente entre hemisférios (com um nível de confiança

de 95%).

3.2.5 Resultados estatísticos para a área visual V3

A Tabela 3.15 apresenta o resultado do teste de normalidade feito às variáveis V3 no

hemisfério esquerdo e no hemisfério direito:

49

Tabela 3.15 – Resultados do teste de normalidade para os resultados de V3 em ambos os hemisférios.

Hemisphere Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig. V3 thicknesses

LH ,171 16 ,200 ,955 16 ,571

RH ,165 16 ,200 ,936 16 ,306

Da análise da Tabela 3.15 verificamos que os valores de V3-LH e V3-RH seguem uma distribuição normal para toda a amostra de 3.16 pacientes.

Questiono agora se a espessura da área visual V3 é diferente entre hemisférios, ou, caso contrário, se tem a mesma espessura em ambos:

0

1

: A espessura cortical é igual entre hemisférios nesta área visual

: A espessura cortical não é igual entre hemisférios nesta área visual

LH RH

LH RH

H

H

µ µ

µ µ

=

≠

A Tabela 3.16 apresenta os valores da média e desvio padrão de V3 em ambos os hemisférios. A Tabela 3.17 apresenta o resultado do teste de independência de variáveis.

Tabela 3.16 – Valores médios e desvio padrão para V3 em ambos os hemisférios.

Hemisphere

N Mean Std. Deviation Std. Error Mean V3

thicknesses LH 16 2,37 ,28 ,070

RH 16 2,36 ,25 ,063

Tabela 3.17 – Testes paramétricos para a variável V3

Levene's Test for

Equality of Variances t-test for Equality of Means

F Sig. t df

Sig. (2-

tailed) Mean

Difference Std. Error Difference

95% Confidence Interval of the Difference

Lower Upper V3

thicknesses Equal

variances assumed

,059 ,809 ,171 30 ,866 ,016 ,09 -,18 ,21

Equal variances

not assumed

,171 29,709 ,866 ,016 ,09 -,18 ,21

.

Da análise da Tabela 3.17, o teste paramétrico de igualdade de variâncias mostra um valor

Sig. de 0.809. Deste modo, assumo a igualdade entre as variâncias de V3-LH e V3-RH (0.809>0.05).

50

O valor Sig. (2-tailed) representa o nível de confiança e neste caso este valor é de 0.866. Como o

nível de confiança adoptado por mim é de α=0.05 e sabendo que 0.866 ≥ 0.05, eu aceito a minha

hipótese nula de que a espessura em V3 é equivalente entre hemisférios (com um nível de confiança

de 95%).

3.2.6 Resumo

O Gráfico 3.1 apresenta uma visão geral sobre os valores de EC médios de cada área visual com seus valores máximos e mínimos.

Gráfico 3.1 – Valores de EC médios, máximos e mínimos para as áreas visuais de cada hemisfério.

3.3 Análise de Correlação entre as áreas visuais

Com base nos padrões de progressão da LHON e tendo em mente o processo de maturação

cortical, decidi criar dois grupos de estudo para este ponto: um grupo com os pacientes com mais de

21 anos e outro com os pacientes com menos de 21 anos. Com essa divisão eu pude realizar um

estudo sobre espessuras corticais tendo em mente o estado de desenvolvimento da doença LHON e

também o envelhecimento. Com este dois sub-grupos, foi possível verificar se havia ou não

correlação entre cada área visual, globalmente e em específico, nos grupos etários. Também é

possível verificar quando estas correlações são mais fortes (se na população jovem ou adulta/se no

hemisfério esquerdo ou direito).

2,41

2,60

2,80

3,11

2,61 2,592,75

2,88

2,65 2,61

2,01

2,21 2,18

2,40

2,06 2,09

2,31 2,272,09 2,10

2,21

2,402,57

2,75

2,33 2,34

2,53 2,57

2,37 2,36

-

0,50

1,00

1,50

2,00

2,50

3,00

3,50

V1-LH V1 -RH V2v-LH V2v-RH V2d-LH V2d-RH VP-LH VP-RH V3-RH V3-LH

Esp

ess

ura

(mm

)

Áreas Visuais

51

3.3.1 Correlações em todas as idades – 16 pacientes

Todas as variáveis, excepto V2V - LH seguem uma distribuição normal para esta amostra de

16 sujeitos. Os resultados da correlação são apresentados na Tabela 3.18 e 3.19.

Tabela 3.18 – Correlações paramétricas nos 16 pacientes para variáveis que seguem uma distribuição normal.

