Segmentação Automática de Lesões de Esclerose Múltipla em ...tavares/downloads/publications/relatorios/... · iii Abstract This report intends to describe the work done within

Faculdade de Engenharia da Universidade do Porto

Segmentação Automática de Lesões de Esclerose Múltipla em Imagens de Ressonância Magnética

Rafaela Inês Pires Pinto

VERSÃO DE TRABALHO

Trabalho realizado no âmbito da Unidade Curricular “Trabalhos Práticos” do

Mestrado em Engenharia Biomédica

Orientador: Prof. Doutor João Manuel R. S. Tavares, Faculdade de Engenharia da Universidade do Porto

Co-orientador: Prof. Doutora Sandra Rua Ventura, Escola Superior de Tecnologia da Saúde do Porto

Porto, junho de 2016

© Rafaela Pinto, 2016

i

Resumo

O presente relatório visa descrever o trabalho desenvolvido no âmbito da unidade curricular de

Trabalhos Práticos do Mestrado em Engenharia Biomédica da Faculdade de Engenharia da Universidade

do Porto e teve como principal finalidade, fazer uma pesquisa bibliográfica e um enquadramento

prático com as técnicas a usar no projeto de Dissertação.

A esclerose múltipla é o distúrbio neurológico mais comum diagnosticado em jovens adultos. As

suas causas ainda não são totalmente compreendidas e os investigadores continuam a procurar

respostas. Embora a doença não possa ser curada ou prevenida, neste momento, os tratamentos

disponíveis permitem reduzir a gravidade da mesma e retardar a sua progressão. Torna-se cada vez

mais necessário recorrer a técnicas de imagiologia e melhoramento de imagens para facilitar o

diagnóstico precoce e tratamento adequado por parte dos médicos para uma melhor qualidade de

vida do paciente.

O objetivo principal deste trabalho corresponde ao melhoramento de imagens de ressonância

magnética de doentes com esclerose múltipla, permitindo assim uma melhor análise e diagnóstico

eficaz por parte de especialistas. Assim, neste trabalho serão abordados conceitos fundamentais

acerca de Processamento e Análise de Imagem, uma revisão acerca das metodologias utilizadas por

vários autores para melhoramento de imagens e aplicação de vários algoritmos em MATLAB para

avaliação das mesmas.

iii

Abstract

This report intends to describe the work done within the the curricular unit of “Trabalhos

Práticos” of the master in Biomedical Engineering from the Faculdade de Engenharia da Universidade

do Porto and its main purpose, make a bibliographic research and a practical framework with the

techniques to use in the Dissertation project.

Multiple sclerosis is the most common neurological disorder diagnosed in young adults. Its causes

are not fully understood and researchers continue to search for answers. Although the disease can

not be cured or prevented, at this moment, the available treatments allow to reduce the severity of

it and slow its progression. It becomes increasingly necessary to use techniques of imaging and image

enhancement to facilitate early diagnosis and appropriate treatment by doctors for a better quality

of life of the patients.

The main objective of this work corresponds to the improvement of magnetic resonance imaging

in patients with multiple sclerosis, thus allowing a better analysis and effective diagnosis by

specialists. So, in this paper will discuss basic concepts about Image Processing and Analysis, a review

of the methodologies used by various authors for image enhancement and application of sereral

algorithms in MATLAB for evaluation.

v

Agradecimentos

A realização deste trabalho contou com importantes apoios, sem os quais não teria sido possível

a elaboração do mesmo.

Ao Professor Doutor João Manuel R. S. Tavares, pela sua disponibilidade, orientação, paciência e

compreensão demonstradas ao longo deste percurso.

À Professora Doutora Sandra Rua Ventura, pela ajuda, disponibilidade e supervisão prestada e por

todos os conselhos.

Ao técnico Vítor Silva, do Centro de Imagiologia do Hospital de São João, pela sua atenção,

disponibilidade e auxílio na compreensão do funcionamento da técnica de Ressonância Magnética.

vii

Índice

Resumo .............................................................................................. i

Abstract ............................................................................................ iii

Agradecimentos .................................................................................. iv

Índice ................................................................................................ v

Lista de figuras ................................................................................... vi

Lista de tabelas .................................................................................. vii

Abreviaturas e Símbolos ...................................................................... viii

Capítulo 1 ........................................................................................... 1

Introdução .......................................................................................... 1 1.1 - Enquadramento ........................................................................................ 1 1.2 - Objectivo ................................................................................................ 1 1.3 - Estrutura do trabalho ................................................................................. 2

Capítulo 2 ........................................................................................... 3

Esclerose Múltipla ................................................................................. 3 2.1 Descrição da doença .................................................................................. 3 2.2 Características epidemiológicas e clínicas ....................................................... 5 2.3 Diagnóstico ............................................................................................. 6 2.4 Tratamentos ........................................................................................... 8 2.5 Conclusões ............................................................................................. 8

Capítulo 3 ........................................................................................... 9

Processamento e Análise de Imagem .......................................................... 9 3.1 Enquadramento ........................................................................................ 9 3.2 Processamento e análise de imagem biomédica ............................................... 10 3.3 Representação da Imagem Digital ................................................................ 11 3.3.1 Pixel e Conectividade ........................................................................ 11 3.3.2 Região de interesse .......................................................................... 12

3.4 Principais etapas do Processamento de Imagem ............................................... 12

3.4.1 Aquisição ....................................................................................... 12 3.4.2 Pré-processamento ........................................................................... 14 3.4.3 Segmentação .................................................................................. 15 3.4.4 Análise e Reconhecimento .................................................................. 16

viii

3.5 Conclusões ............................................................................................ 17

Capítulo 4 ......................................................................................... 18

Trabalho Relacionado .......................................................................... 18 4.1 Introdução............................................................................................. 18 4.2 Pré-Processamento .................................................................................. 20 4.2.1 Remoção do crânio ........................................................................... 21 4.2.2 Correção e redução de ruído ............................................................... 22 4.2.3 Normalização inter-sujeito ................................................................. 23 4.2.4 Registo de Atlas ............................................................................... 23 4.3 Conclusões ............................................................................................ 24

Capítulo 5 ......................................................................................... 35

Trabalho Experimental ......................................................................... 25 5.1 Correção Gama ....................................................................................... 25

5.2 Filtragem Espacial .................................................................................. 25 5.2.1 Filtros de Realce ............................................................................. 26 5.2.2 Filtro de Média ............................................................................... 27 5.2.3 Filtro de Mediana ............................................................................ 27 5.2.4 Filtro Gaussiano ............................................................................... 27 5.2.5 Filtros Laplaciano ............................................................................. 28 5.3 Operadores de Gradiente .......................................................................... 28 5.3.1 Operador de Canny ........................................................................... 28 5.3.2 Filtros de Roberts ............................................................................ 28 5.3.3 Filtros de Sobel .............................................................................. 29 5.3.4 Filtros Prewitt................................................................................. 29

5.4 Equalização do Histograma ........................................................................ 29

5.5 Conclusões ............................................................................................ 30

Capítulo 6 ......................................................................................... 31

Implementação, Resultados e Discussão .................................................... 31 6.1 Aquisição de imagens de RM ....................................................................... 31 6.2 Melhoramento de Imagem .......................................................................... 33 6.2.1 Remoção do Crânio ........................................................................... 33 6.2.2 Correção Gama ............................................................................... 34 6.2.3 Filtragem Espacial ........................................................................... 35 a) Filtro de Média .............................................................................. 35 b) Filtro de Mediana ........................................................................... 36 c) Filtro Gaussiano .............................................................................. 37 d) Filtro Laplaciano ............................................................................. 38 6.2.4 Operadores de Gradiente .................................................................. 39 a) Operador de Canny ......................................................................... 39 b) Operador de Sobel e Prewitt ............................................................. 40 c) Operador de Roberts ........................................................................ 41 6.2.5 Equalização do Histograma ................................................................. 42 6.3 Sobreposição de cortes ............................................................................ 43 6.4 Conclusões ........................................................................................... 45

Capítulo 7 ......................................................................................... 46

Conclusões e Trabalho Futuro ................................................................ 46 7.1 Conclusões ........................................................................................... 46 7.2 Trabalho Futuro ...................................................................................... 47

Referências ......................................................................................... i

ix

Lista de figuras

Figura 2.1 - Evolução clínica esquemática das diferentes formas de EM (retirado de (mult-sclerosis 2008)).

............................................................................................................... 4

Figura 2.2 - Prevalência de esclerose múltipla no mundo. O número estimado de pessoas com EM aumentou

de 2,1 milhões em 2008 para 2,3 milhões em 2013. Retirado de (Federation, 2013) .................. 5

Figura 2.3 - Equipamento de Ressonância Magnética da Philips Medical. Retirado de (Westbrook, 2011). . ............................................................................................................... 8

Figura 3.1 –Diagrama geral do sistema de análise de imagem biomédica. Adaptado de (Dhawan, 2003).

..................................................................................................................... 11

Figura 3.2 - Exemplo de uma imagem monocromática de uma RM ao cérebro com destaque para uma

região de pequeno ROI da matriz de aquisição de 512×512 pixels. O número de pixels que compõem uma imagem determina a sua resolução. Retirada de (Manjon, 2012). .................................. 11

Figura 3.3 - Etapas fundamentais no processamento e análise de imagem e principais objetivos. ...... 12

Figura 3.4 - Imagem de Ressonância Magnética: (a) cérebro, retirada de (Dhawan, 2003) e (b) medula

espinhal, retirada de (Compston, 2002) ...................................................................... 13

Figura 3.5 - (a) Imagem de Raios-X com baixo nível de detalhes. (b) Imagem de uma TC com uma grande

quantidade de pormenor. Retirada de (Rangayyan, 2005). ............................................... 13

Figura 3.6 - Exemplo de um pré-processamento simples: (a) Imagem original destruída com ruído

gaussiano, (b) Imagem após aplicação de equalização do histograma para melhorar o contraste, e (c) Imagem após a aplicação de um filtro mediana para redução do ruído. Retirada de (Arshad, 2013). 14

Figura 3.7 - Exemplo de uma etapa de segmentação utilizando a técnica de modelo pontual de distribuição

(modelo geométrico). Adaptada de (Vasconcelos, 2003). ................................................. 15

Figura 4.1 – Imagens de RM de um corte axial do cérebro com lesões de EM: (a) imagem T1-W, (b) imagem

T2-W, (c) imagem DP-W, e (d) imagem FLAIR, respetivamente. Verifica-se que os tecidos moles são mais distinguíveis na imagem T1-W, enquanto que as lesões são usualmente melhor avaliadas na sequência FLAIR e T2-W, sendo estes dois tipos os mais utilizados para segmentação. Adaptada de (Lladó X, 2012). ................................................................................................. 19

Figura 4.2 - Diferentes imagens pré-processadas de ressonância magnética do cérebro: (a) Imagem T1-w,

(b) imagem T2-w, (c) imagem PD-w, (d) imagem FLAIR e a sua (e) segmentação do tecido: o fluído cefalorraquidiano (LCR) aparece a azul escuro, a substância cinzenta aparece a azul, a substância branca aparece a branco e as lesões aparecem a vermelho. Retirada de (Cabezas M., 2014). ...... 20

Figura 4.3 - Esquema da pipeline de pré-processamento usada por Cabezas e seus colaboradores. Retirado

de (Cabezas M., 2014). ......................................................................................... 21

x

Figura 5.1 - Esquema representativo de filtro passa-baixo, passa-alto e passa-banda. Retirado de

(Campilho, 2016). ............................................................................................... 26

Figura 5.2 - Esquema representativo de um filtro de mediana. Os valores dos pixels contidos na vizinhança

predefinida são ordenados. Retirado de (Campilho, 2016). ............................................... 27

Figura 5.3 – Máscaras dos gradientes de Roberts, Prewitt e Sobel. Retirado de (Campilho, 2016). ..... 29

Figura 6.1 – Imagens FLAIR de RM de indivíduos com lesões de EM, no plano axial, localizadas ao nível dos

ventrículos laterais: A) Indivíduo 1, género masculino, 36 anos; B) Indivíduo 2, género feminino, 43 anos; C) Indivíduo 3, género feminino, 39 anos; D) Indivíduo 4, género feminino, 57 anos; E) Indivíduo 5, género feminino, 50 anos; F) Indivíduo 6, género masculino, 40 anos. Observa-se a presença de lesões de EM periventriculares e com hipersinal (áreas brancas à volta dos ventrículos). ............ 32

Figura 6.2 - Fluxograma das diferentes técnicas aplicadas para melhoramento de imagem. ............. 33

Figura 6.3 – Aplicação do algoritmo BET para remoção do crânio às imagens originais de RM no plano axial

de indivíduos com EM: A) Indivíduo 1; B) Indivíduo 2; C) Indivíduo 3; D) Indivíduo 4; E) Indivíduo 5; F) Indivíduo 6. ....................................................................................................... 34

Figura 6.4 – Aplicação do algoritmo correção gama às imagens anteriormente obtidas de RM de indivíduos

com lesões de EM, no plano axial, localizadas ao nível dos ventrículos laterais: A) Indivíduo 1; B) Indivíduo 2; C) Indivíduo 3; D) Indivíduo 4; E) Indivíduo 5; F) Indivíduo 6. .............................. 35

Figura 6.5 – Aplicação do filtro de média às imagens anteriormente obtidas de RM de indivíduos com lesões

de EM, no plano axial, localizadas ao nível dos ventrículos laterais: A) Indivíduo 1; B) Indivíduo 2; C) Indivíduo 3; D) Indivíduo 4; E) Indivíduo 5; F) Indivíduo 6. ................................................ 36

Figura 6.6 – Aplicação do filtro de mediana às imagens anteriormente obtidas de RM de indivíduos com

lesões de EM, no plano axial, localizadas ao nível dos ventrículos laterais: A) Indivíduo 1; B) Indivíduo 2; C) Indivíduo 3; D) Indivíduo 4; E) Indivíduo 5; F) Indivíduo 6. ......................................... 37

Figura 6.7 – Aplicação do filtro Gaussiano às imagens anteriormente obtidas de RM de indivíduos com


Figura 6.8 – Aplicação do filtro Laplaciano às imagens anteriormente obtidas de RM de indivíduos com


Figura 6.9 – Aplicação do operador de gradiente Canny às imagens anteriormente obtidas de RM de

indivíduos com lesões de EM, no plano axial, localizadas ao nível dos ventrículos laterais: A) Indivíduo 1; B) Indivíduo 2; C) Indivíduo 3; D) Indivíduo 4; E) Indivíduo 5; F) Indivíduo 6. ....................... 40

Figura 6.10 – Aplicação do operador de gradiente Sobel às imagens anteriormente obtidas de RM de


Figura 6.11 – Aplicação do operador de gradiente Roberts às imagens anteriormente obtidas de RM de


Figura 6.12 – Aplicação do algoritmo de equalização do histograma às imagens anteriormente obtidas de

RM de indivíduos com lesões de EM, no plano axial, localizadas ao nível dos ventrículos laterais: A) Indivíduo 1; B) Indivíduo 2; C) Indivíduo 3; D) Indivíduo 4; E) Indivíduo 5; F) Indivíduo 6. ........... 43

Figura 6.13 – Aplicação do algoritmo para sobreposição dos cortes anteriores e posteriores ao corte central

correspondentes às imagens anteriormente obtidas de RM de indivíduos com lesões de EM, no plano axial, localizadas ao nível dos ventrículos laterais: A) Indivíduo 1; B) Indivíduo 2; C) Indivíduo 3; D) Indivíduo 4; E) Indivíduo 5; F) Indivíduo 6. .................................................................. 44

xi

Lista de tabelas

Tabela 2.1 – Tipos de Esclerose Múltipla. Tabela adaptada de (Courtney, 2006). ............................ 4

Tabela 2.2 – Critérios de McDonald para diagnóstico de EM. Adaptada de (Barkhof F, 2013) ................ 6

Tabela 3.1 – Algumas das técnicas de segmentação utilizadas em Processamento e Análise de Imagem. 16

Tabela 6.1 – Características das 6 imagens testadas. ............................................................ 33

xiii

Abreviaturas e Símbolos

Lista de abreviaturas

BET Brain Extraction Tool

BSE Brain Surface Extractor

CLAHE Equalização Adaptativa com Contraste Limitado

DICOM Digital Imaging and Communications in Medicine

EDSS Expanded Disability Status Scale

EM Esclerose Múltipla

EMB Esclerose Múltipla Benigna

EMM Esclerose Múltipla Maligna

EMRR Esclerose Múltipla Remitente-Recorrente

EMPP Esclerose Múltipla Progressiva Primária

EMPR Esclerose Múltipla Progressiva-Recorrente

EMPS Esclerose Múltipla Progressiva Secundária

FCM Fuzzy c-means

FLAIR Fluid-attenuated inversion recovery

IRM Imagens de Ressonância Magnética

ITK Insight Toolkit

kNN k-Nearest Neighbour

LCR Líquido cefalorraquidiano

MATLAB MATrix LABoratory

McStrip Minneapolis Consensus Strip

PDI Processamento Digital de Imagens

PEV Potenciais evocados

pixel Picture element

RF Radiofrequência

RM Ressonância Magnética

RNA Redes Neuronais Artificiais

xiv

ROI Region of interest

SNC Sistema Nervoso Central

SPM2 Statistical Parametric Mapping

TC Tomografia Computadorizada

T1-W Imagem T1-ponderada

T2-W Imagem T2-ponderada

DP-W Imagem Densidade Protónica-ponderada

Lista de símbolos

𝑎 Campo de polarização

β Ruído aditivo

σ Desvio padrão

T Tesla

1

Capítulo 1

Introdução 1.1 Enquadramento

A esclerose múltipla atinge cerca de 2,5 milhões de pessoas no mundo (Dua T., 2008). Considerada

uma doença autoimune que afeta o cérebro e a medula espinhal (SNC), é também a mais comum das

doenças desmielinizantes. A esclerose múltipla é incurável, crónica e progressiva, apresentando como

característica a presença de múltiplas placas na substância branca encefálica e medular,

manifestando-se a partir das lesões, por sinais e sintomas neurológicos que podem agravar-se com a

evolução da doença. Isso acontece porque o sistema imunológico do corpo confunde células saudáveis

com as "intrusas", e ataca-as provocando lesões no cérebro. O sistema imune do paciente corrói a

bainha protetora que reveste os nervos, conhecida como bainha de mielina (Minguetti, 2001).

Os sintomas variam amplamente, dependendo da quantidade de danos e dos nervos que são

afetados. A EM caracteriza-se por ser uma doença potencialmente debilitante podendo deixar

sequelas irreversíveis. Pessoas com casos graves de esclerose múltipla podem perder a capacidade de

andar ou falar claramente (Clanet M., 1998).

O diagnóstico desta doença pode ser difícil de detetar precocemente, uma vez que os sintomas

aparecem com intervalos e o paciente fica meses sem qualquer sinal da doença. Este é basicamente

clínico e deve ser complementado por ressonância magnética.

A Ressonância Magnética é uma tecnologia médica de imagem que utiliza um forte campo

magnético e ondas de radiofrequência para produzir imagens detalhadas dos órgãos internos e tecidos.

Neste caso, a RM produz imagens detalhadas do cérebro e medula espinhal, revelando a existência de

anomalias.

Assim, torna-se cada vez mais necessário recorrer a técnicas de imagiologia e melhoramento das

imagens para facilitar o diagnóstico precoce e tratamento adequado por parte dos médicos para que

o paciente consiga viver sem grandes complicações, como as decorrentes desta doença.

2

Neste capítulo apresentam-se os objetivos principais deste trabalho e a sua estruturação.

1.2 Objetivos

Este trabalho teve como objetivo introduzir o tema de dissertação e desenvolver a aplicação

prática de algumas técnicas importantes para a mesma. O principal objetivo deste Trabalho Prático

consiste em utilizar técnicas de pré-processamento de imagem para melhorar as imagens de

ressonância magnética provenientes de doentes com esclerose múltipla. Assim, pretende-se uma

primeira abordagem com a temática de processamento e análise de imagem de modo a melhorar as

mesmas para um diagnóstico mais eficaz por parte de técnicos e para posterior estudo. No final,

pretende-se comparar a imagem original com as imagens melhoradas através de várias técnicas e

identificar quais os métodos mais eficientes análise da doença de esclerose múltipla.

Será ainda avaliado o efeito da projeção numa única imagem das lesões obtidas em vários cortes.

As técnicas desenvolvidas foram implementadas em MATLAB e referem-se a casos reais obtidos no

Hospital de São João, Porto.

1.3 Estrutura do Trabalho

Este trabalho está organizado em 7 capítulos, seguidos das referências bibliográficas.

No capítulo seguinte é apresentada uma breve abordagem à doença de esclerose múltipla,

apresentando algumas das suas características e métodos de diagnóstico e tratamento. O terceiro

capítulo faz relevância ao processamento e análise de imagem, com destaque para alguns

fundamentos essenciais para a realização do trabalho, bem como as principais etapas de

processamento de imagem. O capítulo seguinte apresenta uma Revisão Bibliográfica acerca das

técnicas utilizadas e descritas para melhoramento de imagens no âmbito deste estudo, de modo a

fornecer uma visão geral do que tem sido realizado. No quinto capítulo é descrito o trabalho

experimental realizado bem como as técnicas e métodos utilizados. No sexto capítulo são

apresentados os resultados obtidos na componente prática e é feita uma discussão sobre os mesmos.

Por fim, são descritas as conclusões e perspetivas de trabalho futuro.

Esclerose Múltipla 3

Capítulo 2

Esclerose Múltipla

O presente capítulo aborda a temática central deste estudo, a doença de esclerose múltipla. Neste

capítulo procede-se à sua descrição, causas e predominâncias e formas de manifestação, são descritos

os critérios de diagnóstico, fazendo uma pequena referência à técnica de Ressonância Magnética e

por fim são apresentados os tratamentos utilizados por profissionais de saúde.

2.1 Descrição da Doença

A Esclerose Múltipla é uma enfermidade do Sistema Nervoso Central inflamatória, desmielinizante,

idiopática e frequentemente incapacitante que afeta a substância branca e acomete

predominantemente mulheres na faixa etária dos 20 aos 40 anos (2013).

Caracteriza-se por ser uma doença progressiva com lesões que evoluem ao longo do tempo. As

lesões aparecem no sistema nervoso central, no encéfalo especialmente na substância branca, na

medula espinhal e nos nervos óticos. Este processo desmielinizante faz com que a esclerose múltipla

seja considerada uma doença autoimune, induzida quando células específicas do sistema imunológico,

os linfócitos T helper tipo 1 (Th1) reconhecem componentes da bainha de mielina, levando ao

recrutamento de macrófagos e ativação da microglia (Hafler DA, 2004).

Na evolução natural a EM, de acordo com a forma de instalação e progressão dos sintomas

neurológicos, pode ser classificada, segundo o consenso de Lublin e Reingold (1996) nas seguintes

formas clínicas presentes na tabela 2.1.

A EMRR caracteriza-se pela presença de surtos definidos por manifestações neurológicas de

instalação aguda ou subaguda indicativas de comprometimento de substância branca, com duração

mínima de 24 horas com recuperação total ou parcial. Quando ocorre progressão de sintomas ao longo

da doença, trata-se da forma secundariamente progressiva (EMPS). A EMPP tem início progressivo com

eventual ocorrência de surtos. A EMB é diagnosticada em pacientes EMRR que após 10 anos de


evolução permanecem com índice de incapacidade avaliado pela Expanded Disability Status Scale

(EDSS) (Kurtzke J.F., 1983) com nível abaixo de 3.

Tipos de Esclerose Múltipla Características

Esclerose Múltipla Remitente-

Recorrente (EMRR)

Sintoma de surtos seguidos de recuperação; estável entre

ataques.

Esclerose Múltipla Progressiva

Secundária (EMPS)

Segunda fase de EMRR; piora progressiva dos sintomas com ou

sem recaídas sobrepostas; tratamentos podem retardar esta

fase.

Esclerose Múltipla Progressiva Primária

(EMPP)

Acumulação gradual, mas constante aparecimento de

problemas neurológicos.

Esclerose Múltipla Progressiva-

Recorrente (EMPR)

Evolução progressiva desde o início, às vezes combinada com

sintoma agudo de surtos ocasionais.

Esclerose Múltipla Benigna (EMB) Alguns ataques e pouca ou nenhuma deficiência depois de 20

anos.

Esclerose Múltipla Maligna (EMM) Evolução da doença de forma rapidamente progressiva.

Tabela 2.1 – Tipos de Esclerose Múltipla. Tabela adaptada de (Courtney, 2006).

Na figura 2.1 encontra-se presente a evolução clínica esquemática das formas mais comuns de EM.

Figura 2.1 - Evolução clínica esquemática das diferentes formas de EM (retirado de (mult-sclerosis 2008)).

As duas formas mais comuns da doença são a EMRR, doença com presença de surtos claramente

definidos, com recuperação total ou com sequelas residuais após recuperação, em que os períodos

entre os surtos da doença são caracterizados por ausência de progressão, e a EMPP que é progressiva

desde o início, com ocasional platô e melhoria mínima ao longo do tempo, sem ocorrência de surtos

definidos.


2.2 Características epidemiológicas e clínicas

Demonstrou-se que a prevalência de esclerose múltipla sofre influência de fatores biológicos,

geográficos, demográficos e socioculturais. Estudos de prevalência tendem a demonstrar

características regionais de manifestação fenotípica, fundamentais para o entendimento na interação

desses fatores.

O estudo da história natural da esclerose múltipla também tem ajudado a compreender as

características da doença, relativas à razão de género e idade de início dos sintomas (Rudge P., 1999).

A esclerose múltipla é entre duas a três vezes mais comum em mulheres do que em homens, mas

os homens têm tendencionalmente um início da doença mais tardio com um prognóstico pior. A

incidência de EM é baixa na infância (2,7 a 5% em idades abaixo de 16 anos), (Hauser, 1982) (Patel

Y., 2009), aumenta rapidamente após os 18 anos de idade atingindo um pico entre 25 e 35 anos e

depois diminuindo lentamente, tornando-se rara em indivíduos com idades superiores a 50 anos.

Estima-se que existam entre 1,3 e 2,5 milhões de casos de EM no mundo, com cerca de 350.000 casos

na Europa Ocidental (Dua T., 2008). Segundo os últimos estudos epidemiológicos, a prevalência e

incidência de EM tem vindo a aumentar em todo o mundo.

De uma maneira geral, países situados em grandes latitudes apresentam maior prevalência de

esclerose múltipla. É relativamente comum na Europa, Estados Unidos, Canadá, Nova Zelândia e

partes da Austrália, mas raro na Ásia e nas regiões tropicais e subtropicais de todos os continentes.

Dentro de regiões de clima temperado, a incidência e prevalência de EM aumenta com a latitude -

norte e sul do equador (Dua T., 2008).

Figura 2.2 – Prevalência de esclerose múltipla no mundo. O número estimado de pessoas com EM aumentou de

2,1 milhões em 2008 para 2,3 milhões em 2013. Retirado de (Federation, 2013).

Além dos fatores geográficos, verificou-se que o fator hereditário também se aplica. Cerca de 15%

dos pacientes com esclerose múltipla possuem um parente afetado. Contudo, devido à dificuldade

em determinar um padrão hereditário, a EM pode ser considerada como uma doença com

complexidade genética, na qual indivíduos suscetíveis encontram condições ambientais

desencadeantes do processo de desmielinização e degeneração (Hafler DA, 2004).