* *Correlação significativa com Sig 0,05 (2-tailed); ** Correlação significativa com Sig 0,01 (2-tailed).

Tabela 3.19 – Correlações não paramétricas nos 16 pacientes para variáveis que não seguem uma distribuição normal.

*Correlação significativa com Sig 0,05 (2-tailed); ** Correlação significativa com Sig 0,01 (2-tailed).

Legenda:

Laranja – correlação média;

Branco – sem correlação;

52

3.3.2 Correlações nos pacientes com menos de 21 anos – 7 pacientes

Todas as variáveis, excepto V2V - LH seguem uma distribuição normal para esta amostra de

7 sujeitos. Os resultados das correlações são apresentados na Tabela 3.20 e 3.21.

Tabela 3.20 – Correlações paramétricas nos pacientes com menos de 21 anos para variáveis que seguem uma distribuição normal.

* *Correlação significativa com Sig 0,05 (2-tailed); ** Correlação significativa com Sig 0,01 (2-tailed).

Tabela 3.21 – Correlações não paramétricas nos pacientes com menos de 21 anos para variáveis que não seguem uma distribuição normal.

*Correlação significativa com Sig 0,05 (2-tailed); ** Correlação significativa com Sig 0,01 (2-tailed).

Legenda:

Laranja – correlação média;

Vermelho – correlação forte;

Branco – sem correlação;

53

3.3.3 Correlações nos pacientes com mais de 21 anos – 9 pacientes

Todas as variáveis seguem uma distribuição normal para esta amostra de 9 sujeitos. Os resultados das correlações estão apresentados na Tabela 3.22.

Tabela 3.22 – Correlações paramétricas nos pacientes com mais de 21 anos para variáveis que seguem uma distribuição normal.

*Correlação significativa com Sig 0,05 (2-tailed); ** Correlação significativa com Sig 0,01 (2-tailed).

Legenda:

Laranja – correlação média;

Vermelho – correlação forte;

Branco – sem correlação;

54

4. Discussão

Os resultados técnicos aqui apresentados fornecem uma ideia preliminar e algumas pistas

sobre a organização do córtex visual em LHON. Os resultados não devem ser extrapolados para toda

a população. Como exemplo disso, os resultados da abordagem estatística entre grupos etários não

podem afirmar ser resultado da acção da LHON ou do processo normal de envelhecimento. No

entanto, estes resultados podem ser utilizados e comparados em trabalhos posteriores, quando os

dados de um grupo de controle esteja disponível. Só desta forma será possível afirmar com maior

certeza algumas hipóteses aqui por mim apresentadas.

4.1 Discussão relativa aos resultados de EC entre áreas visuais

Os resultados apresentados no ponto 3.2 “Diferenças nas espessuras corticais entre

hemisférios” são previsíveis e aceitáveis, pois parecem concordar com o conceito amplamente aceite

da existência de diferenças entre hemisférios, mesmo em regiões corticais homologas, tais como as

áreas visuais homologas.

Os resultados sugerem que, em LHON, V1 no hemisfério direito apresenta ser mais espesso

que o esquerdo. Este resultado requer uma comparação com um grupo de controlo. As outras áreas

visuais em estudo (V2v, V2d, V3 e VP) revelam, em LHON, ter uma espessura equivalente em ambos

os hemisférios.

Os resultados para V1 sugerem que as projecções retinocorticais são assimetricamente

emparelhadas em LHON, mas posterior confirmação é necessária para garantir esta hipótese. O

hemisfério direito é dominante para os aspectos visuais e espaciais das nossas funções perceptivas.

Reconhecimento de faces, auto-imagem mental, expressões faciais e memórias, são algumas das

características funcionais do hemisfério direito. Já o hemisfério esquerdo está intimamente ligado a

funções referentes ao pensamento, à moral, à linguística, à gramática e à resposta verbal. Sendo o

hemisfério direito mais talhado para processar informação visual no sentido espacial, é de algum

modo previsível que algumas áreas visuais neste apresentassem um maior valor de EC do que as

suas áreas homólogas, no hemisfério esquerdo. Se o input visual tiver mais informação a ser

processada no hemisfério direito, poderá levar a um maior número de sinapses e daí maior valor de

EC. No entanto, esta hipótese seria mais bem sustentada nas áreas visuais do cortex extra-estriado e

não no estriado, como aqui os resultados sugerem, apesar de assimetrias nesta região já terem sido

relatadas em animais vertebrados.

55

Resultados de um grupo de controle, em múltiplas comparações, irão responder de forma

definitiva a estas hipóteses preliminares tornando-as restritas da população com LHON ou, pelo

contrário, comuns à população em geral.

4.2 Discussão às correlações entre áreas visuais

Um padrão de correlações positivas foi observado entre áreas visuais. As correlações são

todas positivas e relativamente fortes. Este resultado era esperado uma vez que as áreas visuais

comunicam em regime de feedforward e feedback entre elas. É normal e de certa forma previsível

que elas se correlacionem positivamente nos seus valores de EC. O grau da correlação entre áreas

visuais refere para o nível de comunicação e estímulo entre ambas. Espera-se que uma área visual

que comunique com outra a possa influenciar. A comunicação entre áreas visuais é feita com a troca

de informação, ou seja, com sinapses. De certa forma, o valor de EC de cada área pode reflectir o

número de estímulos que ocorre. Se houver uma redução neste estímulo, por exemplo devido a uma

doença ou patologia, é previsível que possa ocorrer uma atrofia cortical nas áreas afectadas. Com

base nisto, levanto a seguinte questão: a perda de RGCs, pode causar essa atrofia devido à

diminuição do estímulo? E, se essa atrofia realmente existir, se poderá influenciar as áreas visuais

presentes no fluxo ventral e no fluxo dorsal? Mais uma vez os dados provenientes de um grupo de

controle podem reforçar esta hipótese esclarecendo se as correlações aqui presentes são exclusivas

da LHON, ou se são comuns na população geral.

Tendo em conta os sub-grupos etários, ao analisar as Tabelas 3.20 e 3.21 (pacientes com

menos de 21 anos) e as Tabela 3.22 (pacientes com mais de 21 anos), verificam-se quatro tipos de

comportamento no que concerne às correlações estabelecidas entre as áreas visuais:

1. Há áreas visuais que parecem se correlacionar sempre, independentemente da faixa

etária;

2. Há áreas visuais que parecem não se correlacionar, independentemente da faixa

etária;

3. Há áreas visuais que parecem se correlacionar apenas em grupos de adultos;

4. Há áreas visuais que parecem se correlacionar apenas em grupos de jovens;

1. Nestas condições temos: V1 do hemisfério direito, V2V do hemisfério esquerdo, V2v do hemisfério

direito, V2d do hemisfério esquerdo, VP do hemisfério direito e V3 do hemisfério direito. Este

resultado pode ser interpretado em conjunto, como uma indicação da progressão da LHON e do

processo de envelhecimento normal, que afectam os valores da espessura cortical dessas áreas.

56

2. Nestas condições temos VP do hemisfério esquerdo. As ligações fracas entre VP e o córtex

primário são reveladores, neste ponto. Este resultado sugere que esta área visual tem um

desenvolvimento separado das outras áreas visuais em estudo.

3. Nestas condições temos V1 do hemisfério esquerdo. Esta área visual não se correlacionou com

qualquer outra área visual em pacientes jovens. Ao analisarmos as Tabelas 3.20 e 3.21 verificamos

que V1-LH não se correlaciona, enquanto V1-RH o faz. Ao analisarmos a Tabela 3.22, verificamos

que agora V1-LH já se correlaciona com outras áreas e V1-RH continua a correlacionar-se, desta vez

com maior número de áreas visuais. Além das diferenças entre hemisférios, este resultado aponta

para o facto de áreas visuais do córtex extra-estriado não “dependerem” de LH-V1 para os jovens.

Isto pode ser interpretado como a progressão da LHON no córtex primário.

4. Nestas condições temos V3 do hemisfério esquerdo e V2d do hemisfério direito. Este resultado

pode ser interpretado como uma suposta semelhança apenas em fases iniciais de desenvolvimento,

independentemente de ser patológico ou não, seguindo posteriormente caminhos de

desenvolvimento distintos.

O objectivo desta tese foi o de fornecer um estudo dos padrões de correlação das medidas de

EC do córtex visual em LHON, e uma interpretação preliminar do seu significado funcional. Esta tese

abre o caminho para um trabalho futuro cheio de objectivos, que irá testar as hipóteses aqui

apresentadas e, quiçá, levantar outras relativamente a esta doença.