Os fatores ambientais, aos quais os indivíduos geneticamente suscetíveis estariam expostos

propiciando a manifestação fenotípica da esclerose múltipla, ainda não são completamente

compreendidos. A exposição à luz solar e a agentes infeciosos, assim como a imunização são sugeridos

como fatores imunológicos desencadeantes (Ebers GC, 2008).

2.3 Diagnóstico

O diagnóstico desta doença pode ser difícil de detetar precocemente, uma vez que os sintomas

aparecem com intervalos de tempo variados. O diagnóstico é realizado por avaliação clínica e

utilização de exames complementares como a ressonância magnética (RM), estudo do líquido

cefalorraquiano (LCR) e de potenciais evocados (PEV), com ênfase na disseminação no tempo e no

espaço (McDonald WI, 2001; Polman CH, 2005). Segundo esses critérios, o paciente pode ser

diagnosticado como “sem esclerose múltipla”, “possível esclerose múltipla” ou “esclerose múltipla”.

Os critérios de McDonald presentes na Tabela 2.2 fazem uso de avanços nas técnicas de ressonância

magnética que permitem que o diagnóstico seja feito num estágio mais inicial e, portanto, oferece o

potencial de tratamento e apoio mais cedo.

Ataques Lesões Critério adicional para diagnóstico de EM

≥ 2 surtos

Evidência clínica

de ≥ 2 lesões Nenhum. A evidência clínica é suficiente.

≥ 2 surtos Evidência clínica

de 1 lesão

Disseminação espacial de EM: ≥1 lesão T2 em pelo menos 2 de 4 regiões típicas de EM no SNC (periventricular, justacortical, infratentorial, medula espinhal).

1 surto Evidência clínica

de 2 lesões

Disseminação no tempo de EM: aguardar a ocorrência de mais um ataque clínico num local diferente do SNC.

1 surto Evidência clínica

de 1 lesão

Disseminação no espaço e no tempo de EM: aguardar a ocorrência de mais um ataque clínico num local diferente do SNC.

0 surtos

(progressão

desde o início)

1 ano de progressão da doença (retrospetiva ou prospetiva) determinada por pelo menos 2 dos 3 critérios:

Evidência de disseminação espacial no cérebro;

Evidência de disseminação espacial na medula espinhal, baseada em ≥2 lesões em T2;

Evidência de bandas oligoclonais e/ou aumento do índice IgG (CSF positiva).

Tabela 2.2 – Critérios de McDonald para diagnóstico de EM. Adaptada de (Barkhof F, 2013).

Tal como acontece com os critérios de diagnóstico anteriores, os indivíduos devem ter um mínimo

de dois ataques, afetando mais de um local anatómico, mas assumindo uma sugestiva apresentação

inicial de esclerose múltipla, a segunda lesão não tem necessariamente de ser clinicamente expressa.

As investigações são feitas por quatro razões principais em doentes com esclerose múltipla:

permitem que os médicos vejam a evolução anatómica das lesões no tempo e no espaço (imagem),

permitem a avaliação da inflamação intratecal (análise do líquido espinhal), mostram se a condução

alterou num determinado padrão consistente com a desmielinização (potenciais evocados) e

permitem a exclusão de condições que mimetizam a doença (Compston, 2002).


As técnicas convencionais de imagem por ressonância magnética, tais como sequências ponderadas

em T2 e sequências ponderadas em T1 com gadolínio, são altamente sensíveis na deteção de placas

de EM e podem fornecer uma avaliação quantitativa da atividade inflamatória e da carga das lesões.

As técnicas de IRM tornaram-se a ferramenta paraclínica mais importante para o diagnóstico de EM,

para a compreensão da história natural da doença e para monitorizar a eficácia de tratamentos

experimentais (Hashemi R.H., 2010).

Os critérios de diagnóstico que incluem a imagem por ressonância magnética como método

auxiliar, são os de F. Barkhof que permitem aumentar a sensibilidade e a especificidade da IRM na

deteção da EM. Estes preceitos salientam que um paciente sofre de esclerose múltipla se pelo menos

três dos seguintes parâmetros são encontrados (Clanet M., 1998):

Uma lesão que reforça após a administração de produto de contraste paramagnético, (Doyon

D., 2001) ou na ausência de lesão que capte produto de contraste paramagnético, de nove

lesões hiperintensas em T2.

Uma ou mais lesões infratentoriais;

Uma ou mais lesões justacorticais;

Três ou mais lesões periventriculares.

Ressonância Magnética

Nos últimos trinta anos, a Imagem por Ressonância Magnética tem sido cada vez mais utilizada

como uma técnica de imagem de radiação não ionizante com elevada sensibilidade em diferenciar

tecidos. Desta forma, a sua escolha torna-se preferencial face a outras técnicas de diagnóstico

(Bushberg, 2002).

O princípio físico de RM tem por base a interação de campos magnéticos, pulsos de radiofrequência

(RF) e núcleos atómicos. Mas só são átomos “ativos” em RM os que possuem núcleos magnéticos, ou

seja, que podem ser considerados como pequenos ímanes, sem orientação específica na ausência de

um campo magnético (Gil, 1987).

De todos os isótopos nucleares que dão sinal de ressonância magnética – 1H, 13C, 19F, 23Na e 31P

– o hidrogénio é o elemento preferencial para a aquisição de imagens, não só devido à sua abundância

por todo o corpo (quer sob a forma de água, quer na forma de gordura), mas também por transmitir

o maior sinal de IRM (Prasad, 2006).

O equipamento de RM, tal como qualquer equipamento de imagem médica é composto por um

computador para programação e armazenamento de dados e um monitor para visualização das

imagens. Possui um campo magnético principal, bobines de gradientes e bobines transmissoras e

recetoras de RF. O equipamento de RM é constituído por um magnete e uma mesa de exames. A

maioria dos magnetes são do tipo supercondutor, ou seja, são eletromagnetes compostos por fio

condutor capazes de produzir um campo magnético uniforme, para evitar distorções geométricas na

imagem e perda de resolução espacial e um campo homogéneo permitindo a obtenção de imagens

com elevada intensidade. Em alguns casos, são utilizadas antenas ou bobines dedicadas (de vários


tipos) para determinadas regiões anatómicas que permitem obter uma melhor SNR, podendo ser

transmissoras e/ou recetoras de RF (Lufkin, 1999). A Figura 2.3 ilustra um equipamento de RM.

Figura 2.3 – Equipamento de Ressonância Magnética da Philips Medical. Retirado de (Westbrook, 2011).

Para fins clínicos, a potência de campo magnético dos equipamentos de RM disponíveis varia entre

0.2 a 3.0 Tesla (T); já para fins de investigação são utilizadas potências de campo magnético acima

de 7.0 T (Lufkin, 1999; Westbrook, 2011).

2.4 Tratamento

Não existe nenhuma “cura” para a doença de EM. O tratamento medicamentoso da esclerose

múltipla ainda é motivo de discussão, contudo, as formas de tratamento propostas baseiam-se na

redução da atividade inflamatória e regulação do sistema imunológico, na tentativa de reduzir os

danos e controlar a progressão da doença.

Durante as crises, os medicamentos mais utilizados são os corticosteróides (metilprednisolona e

prednisona) em doses e intervalos de tempo variados. Para a forma remitente-recorrente, o uso do

interferon-B, com finalidade de retardar a história natural da doença, vem apresentando bons

resultados. Para os pacientes com a forma progressiva, os agentes imunossupressores como a

ciclofosfamida e mitoxantrona podem ser prescritos. No entanto, estes agentes apresentam uma

eficácia modesta e estão associados a altos níveis de toxicidade (Hafler DA, 2004).

2.5 Conclusões

A esclerose múltipla é cada vez mais uma doença que preocupa a população devido aos inúmeros

efeitos adversos e o facto de não possuir qualquer tipo de cura. O diagnóstico pode ser difícil de

detetar precocemente, uma vez que os sintomas são múltiplos e aparecem com intervalos de tempo

variados. A avaliação clínica e a utilização de exames complementares como a RM, surgem como o

meio mais eficaz para deteção e diagnóstico de lesões, permitindo aos médicos conclusões mais

precisas e atempadas acerca da doença. Deste modo, a aplicação de técnicas de processamento de

imagem surge como ferramenta importante para auxílio às técnicas imagiológicas.

Processamento e Análise de Imagem 9

Capítulo 3

Processamento e Análise de Imagem

As técnicas de processamento e análise de imagem têm-se evidenciado como ferramentas

extremamente úteis num vasto leque de aplicações. Uma das maiores vantagens da análise de imagem

reside na capacidade de eliminar a subjetividade da análise humana e na possibilidade de extrair

informações que seriam difíceis ou até mesmo impossíveis de se obter de outra forma. Acresce a este

facto também, a possibilidade de se evitarem tarefas extremamente tediosas ou demoradas para os

investigadores (Amaral, 2014). Nos últimos anos, tem-se verificado um grande desenvolvimento de

técnicas de análise de imagem em aplicações médicas, principalmente para diagnóstico de doenças.

O objetivo da análise de imagem é extrair informações úteis das imagens e relevantes para a

aplicação desejada. Em geral, as imagens adquiridas pelos dispositivos de captura e técnicas

especializadas, tais como Tomografia Computadorizada (TC), Ressonância Magnética (RM),

Ultrassonografia, entre outras, necessitam de transformações e realces para que se tornem mais

adequadas e se possa extrair o conteúdo de informação desejada com maior eficiência. Os

diagnósticos por imagem baseiam-se em medidas de volume, área, diâmetro ou análise da forma e

textura das estruturas (Siqueira, 2010).

O Processamento Digital de Imagens (PDI) é uma área da eletrónica/teoria de sinais em que as

imagens são convertidas em matrizes de números inteiros. Resumidamente, processar uma imagem

consiste em transformá-la sucessivamente com o objetivo de extrair a sua informação mais facilmente

(Siqueira, 2010), (Gonzalez RC, 2002). Este capítulo tem como objetivo apresentar alguns conceitos

sobre processamento e análise de imagem, fundamentais para o projeto de dissertação.

3.1 Enquadramento

A visão é o sentido mais avançado de todos os seres vivos tendo as imagens um papel muito

importante na perceção humana, melhorando a sua sobrevivência e condições de vida. A importância

deste sistema prende-se com a riqueza de informação que este faculta, não só em termos


quantitativos mas também qualitativos. Contudo, ao contrário da visão humana que é limitada à banda

visível do espectro eletromagnético, os computadores e aparelhos imagiológicos cobrem quase todo

o espectro. Assim, os aparelhos imagiológicos podem processar imagens geradas a partir de ultrassons,

microscopia eletrónica, imagens geradas por computador, entre outras técnicas. Nos últimos anos,

têm-se realizado vários estudos no sentido de implementação de sistemas computacionais que sejam

capazes de executar funções do sistema de visão que são normalmente encontradas nos sistemas

equivalentes dos seres vivos, e em especial no sistema visual humano. Assim sendo, o processamento

digital de imagem comporta um largo e variado campo de aplicações tais como: medicina, deteção

remota, astronomia, inspeção industrial, defesa, biometria, biologia, vigilância, exploração espacial,

análise de documentos e investigação criminal (Gonzalez RC, 2002) (Tavares, 2013).

Em Processamento e Análise de Imagem são normalmente consideradas quatro áreas principais de

atuação:

• Melhoramento ou realce de imagens: consiste na tentativa de melhorar e realçar

subjetivamente certas características de uma dada imagem, como por exemplo melhorar o

contraste e reduzir o ruído;

• Restauração de imagens: consiste na tentativa de restaurar a qualidade das imagens que

tenham sido degradadas por qualquer processo, como por exemplo distorção geométrica ou

movimento;

• Compressão de imagens: consiste na tentativa de representar uma imagem original de forma

mais simples e leve sem que ocorra perda de informação, requerendo assim menos recursos;

• Análise de imagens: consiste em descrever ou interpretar uma dada imagem ou sequência

de imagens de modo a medir, reconhecer e classificar uma imagem ou conjunto de imagens.

As três primeiras áreas costumam ser agrupadas na designação de Processamento de Imagem

enquanto que a última está mais ligada à Análise de Imagem, aparecendo muitas vezes associada à

área de Visão Computacional (Tavares, 2013). A visão computacional é uma técnica da computação

gráfica que tem por objetivo analisar e manipular uma imagem de modo a extrair informações

relevantes da mesma e classificá-la (Conci, 2008).

3.2 Processamento e análise de imagem biomédica

O sistema geral de processamento e análise de imagem biomédica deve ter três componentes

básicos: um sistema de aquisição de imagem, um computador digital e um ambiente de imagem -

Figura 3.1. O sistema de aquisição de imagem geralmente converte um sinal biomédico ou radiação

transportando a informação de interesse para uma imagem digital. Uma imagem digital é

representada por uma série de números digitais que podem ser lidos pelo computador de

processamento e exibidos como uma imagem multidimensional. A segunda parte do sistema de

processamento e análise de imagem biomédica é um computador usado para armazenar imagens


digitais para posterior processamento. Por fim, deve possuir um meio de exibição de imagem, onde

as imagens de saída podem ser visualizadas após o requerido processamento (Dhawan, 2003).

Figura 3.1 – Diagrama geral do sistema de análise de imagem biomédica. Retirado de (Dhawan, 2003).

3.3 Representação da Imagem Digital

Uma imagem monocromática é uma função bidimensional f(x,y) da intensidade luminosa, onde x

e y denotam coordenadas espaciais, que por convenção: x = [1,2,...,M] e y = [1,2,...,N], e a amplitude

de f em qualquer par de coordenadas (x,y) é chamada intensidade da imagem nesse ponto e é

proporcional ao brilho (ou nível de cinza) da imagem nesse ponto. Quando x,y e os valores de f são

quantidades discretas e finitas a imagem é chamada de digital (Gonzalez RC, 2002). As imagens

digitais são representações de uma imagem bidimensional, composta por um número finito de

elementos que representam todos os seus pontos. Cada elemento da imagem é chamado de pixel

sendo representativo de um valor e uma localização particular - Figura 3.2. A imagem digital pode ser

binária, monocromática, multi-banda ou colorida dependendo do teor de cada um dos pontos que a

compõem, em relação à sua descrição pode ser vetorial ou matricial (Conci, 2008).

Figura 3.2 - Exemplo de uma imagem monocromática de uma RM ao cérebro com destaque para uma região de

pequeno ROI da matriz de aquisição de 512×512 pixels. O número de pixels que compõem uma imagem determina

a sua resolução. Retirado de (Manjon, 2012).

3.3.1 Pixel e Conectividade

Um pixel é o elemento básico de dimensões finitas na representação de uma imagem digital.

Frequentemente, a organização de uma imagem sob a forma de uma matriz de pixels é feita numa

simetria quadrada. Quando um pixel não apresenta as mesmas propriedades em todas as direções


designa-se por anisotrópico. Esta propriedade faz com que um pixel tenha quatro vizinhos de borda e

quatro vizinhos de diagonal, possuindo conectividade B4 (considerando apenas os vizinhos de borda)

ou B8 (considerando os vizinhos de borda e os de diagonal). Como consequência, as distâncias entre

um ponto e as vizinhanças não é a mesma para qualquer tipo de vizinhança, é igual a 1 para vizinhos

de borda e √2 para os da diagonal (Gonzalez RC, 2002).

3.3.2 Região de Interesse

Entende-se como região de interesse (ROI - "Region Of Interest") a região definida

automaticamente a partir de parâmetros obtidos na própria imagem onde o processamento é

realizado. Podemos, por exemplo, definir uma região de interesse onde sabemos por antecedência

que a iluminação de fundo é constante ou foi corrigida (Gonzalez R.C., 1987).

3.4 Principais Etapas do Processamento de Imagem

Para a manipulação de imagens através de ferramentas computacionais é necessária a aplicação

de algumas etapas de processamento de imagens antes que o problema de reconhecimento e análise

de padrões seja abordado. Podemos considerar 4 etapas fundamentais no processamento e análise de

imagem: a aquisição, o pré-processamento, a segmentação e a análise de imagem - Figura 3.3

(Pedrini, 2007).

Figura 3.3 - Etapas fundamentais no processamento e análise de imagem e principais objetivos.

3.4.1 Aquisição

Para visualização e processamento de imagem é necessário que a imagem seja representada de

forma apropriada, como uma função contínua f(x,y) de duas coordenadas no plano numa matriz de M

linhas e N colunas (Sonka, 1998).

A aquisição de imagens médicas consiste em obter imagens do corpo humano através de

dispositivos de captura de imagens (scanners) que variam conforme o tipo de imagens de interesse,

Tomografia Computadorizada, Ressonância Magnética (Figura 3.4), Ultra-som, Raios-X, entre outras.

Esta etapa do processamento não é implementada em software e necessita de hardware

especializado.

Aquisição

• Obtenção das imagens a serem processadas

Pré-Processamento

• Melhoramento da qualidade da imagem e na sua adequação às fases posteriores

Segmentação

• Identificação de regiões similares

Análise e Reconhecimento

• Interpretação das informações das imagens


Figura 3.4 - Imagem de Ressonância Magnética: (a) cérebro, retirada de (Dhawan, 2003) e (b) medula espinhal,

retirada de (Compston, 2002).

Cada tipo de imagem é adquirido utilizando diferentes sensores e técnicas. Com poucas

exceções, todas as técnicas imagiológicas envolvem um mapeamento de uma cena 3D num

espaço 2D. O resultado final da maioria dos sensores utilizados para produção de imagem é

uma tensão contínua em forma de onda cuja amplitude e comportamento espacial estão

relacionadas com o fenómeno físico estudado. Para criar uma imagem, é necessária a conversão da

informação contínua adquirida em formato digital. O número de pixels usados para representar a

imagem e o número de níveis de quantificação usados para representar a intensidade dos mesmos são

as principais características de uma imagem (Acharya T, 2005).

Dependendo da necessidade da aplicação, as imagens podem ser adquiridas em preto e branco,

nível de cinza ou coloridas. As imagens a preto e branco são pobres em detalhes, mas têm a vantagem

de requerer pouco espaço de armazenamento e procedimentos de trabalho geralmente simples e

rápidos. As imagens em níveis de cinza têm uma escala que varia de 2 até 256 tonalidades. Quanto

maior a escala de níveis de cinza, maior é a riqueza de detalhes da imagem, porém também maior a

necessidade de espaço para o armazenamento e os procedimentos tendem a ser mais complexos e

lentos. As imagens coloridas ainda oferecem algumas restrições, devido a espaço de armazenamento

e velocidade de processamento (Sonka, 1998). Na Figura 3.5 podemos observar o nível de detalhes

presentes nos diferentes tipos de imagem. As imagens médicas apresentam grandes quantidades de

detalhes.

Figura 3.5 - (a) Imagem de Raios-X com baixo nível de detalhes. (b) Imagem de uma TC com uma grande

quantidade de pormenor. Retirada de (Rangayyan, 2005).

a) b)

a

)

b)


Embora existam vários cuidados na aquisição das imagens, ocorre sempre o aparecimento de

alguma informação indesejável. Quanto melhor a qualidade da imagem adquirida, mais fáceis e

rápidos serão os processamentos das fases posteriores.

3.4.2 Pré-processamento

As técnicas de pré-processamento abrangem as operações necessárias antes do processamento

de imagem, de modo a melhorar a qualidade da imagem ou suprimir informação irrelevante. Nesta

etapa, procura-se modificar e preparar valores dos pixels da imagem com o objetivo de facilitar as

operações subsequentes e obtenção de melhores resultados (Awcock, 1996).

O pré-processamento pode ser dividido em duas abordagens: realce e restauração de imagens. O

realce de imagens é utilizado para melhorar a qualidade da imagem ou enfatizar algum aspeto

particular na imagem. Os resultados podem produzir uma imagem muito diferente da original, alguns

aspetos poder ser sacrificados de forma a melhorar outros, exemplos são o aumento do contraste e

manipulação do histograma. A restauração consiste na reconstrução ou recuperação de uma imagem

que foi degradada usando algum conhecimento do fenómeno que originou a degradação e aplicando

o processo inverso para recuperar a imagem original. As funções de redução de ruído ou suavização

são consideradas técnicas de restauração porque envolvem a extração de características da imagem

(Awcock, 1996) (Gonzalez RC, 2002).

Estas técnicas envolvem duas categorias principais: métodos que operam no domínio espacial,

baseados em filtros que manipulam o plano da imagem e métodos que operam no domínio da

frequência, baseados em filtros que atuam sobre o espectro da imagem. Alguns exemplos deste tipo

de técnica é a subtração da imagem por uma imagem referência, a utilização de cores-falsas, a

utilização de filtros espaciais, a correção de deformações espaciais devido a ótica ou devido a uma

variação das diferentes iluminações de fundo, entre outras.

A Figura 3.6 ilustra um pré-processamento simples, a aplicação de equalização do histograma para

obtenção de melhor contraste e a aplicação de um filtro mediana para redução de ruído.

Figura 3.6 - Exemplo de um pré-processamento simples: (a) Imagem original destruída com ruído gaussiano, (b)

Imagem após aplicação de equalização do histograma para melhorar o contraste, e (c) Imagem após a aplicação

de um filtro mediana para redução do ruído. Retirada de (Arshad, 2013).

c) a) b)


3.4.3 Segmentação

A segmentação de imagem tem como finalidade subdividir uma imagem nos objetos ou regiões

que a constituem e que se diferenciam entre si, para que os pixels em cada região possuam um

conjunto idêntico de propriedades ou atributos (Acharya T, 2005). É usual denominar “objetos” da

imagem ao conjunto de pixels de interesse, ou que fornecem alguma informação para o

processamento de imagem e “fundo” ao grupo de pixels que podem ser desprezados ou que não têm

utilidade para o processamento. Estes atributos podem incluir níveis de contraste, valores espectrais

ou propriedades de textura (Gonzalez RC, 2002).

A segmentação é considerada a fase mais crítica do tratamento de informação, uma vez que é

nesta etapa que são definidas as regiões de interesse para posterior processamento e análise.

Quaisquer erros ou distorções refletem-se nas etapas seguintes e no resultado final. Esta etapa pode

ser muito simples se a imagem de interesse possuir poucos objetos bem definidos e com um bom

contraste em relação ao fundo, e muito complexa quando o objetivo é separar diversas regiões com

muito ruído e pouco contraste, como acontece normalmente em imagens médicas (Pedrini, 2007).

Os algoritmos clássicos utilizados em segmentação de imagem são baseados em duas

propriedades básicas dos valores de intensidade, a similaridade entre pixels, baseada em mudanças

bruscas nos valores de intensidade dos pixels da imagem e a descontinuidade, baseada na sua partição

em regiões semelhantes de acordo com um conjunto de características predefinidas (Pedrini, 2007).

Na Figura 3.7 observa-se a técnica de segmentação de modelo pontual de distribuição.

Figura 3.7 - Exemplo de uma etapa de segmentação utilizando a técnica de modelo pontual de distribuição

(modelo geométrico). Retirada de (Vasconcelos, 2003).

Deve ser ressaltado que não existe um modelo concreto e único para a segmentação de imagens,

cada processo é adaptativo às características particulares de cada tipo de imagem e aos objetivos

pretendidos. Apesar da existência de variadas técnicas de segmentação de imagens, existe na

atualidade uma constante procura e interesse no desenvolvimento de novas técnicas.

Algumas das técnicas utilizadas encontram-se descritas resumidamente na tabela 3.1.


Algumas das técnicas de

segmentação usadas: Descrição

Deteção de pontos e linhas;

Consiste na aplicação de uma máscara de convolução em que são

calculadas as diferenças ponderadas entre o ponto central e os seus

vizinhos. Pressupõe-se que um ponto isolado, cujo nível de cinza é

significativamente diferente dos seus vizinhos, será muito diferente da

sua vizinhança e por isso facilmente detetável (Edges, 2002).

Deteção de contornos e bordas;

Utiliza operadores que sejam sensíveis à mudança e consigam suprimir

áreas de níveis de cinza constante. A deteção de contornos requer uma

operação de filtragem que dê realce a mudanças nos valores de cada

pixel e que anulem áreas com valores constante (Edges, 2002).

Crescimento de regiões;

Consiste em indicar um ou mais pixels que serão usados como “semente”

(ponto inicial do processo) e determinar o valor da intensidade usando-o

para comparação (Siqueira, 2010).

Clustering;

É um método não supervisionado de classificação de pixels em

grupos ou “clusters” [54, 55], recorrendo à sua classificação a

partir da informação existente na imagem e de propriedades comuns

(Ashwini Gulhane PLP, 2012).

Operadores de Gradiente;

Os operadores de gradiente detetam contornos calculando o máximo e o

mínimo na primeira derivada da imagem. A derivada mostra o máximo

localizado no centro do contorno no sinal/imagem original. Este método

de localização de contorno ou orla é característico dos filtros de

gradiente (Green).

Binarização ou Thresholding;

Utiliza um ou mais valores limiares de valores de cinza para segmentar a

imagem. Estes valores são normalmente obtidos com a análise do

histograma da imagem em questão (Siqueira, 2010).

Processo de divisão e fusão

(split and merge);

Consiste na procura por homogeneidade na imagem. Uma imagem ou

região é homogénea quando todos os pixels possuem intensidade

semelhante ou igual ao valor médio de intensidade daquela região

(Siqueira, 2010).

Tabela 3.1 – Algumas das técnicas de segmentação utilizadas em Processamento e Análise de Imagem.

3.4.4 Análise e Reconhecimento

A etapa de análise e reconhecimento de imagens tem como objetivo a interpretação e

identificação automática dos objetos segmentados na imagem. O termo análise está relacionado com

o tratamento da informação presente na imagem. Esta fase é chamada de parametrização e é nela


que várias medidas quantitativas (parâmetros) são utilizadas para descrever diferentes informações

dentro de uma imagem (Portes de Albuquerque M., 2008).

Podemos dividir o processo de classificação em dois tipos: os métodos supervisionados e não

supervisionados. No método supervisionado, o classificador recebe informações de como as classes

devem ser identificadas, age sob a supervisão de um outro sistema de reconhecimento que identificou

anteriormente os objetos testes e permitirá a construção correta do seu espaço de medida e da sua

função discriminante. No método não supervisionado, o classificador receberá os objetos

desconhecidos e a partir da medida dos diferentes parâmetros (atributos dos objetos presentes na

imagem) tenta alocá-los em diferentes classes. A identificação de classes é usualmente realizada a

partir da identificação de agrupamentos em “clusters” de objetos (Esquef, 2003).

A maioria das metodologias computacionais existentes para seguir e analisar o movimento e/ou

deformação de objetos a partir de sequências de imagem são baseadas em procedimentos estatísticos,

estocásticos ou físicos. Exemplos de tais técnicas são as baseadas em modelações estatísticas

(modelos de distribuição pontual), filtragens estocásticas (filtro de Kalman e filtros derivados) e

modelações físicas (método dos elementos finitos) (Tavares, 2013).