57

5. Referências Bibliográficas

1 - He, Yong; Zhang J. Chen & Alan C. Evans (2007), "Small-World Anatomical Networks in the Human Brain Revealed by Cortical Thickness from MRI", Cerebral Cortex 17 (10): 2407-2419, DOI:10.1093/cercor/bhl149 [e] 2 - Sowell ER, Peterson BS, Kan E, Woods RP, Yoshii J, Bansal R et al. (2007). Sex differences in cortical thickness mapped in 176 healthy individuals between 7 and 87 years of age. Cereb Cortex 17 (7): 1550-60 3 - Noor Kabani, Georges Le Goualher, David MacDonald, and Alan C. Evans. Measurement of cortical thickness using an automated 3-d algorithm: A validation study. NeuroImage,13:375–380, 2001. 4 - Salat DH, Buckner RL, Snyder AZ, Greve DN, Desikan RS, Busa E et al. (2004). Thinning of the cerebral cortex in aging. Cereb Cortex 14 (7): 721-30. 5 - Vincent A. Magnotta, Nancy C. Andreasen, Susan K. Schultz, Greg Harris, Ted Cizadlo, Dan Heckel, Peg Nopoulos, and Micheal Flaum. Quantitative in vivo measurement of gyrification in the human brain: Changes associated with aging. Cerebral Cortex, 9:151–160, mar 1999. 6 - Stephen E. Jones, Bradley R. Buchbinder, and Itzhak Aharon. Three-dimensional mapping of cortical thickness using laplace’s equation. Human Brain Mapping, 11:12–32, 2000. 7 - Georges Le Goualher, Anne Marie Argenti, Michel Duyme, William F.C. Baare, H.E. HulshoffPol, Christian Barillot, and Alan C. Evans. Statistical sulcal shape comparisons: Applicationto the detection of genetic encoding of the central sulcus shape. 8 - P.M. Thompson, J. Moussai, S. Zohoori, A. Goldkorn, A.A. Khan, M.S. Mega, G.W. Small, J.L. Cummings, and A.W. Toga. Cortical variability and asymmetry in normal aging and alzheimer’s disease. Cerebral Cortex, 8:492–509, sep 1998. 9 - Joel R. Meyer, Sudipta Roychowdhury, Eric J. Russel, Cathy Callahan, Darren Gitelman, and M. Marsel Mesulam. Location of the central sulcus via cortical thickness of the precentral and postcentral gyri on mr. American Journal of Neuroradiology, 17:1699–1706, oct 1996. 10 – K. Zilles, A. Schleicher, C. Langeman, K. Amunts, P. Morosan, N. Palomero-Gallagher, T. Schormann, H. Mohlberg, U. Burgel, H. Steinmetz, G. Schlaug, and Per E. Roland. Quantitative analysis of sulci in the human cerebral cortex: Human Brain Mapping, 5:218–221, 1997. 11 - Improved localization of cortical activity by combining EEG and MEG with MRI cortical surface reconstruction: A linear approach, Dale, A.M., and Sereno, M.I. (1993). Journal of Cognitive Neuroscience 5:162-176. 12 - Cortical Surface-Based Analysis I: Segmentation and Surface Reconstruction, Dale, A.M., Fischl, B., Sereno, M.I., (1999). NeuroImage 9(2):179-194 13 - Cortical Surface-Based Analysis II: Inflation, Flattening, and a Surface-Based Coordinate System, Fischl, B., Sereno, M.I., Dale, A.M., (1999). NeuroImage, 9(2):195-207. 14 - Fischl B, Liu A, Dale AM. Automated manifold surgery: constructing geometrically accurate and topologically correct models of the human cerebral cortex. IEEE Trans Med Imaging 2001; 20: 70-80. 15 - High-resolution inter-subject averaging and a coordinate system for the cortical surface, Fischl, B., Sereno, M.I., Tootell, R.B.H., and Dale, A.M., (1999). Human Brain Mapping, 8:272-284(1999). 16 - Goodale & Milner (1992). "Separate pathways for perception and action." Trends in Neuroscience 15: 20–25. 17 - Ungerleider and Mishkin (1982). Ingle DJ, Goodale MA and Mansfield RJW. Analysis of Visual Behavior. MIT Press. 18 - Leuba G, Kraftsik R. Changes in volume, surface estimate, three-dimensional shape and total number of neurons of the human primary visual cortex from midgestation until old age. Anat Embryol (Berl). 1994 Oct;190(4):351-66. 19 - Gazzaniga, M. S., Ivry, R. B. & Mangun, G. R. (2002). Cognitive Neuroscience: The biology of the mind (2nd ed.). New York: W.W.Norton.

58

20 - Bussey TJ, Saksida LM (2007), “Memory, perception, and the ventral visual-perirhinal-hippocampal stream: thinking outside of the boxes.” Hippocampus 17(9):898-908 21 - Winters BD, Saksida LM, Bussey TJ (2010), “Implications of animal object memory research for human amnesia.” Neuropsychologia 22 - Manuel F. López-Aranda, Juan F. López-Téllez, Irene Navarro-Lobato, Mariam Masmudi-Martín, Antonia Gutiérrez, Zafar U. Khan (2009). Role of Layer 6 of V2 Visual Cortex in Object-Recognition Memory. DOI: 10.1126/science.1170869

23 - Orban GA, Van Essen D, Vanduffel W.Trends Cogn Sci. 2004 Jul. Comparative mapping of higher visual areas in monkeys and humans., 8(7):315-24. Review.PMID: 15242691

24 - Mannion DJ, McDonald JS, Clifford CW. (2010). The influence of global form on local orientation anisotropies in human visual cortex. Neuroimage. 2010 Aug 15;52(2):600-5. 25 - Rosa MG, Tweedale R (2000) Visual areas in lateral and ventral extrastriate cortices of the marmoset monkey. J Comp Neurol 422:621-51. 26 - Ronald S. Fishman (1997). Gordon Holmes, the cortical retina, and the wounds of war. The seventh Charles B. Snyder Lecture Documental Ophthalmological 93: 9-28, 1997. 27 - Rosa MGP, 2002, Visual maps in the adult primate cerebral cortex: some implications for brain development and evolution. Braz J Med Biol Res 35(12):1485-1498. 28 - Goebel, R., Khorram-Sefat, D., Muckli, L., Hacker, H. and Singer, W. (1998) The constructive nature of vision: Direct evidence from fMRI studies of apparent motion and motion imagery. The European Journal of Neuroscience, 10, 1563-1573. 29 - Goebel, R., Muckli, L., Zanella, F.E., Singer, W. & Stoerig, P. (2001). Sustained extrastriate cortical activation without visual awareness revealed by fMRI studies of hemianopic patients. Vision Research, 41, 1459-1474. 30 - Goebel, R., Muckli, L. & Kim, D.-S. (2003). The Visual System. In: G. Paxinos & J.K. Mai (Eds.), The Human Nervous System, 2nd Edition. New York: Academic Press. 31 - Roger B.H. Tootell, Anders M. Dale, Martin I. Sereno and Rafael Malach. (1996). New images from human visual cortex. 32 - Sereno MI, Dale AM, Reppas JB, Kwong KK, Belliveau JW, Brady TJ, Rosen BR, Tootell RB. (1995). Borders of multiple visual areas in humans revealed by functional magnetic resonance imaging. Science. 1995 May 12;268(5212):889-93. 33 - DeYoe EA, Carman GJ, Bandettini P, Glickman S, Wieser J, Cox R, Miller D, Neitz J. (1996). Mapping striate and extrastriate visual areas in human cerebral cortex. 1996 Mar 19;93(6):2382-6. 34 - Leber Hereditary Optic Neuropathy .Yu-Wai-ManP,ChinneryPF. In: Pagon RA, Bird TC, Dolan CR, Stephens K, editors. GeneReviews [Internet]. Seattle (WA): University of Washington,Seattle;1993-.2000 35 - Bandelt HJ, Kong QP, Parson W, Salas A (December 2005). "More evidence for non-maternal inheritance of mitochondrial DNA?". J. Med. Genet. 42 (12): 957–60 36 - Nikoskelainen EK, Marttila RJ, Huoponen K, et al. (August 1995). "Leber's "plus": neurological abnormalities in patients with Leber's hereditary optic neuropathy". J. Neurol. Neurosurg. Psychiatr. 59 (2): 160–4. 37 - Schneider P, Sluming V, Roberts N, Bleeck S, Rupp A. Structural, functional, and perceptual differences in Heschl's gyrus and musical instrument preference. (2005). Ann N Y Acad Sci. 2005 Dec;1060:387-94 38- Goebel, R., Esposito, F. Formisano, E. (2006). Analysis of functional image analysis contest (FIAC) data with Brainvoyager QX: From single-subject to cortically aligned group general linear model analysis and self-organizing group independent component analysis. Human Brain Mapping, 27, 392-401. 39 - Jones, S.E., Buchbinder, B.R., Aharon, I. (2000). Three-Dimensional Mapping of Cortical Thickness Using Laplace’s Equation. Human Brain Mapping, 11, 12-32. 40 - Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). New Jersey: Lawrence

Erlbaum.