3.5 Conclusões

As técnicas de processamento e análise de imagem têm-se evidenciado como ferramentas

extremamente úteis em várias aplicações. Na área médica, tem-se verificado nos últimos anos um

elevado desenvolvimento das mesmas para diagnóstico de doenças. O objetivo da análise de imagem

é extrair informações úteis das imagens e relevantes de modo a auxiliar os especialistas médicos. A

aquisição, o pré-processamento, a segmentação e a análise de imagem constituem as 4 etapas

fundamentais no processamento e análise de imagem. A aquisição consiste em obter imagens do corpo

humano através de dispositivos de captura de imagens (scanners) que variam conforme o tipo de

imagens de interesse. No pré-processamento o tamanho e intensidade da imagem são normalizados e

o ruído da imagem é reduzido. A fase de segmentação permite a identificação das lesões, a fim de

facilitar a deteção. Por fim, é possível detetar e analisar a localização da lesão.

Trabalhos Relacionados 18

Capítulo 4

Trabalhos Relacionados

Este capítulo aborda uma revisão do designado “estado da arte”, que consiste no conhecimento

científico e técnico existente acerca da temática. O capítulo apresenta alguns dos métodos e técnicas

utilizadas até ao momento por outros autores e disponíveis na literatura na etapa de pré-

processamento das imagens, essencial para a aplicação da segmentação. São apresentadas algumas

estratégias, com o objetivo de apontar os seus pontos fortes e fracos e sugerir novas técnicas.

4.1 Introdução

A deteção automática e segmentação de lesões de esclerose múltipla pode ajudar os médicos no

diagnóstico e acompanhamento do paciente, proporcionando a avaliação quantitativa da atividade

inflamatória e a carga das lesões. As imagens de ressonância magnética tornaram-se a ferramenta

paraclínica mais importante para o diagnóstico de EM, para a compreensão da história natural da

doença e monitorização da eficácia dos tratamentos experimentais (Rovira A, 2008). A segmentação

de lesões de forma precisa e robusta desempenha um papel fundamental, no entanto, o método

manual de deteção de lesões é muito demorado uma vez que o tamanho dos dados envolvidos na

maioria dos estudos é grande.

As lesões de EM aparecem com diferentes intensidades e formas de acordo com a sequência/corte

apresentada pela imagem de ressonância magnética. Deste modo, fazer segmentação automática

destas lesões é uma tarefa desafiadora. Várias técnicas de segmentação automatizadas têm sido

desenvolvidas, incluindo alguns algoritmos baseados em intensidade de vizinhanças k-mais próximos

(Lladó X, 2012). Tradicionalmente, estas abordagens baseadas em intensidade foram

computacionalmente desenvolvidas para resolver este problema e necessitadas para uma redução do

conjunto de aprendizagem e redução do tempo de computação (Petronella Anbeek, 2004).


A Figura 4.1 mostra exemplos de exames de ressonância magnética de um paciente com lesões de

esclerose múltipla.

Figura 4.1 – Imagens de RM de um corte axial do cérebro com lesões de EM: (a) imagem T1-W, (b) imagem T2-

W, (c) imagem DP-W, e (d) imagem FLAIR, respetivamente. Verifica-se que os tecidos moles são mais distinguíveis

na imagem T1-W, enquanto que as lesões são usualmente melhor avaliadas na sequência FLAIR e T2-W, sendo

estes dois tipos os mais utilizados para segmentação. Adaptada de (Lladó X, 2012).

Várias revisões de segmentação de RM ao cérebro foram apresentadas no passado. Por exemplo,

Bezdek e a sua equipa (Bezdek J.C., 1993) analisaram 90 trabalhos sobre segmentação de IRM

utilizando técnicas de reconhecimento de padrões. Os autores sugeriram dividir os algoritmos em duas

categorias: métodos supervisionados (tais como classificadores de Bayes com estimadores rotulados

de máxima verossimilhança, regra do vizinho k-mais próximo (kNN) e redes neuronais artificiais (RNA))

e métodos não supervisionados (ou seja, classificadores de Bayes sem estimadores rotulados de

probabilidade máxima ou algoritmos fuzzy C-means (FCM)). Clarke e colaboradores (Clarke L.P. ,

1995) revisaram não apenas métodos de segmentação de ressonância magnética, mas também

algoritmos gerais de pré-processamento, métodos de validação e registo entre as diferentes imagens

de RM. Mais tarde, Souplet e colaboradores (Souplet J., 2009) apresentaram uma revisão de métodos

semi-automáticos e automáticos de segmentação de lesões, analisando as lesões de EM, etapas de

pré-processamento e técnicas de segmentação.

Mais recentemente, vários autores (Lladó X, 2012), (García-Lorenzo D, 2013), (Cabezas M., 2014)

têm analisado o estado da arte de técnicas de segmentação na esclerose múltipla, concluindo que o

uso de um conhecimento a priori melhora os resultados. Esta informação é normalmente introduzida

de duas formas diferentes. Por um lado, uma estratégia comum consiste em integrar os tecidos

previamente para cada voxel da imagem através do registo de um modelo com cada imagem de teste,

denominada por atlas (Cabezas et al., 2011). Esse atlas define uma segmentação suave do cérebro

fornecendo uma probabilidade para cada voxel pertencer a uma determinada estrutura ou tecido. No

entanto, devido à variabilidade em termos de forma, tamanho e localização das lesões, a aproximação


pode ser feita através de um mapa de intensidades da imagem para ajudar na segmentação da lesão

de EM como proposto por Schmidt et al. (Schmidt P, 2012).

O efeito do pré-processamento da imagem é importante na segmentação, e muitas vezes não é

mencionado na literatura. No entanto, os efeitos de cada passo de pré-processamento pode afetar

cada método de forma diferente tornando difícil qualquer generalização. Alguns autores (García-

Lorenzo, 2008; Wei X., 2002) avaliaram os seus métodos, sob diferentes guias de pré-processamento

e verificaram que a sua interação é bastante complexa.

Por exemplo, a Figura 4.2 ilustra as diferentes sequências pré-processadas normalmente adquiridas

na realização dos exames, juntamente com a máscara de anotação das lesões contidas apenas no

corte demonstrado.

Figura 4.2 - Diferentes imagens pré-processadas de ressonância magnética do cérebro: (a) Imagem T1-w, (b)

imagem T2-w, (c) imagem PD-w, (d) imagem FLAIR e a sua (e) segmentação do tecido: o fluído cefalorraquidiano

(LCR) aparece a azul escuro, a substância cinzenta aparece a azul, a substância branca aparece a branco e as

lesões aparecem a vermelho. Retirado de (Cabezas M., 2014).

4.2 Pré-Processamento de Imagem

O pré-processamento refere-se a todas as alterações feitas à imagem antes da segmentação.

Para a maior parte, o objetivo de pré-processamento é o de minimizar o efeito de artefactos da

imagem e alinhar as diferentes sequências no mesmo espaço. A segmentação de imagens cerebrais de

RM é difícil devido aos parâmetros variáveis da imagem tais como intensidades que se sobrepõem,

ruído, volume parcial, gradientes, movimento, ecos, bordas confusas, variações anatómicas normais

e artefactos de suscetibilidade (Seghier M.L., 2008). Por conseguinte, antes da aplicação de qualquer

abordagem para a segmentação de lesões de EM, há geralmente duas etapas de pré-processamento

que são realizadas: em primeiro lugar, a remoção dos artefactos da imagem e em segundo lugar, a

remoção de tecido não-cerebral, tal como o crânio, a partir da imagem. Outras etapas de pré-

processamento opcionais podem ser aplicadas, tais como a equalização dos tecidos cerebrais suaves

ou de registo entre as diferentes imagens de RM. Nesta seção, essas etapas são descritas

resumidamente (Lladó X, 2012).

O próprio processo de captura de imagens através de ressonância magnética acarreta vários

artefactos (tais como artefactos de fluxo e movimento, artefactos de suscetibilidade, efeitos de

volume parcial, a função de ponto de propagação de diferentes sequências de pulsos, etc), conduzindo


a uma segmentação imprecisa. No entanto, do ponto de vista do processamento de imagem, é comum

para simplificar todos estes problemas (Sled J., 1998), definir as intensidades, Y de cada voxel como:

Y = aX + β ,

(4.1)

onde X é a intensidade real, 𝑎 é um campo de polarização multiplicador suave que provoca falta de

homogeneidade de intensidade devido à sensibilidade da bobina de receção e β representa o ruído

aditivo. Enquanto se assume muitas vezes que β segue uma distribuição Gaussiana, tem havido

abordagens diferentes para a correção do campo de polarização de 𝑎. Esta é uma questão importante,

pois pixels pertencentes a diferentes tecidos podem ser atribuídos com o mesmo valor de nível de

cinza quando variando este termo. Dois estudos diferentes foram recentemente revistos como

diferentes maneiras de superar este problema da etapa de pré-processamento (Hou Z., 2006) (Vovk

U., 2007). Ambos os estudos classificam esses métodos em vários grupos: baseados em segmentação,

filtragem, superfície de adaptação, histograma e outras técnicas específicas. No entanto, tal como

apontado por Hou (Hou Z., 2006), nenhum dos métodos se tem demostrado ser superior a outros e

exclusivamente aplicável.

No estudo de Cabezas e colaboradores, foi utilizada a pipeline de pré-processamento apresentada

na Figura 4.3 antes da aplicação da técnica de segmentação (Cabezas M., 2014). Em primeiro lugar,

o crânio é removido; em segundo lugar, o ruído e a heterogeneidade de intensidades são reduzidos;

depois, um atlas é registado para as imagens corrigidas; e finalmente, as imagens são normalizadas

para todos os pacientes.

Figura 4.3 – Esquema da pipeline de pré-processamento usada por Cabezas e seus colaboradores. Retirado de

(Cabezas M., 2014).

4.2.1 Remoção do crânio

A presença de tecidos não-cerebrais afeta distribuições de intensidade na imagem (Roura E,

2014). A remoção do crânio é mais um passo de pré-processamento importante visto que a gordura,

crânio, pele e outros tecidos não-cerebrais podem causar erros de classificação em algumas


abordagens devido às semelhanças de intensidade com estruturas do cérebro (Datta S., 2011). Este é

também o caso de estruturas subcorticais do cérebro, onde a análise avançada não é facilmente

aplicável uma vez que as características de intensidade que se sobrepõem entre as diferentes

estruturas pode reduzir a fiabilidade dos métodos de segmentação automatizados. Não é ainda clara

como a função de densidade de probabilidade de cada tecido principal é alterada por essas

intensidades externas, mas os resultados de segmentação são geralmente melhorados quando esses

voxels são mascarados. Assim, decidiram aplicar o algoritmo BET para remover estes tecidos. O

algoritmo BET é uma ferramenta da toolbox FSL (Jenkinson M, 2012), disponível livremente com base

em imagens de T1-w e é amplamente utilizado no processamento de RM.

Duas obras foram recentemente analisadas e comparadas para extrair regiões do cérebro a partir

de imagens de RM. O primeiro estudo, realizado por Boesen et al. (Boesen K., 2004), compararam

quatro sistemas: Statistical Parametric Mapping (SPM2) (Ashburner J., 2000), Brain Extraction Tool

(BET) (Smith S.M., 2002), Brain Surface Extractor (BSE) (Shattuck D.W., 2001) e Minneapolis

Consensus Strip (McStrip) (Rehm K., 2004). Os sistemas foram validados através de três conjuntos de

dados de imagens T1-w. O segundo estudo, realizado por Hartley et al. (Hartley S.W., 2006),

compararam apenas a precisão da BET e BSE em 296 imagens PD-W. Em ambos os estudos, as

segmentações manuais foram usadas como o ''padrão de ouro''. Boesen et al. (Boesen K., 2004)

concluiu que a McStrip - que é um algoritmo híbrido que incorpora limiar de intensidade, deformação

não-linear e deteção de borda - consistentemente superou SPM2, BET, e BSE. Outros estudos (Johnston

B., 1996) (Wu Y., 2006) também sugerem executar a tarefa de remoção de regiões antes de aplicar a

correção de não-homogeneidade. Deste modo, a correção seria realizada apenas nos voxels

pertencentes aos tecidos cerebrais internos.

4.2.2 Correção e redução de ruído

Seguindo este modelo, o primeiro passo para recuperar os valores de intensidade real é eliminar

(reduzir) o sinal de ruído. Portanto, após a remoção do crânio, utiliza-se um filtro de difusão

anisotrópica, que tende a preservar bordas sobre as regiões mais suaves de acordo com a magnitude

do gradiente em cada ponto. Este filtro está publicamente disponível como parte do software Insight

Toolkit (ITK) e implementado como uma versão dimensional N da equação de difusão anisotrópica

clássica de Perona e Malik para imagens escalares (Perona P, 1990).

Tal como Lladó et al., Cabezas et al. usa o mesmo método para definição de intensidades e

análise de homogeneidade de intensidades. Após a redução de ruído, a única questão a partir da

Equação 1 que resta é o campo de polarização multiplicativo. Entre os vários algoritmos de correção

que lidam com este campo multiplicativo suave, o mais conhecido é a normalização não-uniforme

não-paramétrica (N3) (Sled J., 1998) e que se tornou num padrão para uma variedade de estratégias

de aquisição de imagem. Recentemente, Tustison et al. propuseram duas melhorias para este método

e uma nova implementação designada de Nick´s N3 (N4) baseado na biblioteca ITK (Tustison NJ,


2010). Estas duas grandes mudanças afetam a modelação B-splines e o esquema de otimização

iterativo. Deste modo, foi utilizado o filtro de correção N4 fornecido como parte da biblioteca ITK,

combinado com o filtro de difusão anisotrópica para recuperar a intensidade original da imagem (Y).

4.2.3 Normalização inter-sujeito

Em cada abordagem de classificação, os conjuntos de dados devem ser normalizados, a fim de

manter os dados no mesmo intervalo. Neste caso, são obtidas imagens de diferentes pacientes com

diferenças de intensidade iniciais que são intensificadas após a aplicação da redução de ruído e

correção de influências. Estas diferenças entre os perfis de intensidade podem causar erros de

classificação das lesões, uma vez que estas não têm os mesmos valores de intensidade para cada

paciente. Assim, Cabezas et al. propuseram a aplicação de um algoritmo de normalização inter-

sujeito focado no histograma de intensidade de cada paciente. Inicialmente, uma imagem do modelo

é escolhida aleatoriamente, a imagem correspondente ao histograma vai ser utilizada como um

modelo para as outras imagens na mesma base de dados. Posteriormente, todas as outras distribuições

da imagem são comparados com este histograma usando o método proposto por Nyúl et al. (Nyúl LG,

2000) e implementado como parte da biblioteca ITK. Este algoritmo calcula os pontos de referência

do histograma (que podem ser tanto picos, vales ou um valor concreto) para as imagens a serem

combinadas e cria uma tabela de consulta para transformar as intensidades a partir de uma imagem

para outra. Enquanto a anatomia e lesões do cérebro podem alterar de paciente para paciente, as

percentagens de tecido são basicamente as mesmas para cada paciente e o volume relativo das lesões

em comparação com o cérebro inteiro é pequeno. Portanto, a forma de histogramas é basicamente a

mesmo entre indivíduos diferentes e nenhum artefacto é criado a partir deste procedimento (Cabezas

M., 2014).

4.2.4 Registo de Atlas

O registo é o processo de transformação das diferentes imagens no mesmo sistema de

coordenadas, de tal modo que o voxel localizado nas mesmas coordenadas em todas as imagens

represente o mesmo local físico (Diez et al., 2014). Além disso, o atlas contém uma segmentação

probabilística dos tecidos do cérebro e, portanto, uma vez que as imagens tenham sido registadas, a

probabilidade de pertencer a cada tecido cerebral é atribuída a cada voxel.

O registo rígido é geralmente suficiente quando se lida com aplicações médicas intra-sujeito,

tais como estudos temporais do mesmo sujeito (Lladó X, 2012) (Ganiler O, 2014) . No entanto, quando

se trata de aplicações inter-sujeitos, como o atlas de correspondência, os algoritmos não-rígidos

podem explicar as variações locais anatómicas entre o modelo e o cérebro, assunto que os métodos

globais não conseguem reproduzir (Klein A, 2009). Cabezas et al., decidiram implementar com ITK

um dos métodos mais comuns com base numa abordagem multi-resolução (Rueckert D, 1999) com um


alinhamento inicial usando transformações globais para alinhar o modelo de atlas e fazer a varredura

do paciente, seguido por uma transformação B-spline multi-resolução.

4.3 Conclusões

Através deste capítulo pode-se concluir que este é um tema bastante estudado e com grande

evolução. A deteção automática e segmentação de lesões de EM pode ajudar os médicos no

diagnóstico e acompanhamento do paciente. Estas surgem como uma técnica desafiadora uma vez

que as lesões de esclerose múltipla possuem diferentes intensidades e formas de acordo com a

sequência/corte apresentada pela imagem de ressonância magnética. Vários métodos têm sido

descritos e avaliados ao longo dos anos. A etapa de pré-processamento revela-se como uma das mais

importantes para vários investigadores, uma vez que o seu objetivo é minimizar os efeitos de

artefactos da imagem e obter a melhor informação possível da imagem. A remoção dos artefactos da

imagem e a remoção de tecido não-cerebral são algumas das técnicas fundamentais.

Trabalho Experimental 25

Capítulo 5

Trabalho Experimental

Neste capítulo será apresentada uma breve descrição das diferentes metodologias

implementadas no Trabalho Experimental para melhoramento das imagens de ressonância magnética.

As operações de imagem são usadas para a realização de várias técnicas de processamento tais como:

realce de imagem, eliminação de ruído, binarizacao, deteção de orlas, cálculo de histograma e

projeções, cálculo de transformadas, entre outras.

5.1 Correção Gama

A correção gama é utilizada, na área da computação gráfica, para corrigir o brilho,

principalmente, de imagens que são exibidas num ecrã de computador. Este é um método

desenvolvido para manter a claridade ou escurecimento de uma imagem conforme o que seja

pretendido. É uma correção em que a intensidade do valor de cada cor é ajustada a uma curva que

compensa irregularidades, permitindo o ajuste do contraste da imagem. O valor gama especifica o

formato da curva descrita entre a relação dos novos e antigos valores mapeados. O valor gama pode

ser maior ou menor do que 1, caso seja menor do que 1, o resultado do mapeamento será mais

luminoso, se o valor gama for superior a 1, a imagem torna-se mais escura (Gonzalez RC, 2002).

5.2 Filtragem Espacial

A filtragem no domínio espacial é uma técnica de processamento de imagens que normalmente

manipula os valores de uma vizinhança para modificar a imagem digital, atuando diretamente nos

pixels de uma imagem. A filtragem espacial pode ser dividida em dois grupos: operadores lineares,

tais como passa-alto, passa-baixo e de realce, e operadores não-lineares, tais como filtro de média,

mediana, Gaussiano, entre outros.


Quando uma imagem f(x,y) é convoluída com um operador linear h(x,y), a imagem resultante é

dada por:

g(x, y) = h(x, y) ∗ f(x, y) (5.1)

O teorema de convolução diz que a convolução no domínio espacial é equivalente à multiplicação

no domínio das frequências (Acharya T, 2005). Isto implica que:

G(u, v) = H(u, v)F(u, v)

(5.2)

onde G(u,v), H(u,v), e F(u,v) são as transformadas de Fourier de g(x,y), h(x,y), e f(x,y)

respetivamente.

A melhoria de imagem no domínio das frequências faz-se através de filtragem passa-baixo, passa-

alto e passa-banda da imagem original, através da computação da Transformada de Fourier da imagem

original (Gonzalez RC, 2002).

5.2.1 Filtros de Realce

Filtro Passa-Baixo – As altas frequências na imagem são atenuadas através de uma

operação de média, produzindo um efeito de suavização. Este tipo de filtragem é útil na remoção de

ruído visual, que normalmente surge como pontos de alto brilho na imagem, e estruturas subtis

provocando nas imagens uma perda de precisão.

Filtro Passa-Alto – Neste tipo de filtros, obtém-se uma imagem em que as

componentes espaciais baixas são atenuadas. Este tipo de filtragem é utilizado para realce de bordos

ou contornos uma vez que estes estão relacionados com as altas frequências da imagem (Gonzalez

RC, 2002) (Acharya T, 2005).

Filtro Passa-Banda - Seleciona um intervalo de frequências do sinal (banda de

frequência) para ser realçado, removendo, ou atenuando componentes fora da faixa selecionada.

Figura 5.1 - Esquema representativo de filtro passa-baixo, passa-alto e passa-banda. Retirado de (Campilho,

2016).


5.2.2 Filtro de Média

O filtro de média é implementado através de uma operação local de média onde o valor de cada

pixel é substituído pela média de todos os valores na sua vizinhança local. Em geral, num filtro de

média, as ponderações utilizadas são valores iguais representado por:

g(m, n) =1

𝑁 ∑ ∑ f (m − k, n − 1), (k, 1) ∈ W (5.3)

onde N é o número de pixels na vizinhança de W.

Este tipo de filtro também pode ser implementado como um filtro de convolução, sendo que os

pesos dos coeficientes da máscara de convolução têm que ter obrigatoriamente valores idênticos. O

tamanho da vizinhança N controla a quantidade de filtragem. Quanto maior for o grau de filtragem,

mais influência da vizinhança o pixel sofre e consequentemente maior a quantidade de redução de

ruído e de perda de detalhes na imagem (Gonzalez RC, 2002).

5.2.3 Filtro Mediana

O filtro de mediana consiste em substituir a intensidade de cada pixel pela mediana das

intensidades na sua vizinhança, permitindo uma atenuação dos ruídos presentes na imagem. Este

filtro realiza uma operação não linear, sendo designado de operador de ordem, Figura 5.2, devido ao

facto de estabelecer uma ordem nos valores da imagem abrangidos pela máscara de filtragem

(Gonzalez RC, 2002).

Figura 5.2 - Esquema representativo de um filtro de mediana. Os valores dos pixels contidos na vizinhança

predefinida são ordenados. Retirado de (Campilho, 2016).

Esta operação pode ser representada por:

v(m, n) = median [y(m − k, n − 1), (k, 1) ∈ W ]

(5.4)

Uma das vantagens deste tipo de filtragem é manter os principais detalhes da imagem, sendo útil

na remoção de pontos isolados. O filtro considera cada pixel da imagem e compara-o com os pixels

vizinhos de forma a determinar se o seu valor é representativo ou não para a vizinhança (Acharya T,

2005).

5.2.4 Filtro Gaussiano

Os filtros Gaussianos são filtros passa-baixo em convolução 2D, usados para suavizar as imagens e

remover o ruído e detalhe, dado pela expressão:

H(u, v) = 𝑒−𝐷2 (u,v)/2𝜎 2 (5.5)


onde D(u,v) é a distância da origem da transformada de Fourier e σ é o desvio padrão da curva

Gaussiana (Gonzalez RC, 2002).

5.2.5 Filtro Laplaciano

O Laplaciano L(x,y) de uma imagem com valores de intensidade de pixels f(x,y) é dado por:

L(x, y) = ∂2

f

∂x2 + ∂

2f

∂y2 (5.6)

O filtro Laplaciano enfatiza regiões de descontinuidade e suaviza regiões de variação lenta de

níveis de intensidade, é dado pela expressão:

g(x, y) = f(x, y) + c [∇2 f(x, y)]

(5.7)

em que f(x, y) e g(x, y) são as imagens de entrada e saída, c é uma constante (c = −1 se o centro da

máscara for negativo e c = 1, caso contrário) (Gonzalez RC, 2002).

5.3 Operadores de Gradiente

Para deteção de contornos e orlas é necessário a utilização de operadores que sejam sensíveis às

mudanças, deste modo são usados filtros de gradiente tais como Sobel, Canny, Prewitt e Roberts, de

forma a extrair as derivadas da imagem. Estes operadores requerem o uso de duas máscaras, uma

para obter o gradiente na direção X e outra para obter o gradiente na direção Y (Daponte J., 1988).

Os operadores de gradiente detetam contornos calculando o máximo e o mínimo na primeira

derivada da imagem. A derivada mostra o máximo localizado no centro do contorno no sinal/imagem

original. Um pixel estará localizado num contorno ou orla se o valor do seu gradiente excede um dado

limite (Thomé, 2016).

5.3.1 Operador de Canny

O filtro de Canny é um filtro de convolução que usa a primeira derivada, com o objetivo de suavizar

o ruído e localizar os contornos, combinando um operador diferencial com um filtro Gaussiano. Este

operador é regulado através da maximização da razão sinal/ruído do gradiente, do fator de

localização do contorno que assegura uma deteção o mais eficaz possível, e minimizando o número

de respostas a um único contorno. O tamanho do filtro Gaussiano e os limiares (Thresholds) usados

afetam diretamente os resultados deste operador (Canny, 1986).

5.3.2 Operador de Roberts

O operador de Roberts é o mais antigo e simples algoritmo de deteção de bordas, utilizando 2

máscaras de convolução 2x2 (Figura 5.3). O operador de Roberts calcula o gradiente cruzado, isto é,

em vez de calcular as diferenças de valores de brilho na direção vertical e horizontal, fá-lo numa


direção de rotação de 45º. Como resultado da sua aplicação, obtém-se uma imagem com altos valores

de nível de cinza, em regiões de contrastes bem definidos e valores baixos em regiões de pouco

contraste, sendo 0 para regiões de nível de cinza constante. Uma desvantagem deste operador é a

sua assimetria, uma vez que se verifica que certas bordas são mais realçadas que outras, mesmo tendo

magnitude igual (Thomé, 2016).

5.3.3 Operador de Sobel

O operador de Sobel calcula o gradiente da intensidade da imagem em cada ponto, dando

a direção da maior variação de claro para escuro e a quantidade de variação nessa direção. Tem a

particularidade de realçar linhas verticais e horizontais mais escuras que o fundo, sem realçar pontos

isolados (Thomé, 2016). Este operador utiliza 2 máscaras de convolução 3x3, sendo uma das máscaras

para estimar o gradiente na direção de x e outra em y, Figura 5.3.

5.3.4 Operador de Prewitt

O operador de Prewitt

é muito semelhante ao de Sobel, além de diferenciar, suaviza a imagem, atenuando os efeitos

negativos do ruído. Este encontra as bordas utilizando uma aproximação da derivada e retorna as

mesmas onde o gradiente da imagem é máximo (Thomé, 2016).

Figura 5.3 – Máscaras dos gradientes de Roberts, Prewitt e Sobel. Retirado de (Campilho, 2016).

5.4 Equalização do histograma

O histograma é uma representação da distribuição da frequência de ocorrência de diferentes

níveis de cinza numa imagem. O histograma de uma imagem digital com níveis de cinza no intervalo

[0, L-1] é uma função discreta h(rk)=nk, onde rk é o kº nível de cinza e nk é o número de pixels na

imagem com esse valor de intensidade. Existem algumas informações que podem ser retiradas do

histograma, tais como o nível de intensidades, gama dinâmica, contraste, informação estática (média,

desvio padrão), entre outras (Gonzalez RC, 2002).

O histograma fornece primariamente a descrição global da imagem. Se o histograma da imagem

é estreito, significa que a imagem é pouco visível, pois a diferença nos níveis de cinza presente na

imagem é baixa. Uma distribuição uniforme dos níveis de cinza significa um maior contraste e uma

melhor visibilidade (Acharya T, 2005).

A equalização de histograma é uma técnica que consiste numa redistribuição dos níveis de cinza

a fim de obter um histograma tão uniforme quanto possível. Sendo a variável r, um valor variável no

https://pt.wikipedia.org/wiki/Direc%C3%A7%C3%A3o


intervalo de [0:1], que indica o nível de cinza de uma imagem, sendo r = 0 correspondente ao preto

e r = 1 correspondente ao branco, a transformação (5.8):

𝑠 = 𝑇(𝑟) (5.8)

produz um nível s para cada pixel na imagem original. É assumido que T(r) é uma função

de valor único, tomando valores e aumentando uniformemente no intervalo de [0:1], preservando a

ordem da cor preta para o branco na escala de cinza e garantindo consistência ao longo do intervalo

(Acharya T, 2005).

A Equalização Adaptativa com Contraste Limitado (CLAHE) é uma técnica em que há a

possibilidade de sobre melhoramento da imagem. Esta técnica particiona a imagem em várias regiões

e aplica a equalização do histograma localmente a cada região e não à imagem total, permitindo um

melhoramento do ruído existente (Acharya T, 2005).

5.5 Conclusões

As técnicas apresentadas neste capítulo têm como principal objetivo o melhoramento das

imagens adquiridas. A técnica de correção gama permite o ajuste do contraste da imagem, para que

a imagem não seja demasiadamente clara nem escura e para que seja homogénea. A aplicação de

diferentes filtros para remoção de ruído bem como a avaliação das intensidades dos pixels através do

método de equalização do histograma são algumas das etapas escolhidas e essenciais para aplicação

da etapa de pré-processamento.

Implementação, Resultados e Discussão 31

Capítulo 6

Implementação, Resultados e Discussão

Neste capítulo vai ser apresentada a aplicação prática da teoria apresentada nos capítulos

anteriores referentes ao melhoramento de imagens para uma melhor análise e estudo. Foram

utilizadas imagens de RM provenientes de doentes com esclerose múltipla e estudadas através do

programa MATLAB. Para todas as imagens foram aplicados vários algoritmos, como correção gama,

equalização do histograma, operações de filtragem e deteção de orlas, a fim de avaliar o seu

desempenho. Os algoritmos estudados foram testados para diversas imagens, contudo neste relatório

serão apresentados apenas seis casos.

6.1 Aquisição de imagens de RM

No âmbito deste trabalho e como um primeiro contacto com a temática proposta para a

dissertação, foi-me possível deslocar à Unidade de Ressonância Magnética do Hospital de São João,

Porto para uma melhor compreensão da técnica e monitorização dos instrumentos de RM, bem como

análise de casos relacionados com esclerose múltipla.

Para o presente estudo, foram estudados vários casos reais de esclerose múltipla, de imagens de

RM nas diversas ponderações (T1-w, T2-w, PD-w e FLAIR) e nos planos axial, sagital e coronal,

gentilmente cedidas pelo Hospital de São João, Porto.

As imagens utilizadas encontram-se no formato de ficheiros DICOM (Digital Imaging and

Communications in Medicine) que consiste numa norma internacional que define os formatos e

processos de armazenamento e transmissão de imagem médica digital. As imagens DICOM contêm

informações tais como: tamanho, dimensão, modalidade utilizada para a criação da imagem,

parâmetros utilizados na formação, tipo de estudo efetuado e informações sobre o paciente.


Os algoritmos foram estudados e implementados no sistema MATLAB, MATrix LABoratory, que

consiste numa linguagem de computação de alto-nível e ambiente de desenvolvimento de algoritmos,

análise e visualização de dados, e computação numérica (Matlab, 2016).

Dos vários casos analisados, neste relatório serão apenas apresentados seis casos reais, Figura

6.1. Para cada paciente, foram selecionados os cortes centrais correspondentes ao plano axial, onde

as lesões de esclerose múltipla se tornam mais evidentes nas zonas adjacentes aos ventrículos laterais

(periventriculares). Nas imagens, verifica-se a presença de lesões de EM periventriculares e a

presença de hipersinal representado pelas áreas brancas em torno dos ventrículos.

Figura 6.1 – Imagens FLAIR de RM de indivíduos com lesões de EM, no plano axial, localizadas ao nível dos

ventrículos laterais: A) Indivíduo 1, género masculino, 36 anos; B) Indivíduo 2, género feminino, 43 anos; C)

Indivíduo 3, género feminino, 39 anos; D) Indivíduo 4, género feminino, 57 anos; E) Indivíduo 5, género feminino,

50 anos; F) Indivíduo 6, género masculino, 40 anos. Observa-se a presença de lesões de EM periventriculares e

com hipersinal (áreas brancas à volta dos ventrículos).

Na seguinte tabela 6.1 estão representadas as características principais das 6 imagens

apresentadas, ou seja, dos 6 casos reais de pacientes com esclerose múltipla.

A B

D E

C

F


Imagens Género Idade Largura Altura Bits por

pixel

Espessura

de corte

Espessura

entre cortes

Força do

Campo

Magnético

1 Masculino 36 anos 424 512 16 bits 5 mm 6 mm 3 T

2 Feminino 51 anos 464 512 16 bits 5 mm 6 mm 3 T




6 Masculino 40 anos 424 512 16 bits 5 mm 6 mm 3 T

Tabela 6.1 – Características das 6 imagens testadas.

6.2 Melhoramento de Imagem

Existem vários tipos de lesões ao nível da esclerose múltipla: periventricular, justacortical,

infratentorial ou da medula espinhal; neste estudo são exploradas as lesões periventriculares. Estas

lesões são difíceis de detetar devido aos parâmetros variáveis da imagem tais como intensidades que

se sobrepõem, ruído, volume parcial, gradientes, movimento, ecos, bordas confusas, variações

anatómicas normais e artefactos de suscetibilidade.

O aperfeiçoamento/melhoria de imagem consiste num conjunto de técnicas que visam melhorar

a aparência visual de uma imagem ou para convertê-la para uma forma mais adequada para análise

humana ou computacional. As técnicas a seguir descritas correspondem a alguns dos algoritmos mais

comuns e utilizados para melhorar as imagens e as suas características para posterior segmentação.

Na figura seguinte, Figura 6.2, apresenta-se um fluxograma representativo das diferentes

técnicas aplicadas para melhoramento de imagem.

Imagem 6.2 – Fluxograma das diferentes técnicas aplicadas para melhoramento de imagem.


6.2.1 Remoção do Crânio

Tal como mencionado no capítulo Estado da Arte, uma das primeiras etapas de pré-

processamento das imagens de RM é a remoção de tecidos não-cerebrais. Deste modo, através do

algoritmo BET presente na toolbox FSL foi aplicada a extração dos mesmos, nomeadamente do crânio.

Inicialmente são estimados alguns parâmetros simples da imagem, de modo a avaliar a

intensidade mínima e máxima da imagem. É realizada a técnica de histograma e de binarização da

imagem de modo a averiguar os valores externos correspondentes aos tecidos que não se pretendem

na imagem. De seguida é aplicada a operação morfológica de erosão à imagem binarizada. Os

resultados obtidos para este algoritmo encontram-se presentes na Figura 6.3.

Figura 6.3 – Aplicação do algoritmo BET para remoção do crânio às imagens originais de RM no plano axial de

indivíduos com EM: A) Indivíduo 1; B) Indivíduo 2; C) Indivíduo 3; D) Indivíduo 4; E) Indivíduo 5; F) Indivíduo 6.

Através da figura 6.3 observa-se que este algoritmo permite a extração dos tecidos não cerebrais

presentes na imagem, bem como de algum ruído presente nas mesmas. Verifica-se que esta técnica

fornece uma imagem mais nítida com menor ruído e melhores resultados para posterior segmentação.

E

A

D F

B C


6.2.2 Correção Gama

Após remoção do crânio, o primeiro algoritmo utilizado foi a Correção Gama, que permitiu ajustar

o brilho da imagem de acordo com a luminosidade pretendida de modo a que não ficassem muito

esbranquiçadas nem muito escuras. Como o objetivo é identificar as lesões representadas nas imagens

pela cor branca, utilizou-se o valor de gama superior a 1 tornando a imagem mais escura e as lesões

mais percetíveis. Verificou-se que após a aplicação da correção gama às imagens, estas ficaram com

melhor qualidade e evidência das lesões, tornando-se bastante útil para o melhoramento da imagem

original.

A figura 6.4 demonstra a aplicação deste algoritmo com valor de gama igual a 1.7.

Figura 6.4 – Aplicação do algoritmo correção gama às imagens anteriormente obtidas de RM de indivíduos com

lesões de EM, no plano axial, localizadas ao nível dos ventrículos laterais: A) Indivíduo 1; B) Indivíduo 2; C)

Indivíduo 3; D) Indivíduo 4; E) Indivíduo 5; F) Indivíduo 6.

6.2.3 Filtragem Espacial

A filtragem no domínio espacial é uma técnica que manipula os valores de uma vizinhança para

modificar a imagem. No sentido de suavizar e remover o ruído da imagem, foram aplicados os filtros

de média, mediana, Gaussiano e Laplaciano de modo a avaliar o seu desempenho e eficácia.

BA

A

D E

C A

A

F


a) Filtro de Média

O filtro de média é implementado através de uma operação local onde o valor de cada pixel é

substituído pela média de todos os valores na sua vizinhança. Alterando a dimensão da janela

utilizada, único parâmetro, verifica-se que quanto menor for a janela utilizada melhores são os

resultados e maior é a aproximação à imagem original. À medida que aumenta a janela, aumenta o

número de pixels que vão contribuir para a obtenção do resultado final e verifica-se alguma distorção

e perda de nitidez à imagem, causando uma grande redução de informação.

A Figura 6.5 representa a aplicação do filtro de média às imagens de RM com uma dimensão de

janela de 3.

Figura 6.5 – Aplicação do filtro de média às imagens anteriormente obtidas de RM de indivíduos com lesões de

EM, no plano axial, localizadas ao nível dos ventrículos laterais: A) Indivíduo 1; B) Indivíduo 2; C) Indivíduo 3; D)

Indivíduo 4; E) Indivíduo 5; F) Indivíduo 6.

b) Filtro Mediana

O filtro de mediana atribui a cada ponto o valor mediano para uma determinada janela utilizada,

permitindo uma atenuação dos ruídos presentes na imagem. O resultado da sua aplicação é a

F E D

C

A

B

A A

A


suavização da imagem original, que se acentua quanto maior for o tamanho da janela utilizado. Com

o filtro de mediana obtém-se melhores resultados que com o de média. Este, além de contribuir para

a eliminação do ruído, preserva melhor as orlas que o filtro de média, como se pode verificar pelas

imagens.

Verifica-se que este filtro permite a remoção de alguns pontos ou linhas isoladas, preservando a

resolução espacial da imagem. Os resultados obtidos para este filtro com uma dimensão de janela de

3 encontram-se presentes na Figura 6.6.

Figura 6.6 – Aplicação do filtro de mediana às imagens anteriormente obtidas de RM de indivíduos com lesões de



c) Filtro Gaussiano

Este tipo de filtro recebe como parâmetros a dimensão da janela e um valor para o desvio padrão

máximo (sigma). Este filtro aplica uma suavização à imagem original que é tanto mais visível quanto

maior for o desvio padrão sigma considerado, não dependendo muito do tamanho da janela utilizado.

Observa-se que quanto maior o sigma, maior o número de pixels cujo valor é diferente de zero,

refletindo-se numa maior suavização da imagem.

A

A B

A

C

A

D

A

E

A F

A


A aplicação do filtro Gaussiano com dimensão da janela de 3 e sigma de 6 encontra-se presente na

Figura 6.7.

Figura 6.7 – Aplicação do filtro Gaussiano às imagens anteriormente obtidas de RM de indivíduos com lesões de



d) Filtro Laplaciano

Este filtro tem como único parâmetro alpha, que controla a forma dos coeficientes do filtro

Laplaciano. Verifica-se que a diminuição do valor de alpha se traduz numa ligeira melhoria na

obtenção dos contornos dos objetos, funcionando como um bom método para obtenção dos mesmos.

Os resultados obtidos para o filtro Laplaciano com alpha igual a 0.2 são apresentados na Figura 6.8.

Verifica-se através da Figura 6.8 que a aplicação deste filtro produz uma imagem mais escura e

bastante esbatida, resultando em perda de alguma informação e grande atenuação das intensidades.

O efeito deste filtro é salientar os contornos de objetos presentes na imagem.

A

A

B

A

C

D

A

E

A

F

A


Figura 6.8 – Aplicação do filtro Laplaciano às imagens anteriormente obtidas de RM de indivíduos com lesões de



6.2.4 Operadores de Gradiente

No sentido de detetar os contornos presentes na imagem foram aplicados os operadores de

gradiente Canny, Sobel, Prewitt e Roberts de modo a avaliar o seu desempenho e eficácia.

a) Operador de Canny

Este operador aceita como parâmetro de entrada, um valor sigma que representa o desvio padrão

do filtro gaussiano, sendo o tamanho da matriz calculado automaticamente com base neste valor. O

método de Canny usa dois thresholds diferentes para detetar os contornos fortes e os fracos.

A Figura 6.9 apresenta os resultados da aplicação de um filtro Canny com sigma igual a 1.

Verifica-se que este método se revela mais resistente ao ruído que os outros filtros e deteta melhor

as orlas mais suaves. É possível detetar o contorno bem delineados do córtex cerebral e das diversas

estruturas, bem como das lesões.

A

A

B

A

C

A

D E

A

F

A


Figura 6.9 – Aplicação do operador de gradiente Canny às imagens anteriormente obtidas de RM de indivíduos

com lesões de EM, no plano axial, localizadas ao nível dos ventrículos laterais: A) Indivíduo 1; B) Indivíduo 2; C)


b) Operador de Sobel e Prewitt

Este tipo de filtros não recebe nenhum parâmetro, uma vez que as matrizes para efetuar a

convolução já se encontram pré-definidas. Este processo consiste na convolução de uma máscara para

detetar as orlas horizontais. Este tipo de filtros permite obter alguns contornos da imagem sendo

considerada uma boa ferramenta para deteção dos mesmos, no entanto verifica-se que alguns não

são completamente fechados.

Comparativamente, verifica-se que o resultado entre ambos é bastante semelhante, sendo o filtro

de Sobel mais imune ao ruído. A Figura 6.10 apresenta os resultados da aplicação do operador de

gradiente Sobel, uma vez que os resultados são idênticos e este é mais utilizado.

A

A

B

A

C

A

E

A

D F

A


Figura 6.10 – Aplicação do operador de gradiente Sobel às imagens anteriormente obtidas de RM de indivíduos



c) Operador de Roberts

Este filtro apresenta uma configuração similar à anterior, sendo desta vez aplicado o método de

Roberts. Este tipo de método apenas apresenta os contornos mais fortes obtendo-se uma imagem

menos carregada e pormenorizada. Verifica-se também através da Figura 6.11 que os contornos com

o operador de Roberts não são bem fechados.

A

A

B

A

C

A

D

A

E F

A


Figura 6.11 – Aplicação do operador de gradiente Roberts às imagens anteriormente obtidas de RM de indivíduos



6.2.5 Equalização do histograma

Tal como visto anteriormente, esta técnica é utilizada na normalização das imagens, uma vez

que esta se baseia no histograma de intensidade de cada paciente. É uma técnica básica para avaliar

os perfis de intensidade. Contudo, tal como proposto, uma imagem será escolhida aleatoriamente e

vai será utilizada como um modelo para as outras imagens na mesma base de dados. Na Figura 6.12

encontra-se a aplicação desta técnica às imagens do estudo.

Após aplicação da equalização do histograma às imagens verificou-se que as lesões têm uma

forma mais definida e se encontram salientadas na imagem. Contudo, esta técnica permite o

agrupamento de pixels com elevada intensidade em classes, sendo os que possuem maiores

intensidades agrupados às lesões e causando o aparecimento de falsas áreas que não correspondem

às lesões. Pode-se concluir que apesar de trazer vantagem ao destacar a lesão, esta é confundida

através de falsos negativos funcionando apenas para avaliar a intensidade dos mesmos.

A

A

B

A

C

A

D

A

E

A F

A


Figura 6.12 – Aplicação do algoritmo de equalização do histograma às imagens anteriormente obtidas de RM de

indivíduos com lesões de EM, no plano axial, localizadas ao nível dos ventrículos laterais: A) Indivíduo 1; B)

Indivíduo 2; C) Indivíduo 3; D) Indivíduo 4; E) Indivíduo 5; F) Indivíduo 6.

Após aplicação da equalização do histograma às imagens verificou-se que as lesões têm uma

forma mais definida e se encontram salientadas na imagem. Contudo, esta técnica permite o

agrupamento de pixels com elevada intensidade em classes, sendo os que possuem maiores

intensidades agrupados às lesões e causando o aparecimento de falsas áreas que não correspondem

às lesões. Pode-se concluir que apesar de trazer vantagem ao destacar a lesão, esta é confundida

através de falsos negativos funcionando apenas para avaliar a intensidade dos mesmos.

6.3 Sobreposição de cortes

Neste trabalho foi realizado um teste de aplicação de um algoritmo que permitisse

sobrepor/somar os cortes centrais de um dado paciente num mesmo plano da imagem, onde as lesões

de esclerose múltipla se tornam mais evidentes ao nível dos ventrículos. Uma vez que as imagens

adquiridas por RM são obtidas em vários cortes, a sua sobreposição pode-nos permitir criar estruturas

e pontos mais concretos que permitam definir uma determinada lesão. Assim, aos cortes de imagens

FE D D

F

C B A


anteriormente estudadas e após o melhoramento das mesmas, foram adicionados os 2 cortes

anteriores e 2 posteriores de modo a obter a sua sobreposição. Selecionou-se estes cortes, uma vez

que após análise das imagens se verificou que as lesões eram mais representativas nos cortes centrais,

sendo os restantes irrelevantes uma vez que estas não são percetíveis. Deste modo, foram utilizados

no total 5 cortes de modo a fazer uma projeção das lesões presentes. Os parâmetros das imagens

adicionadas verificaram-se bastante idênticos.

Através da aplicação deste algoritmo, obtêm-se uma imagem com maior abundância de zonas de

lesão. Verifica-se através da Figura 6.13 que a aplicação deste algoritmo após as técnicas

anteriormente aplicadas reduz alguma qualidade da imagem.

Figura 6.13 – Aplicação do algoritmo para sobreposição dos cortes anteriores e posteriores ao corte central

correspondentes às imagens anteriormente obtidas de RM de indivíduos com lesões de EM, no plano axial,

localizadas ao nível dos ventrículos laterais: A) Indivíduo 1; B) Indivíduo 2; C) Indivíduo 3; D) Indivíduo 4; E)

Indivíduo 5; F) Indivíduo 6.

No entanto, verifica-se que a sobreposição de cortes em RM é uma das principais causas de

artefacto nas imagens. Os artefactos correspondem a efeitos visuais presentes numa imagem e que

não correspondem ao objeto real em estudo, podendo surgir sob a forma de linhas, pontos, padrões

repetidos, imagens em espelho ou distorções.

A B C

D E F


Pode-se concluir que uma das causas que pode levar à presença de artefactos é a necessidade

de realizar um alinhamento das imagens anteriormente, outros fatores como o sistema de aquisição

ou movimento do paciente durante a aquisição podem-se traduzir nestes resultados.

6.4 Conclusões

Neste trabalho foi feito um estudo sobre alguns dos principais algoritmos para melhoramento de

imagem, como correção gama, equalização do histograma, filtros e operadores de gradiente. Os filtros

implementados foram o filtro de média, mediana, Gaussiano e Laplaciano e os operadores de

gradiente estudados foram o Canny, Sobel, Prewitt e Roberts. Todas as técnicas foram implementadas

através do software MATLAB como ferramenta computacional a fim de comprovar a eficácia das

mesmas.

Verifica-se que a aplicação da correção gama às imagens permite a obtenção de um melhor

contraste das imagens e que o algoritmo de remoção dos tecidos não cerebrais permite a remoção de

algum ruído das mesmas.

Após a análise da funcionalidade de cada um dos filtros implementados, recorrendo a diversos

testes com várias imagens e variando os parâmetros de entrada para cada filtro, verificou-se que o

filtro Gaussiano foi o que se revelou mais eficaz para suavizar a imagem. Este preserva mais os

contornos da imagem e permite um maior controlo do resultado final através dos seus parâmetros de

entrada. O filtro mediano é o segundo melhor porque também conserva alguns dos contornos da

imagem suavizando-a corretamente. O que apresentou piores resultados foi o filtro de média porque

degrada bastante os contornos da imagem tornando-a bastante desfocada.

Através da aplicação dos diversos operadores de gradiente verificou-se que o Canny é o que

apresenta melhores resultados visto que revela ser o mais resistente ao ruído e permite detetar

melhor as orlas. Verificou-se que o operador de Sobel e Prewitt apresentaram resultados bastante

semelhantes. O operador de Roberts não permite obter contornos fechados, considerando-se este

uma má aplicação nestas imagens e para deteção de orlas.

Conclui-se ainda através do algoritmo realizado para sobrepor as imagens dos cortes centrais

onde se evidenciam as lesões, que este agrupa as lesões e torna-as mais percetíveis, no entanto causa

alguma distorção e perda de qualidade na mesma. Verifica-se que este teste não é satisfatório para

o estudo das lesões de esclerose múltipla, visto que alguns fatores podem interferir com os resultados,

nomeadamente a necessidade de alinhamento das imagens anteriormente.

Os resultados obtidos podem ainda ter sido influenciados por erros do equipamento de aquisição,

condições de exame, movimento do paciente durante a realização do exame, erros sistemáticos ou

aleatórios, entre outros.

Conclusões e Trabalhos Futuros 46

Capítulo 7

Conclusões e Trabalhos Futuros

O último capítulo do presente relatório apresenta primeiramente uma análise global de todo

o trabalho desenvolvido. Por fim, é feita uma referência ao trabalho futuro, que consiste na tese a

desenvolver durante o próximo ano letivo.

7.1 Conclusão

A esclerose múltipla é a doença neurológica mais comum diagnosticado em jovens adultos. Existem

diversos tipos de EM, mas esta caracteriza-se por ser uma doença debilitante podendo deixar sequelas

irreversíveis.

Embora a doença não possa ser curada ou prevenida, o diagnóstico atempado permite um

tratamento mais rápido de modo a reduzir a gravidade da mesma e retardar a sua progressão. A

ressonância magnética surge como uma técnica de imagiologia para facilitar o diagnóstico precoce

para uma melhor qualidade de vida do paciente.

As lesões de EM são detetadas através de RM, contudo são difíceis de detetar devido ao reduzido

tamanho variedade de formas e distribuição. Neste sentido, as técnicas de processamento têm

contribuído para o melhoramento e análise das imagens. Várias técnicas de processamento de imagem

para realce, deteção, segmentação e classificação têm vindo a ser estudadas como solução.

Através do presente trabalho foi possível conhecer a problemática que afeta milhões de pessoas

no mundo, como esta se caracteriza e manifesta e os meios de diagnóstico utilizados. Foram

adquiridos alguns conceitos fundamentais sobre a temática de Processamento e Análise de Imagem

bem como as etapas principais. Como revisão bibliográfica, foi apresentado o que tem sido

desenvolvido por vários investigadores neste âmbito.

Conclusões e Trabalhos Futuros 47

Na aplicação prática, foi possível um contacto direto com a técnica de ressonância magnética e

de todo o processo para aquisição das imagens. Foram aplicadas várias técnicas de pré-processamento

para melhoramento das imagens através de vários algoritmos como algoritmo de correção gama,

equalização do histograma, filtragem e operadores de gradiente. Observa-se que estes fornecem

resultados bastante positivos. A aplicação da correção gama às imagens permite a obtenção de um

melhor contraste e o algoritmo de remoção de tecidos não cerebrais fornece uma imagem com menos

ruído. O filtro que obteve melhores resultados foi o filtro Gaussiano e operador de Canny revelou-se

como o mais indicado para obtenção dos contornos das orlas definidas na imagem.

Conclui-se ainda através do algoritmo realizado para sobrepor as imagens dos cortes centrais onde

se evidenciam as lesões, que este agrupa as lesões e torna-as mais percetíveis, no entanto causa

alguma distorção e perda de qualidade na mesma.

Conclui-se através deste estudo que as técnicas de pré-processamento são fundamentais para a

obtenção de melhores resultados nas posteriores etapas, nomeadamente na etapa de segmentação.

Verifica-se também que esta etapa se torna uma mais-valia para médicos e doentes pois é possível

detetar mais facilmente e precocemente a existência de lesões.

7.2 Trabalho futuro

Este trabalho permite confirmar que as técnicas de processamento e análise de imagem são

bastante úteis para deteção de lesões de esclerose múltipla e assim ajudar profissionais de saúde no

diagnóstico da mesma. Como trabalho futuro pretende-se dar continuidade ao trabalho até aqui

desenvolvido e reformulá-lo tendo como finalidade auxiliar o diagnóstico desta problemática tão atual

na nossa sociedade. Neste sentido, será tida em conta a etapa de melhoramento de imagem para

aplicação de qualquer técnica posterior, uma vez que esta se revelou fundamental.

Pretende-se desenvolver no futuro algoritmos capazes de identificar automaticamente as lesões

de esclerose múltipla e classificá-las de acordo com características específicas, tais como dimensões

e número de lesões referentes a um dado paciente.

Referências i

Referências

Acharya T, R. A. (2005). Image Segmentation. Image Processing - Principles an applications. New Jersey: John Willey & Sons, Inc;, 131-156. Amaral, A. L. A., M.; Mota, M.; Ferreira, E. C. (2014). Aplicações de Técnicas de Processamento e Análise de Imagem em Processos Biotecnológicos. 1-7. Arshad, N. (2013). Digital radiographic image enhancement for improved visualization. HITEC University Taxila, Department of Electrical Engineering. Ashburner J., F. K. J. (2000). Voxel-based morphometry: the methods. NeuroImage 11 (6), 805-821. Ashwini Gulhane PLP, D. S. C. (2012). A Review of Image Data Clustering Techniques. International Journal of Soft Computing and Engineering Volume-2. Awcock, G. J. T., R. (1996). Applied Image Processing. New York: McGraw-Hill. Barkhof F, S. R., Hazewinkel M. (2013). Radiology Assistant: Multiple Sclerosis. Disponível em http://www.radiologyassistant.nl/en/p4556dea65db62/multiple-sclerosis.html Acesso em 27/Abril/2016. Bezdek J.C., H. L. O., Clarke L.P.. (1993). Review of MR image segmentation techniques using pattern recognition,. Med. Phys. 20 (4), 1033-1048. Boesen K., R. K., Schaper K., Stoltzner S., Woods R., Luders E., Rottenberg D.,. (2004). Quantitative comparison of four brain extraction algorithms. NeuroImage 22 (3), 1255-1261. Bushberg, J. T. (2002). The essential physics of medical imaging. 2nd ed. Philadelphia:Lippincott Williams & Wilkins, xvi, , 933 p. Cabezas M., O. A., Valverde S., Beltran B., Freixenet J., Vilanova J. C. , Ramió-Torrentà L., Rovira A., Lladó X. (2014). BOOST: A supervised approach for multiple sclerosis lesion segmentation. Journal of Neuroscience Methods, 237, 108-117. Campilho, A. (2016). Image Enhancement (Part 2) - Biomedical Image Analysis. Canny, J. (1986). A Computational Approach to Edge Detection. IEEE Trans. Pattern Analysis and Machine Intelligence, 8:679-714, . Clanet M., L.-C. O. (1998). La sclérose en plaques. John Libbey Eurotext. Clarke L.P. , V. R. P., Camacho M.A. , Heine J.J. ,Vaidyanathan M. , Hall L.O., Thatcher R.W., Silbiger M.L.,. (1995). MRI segmentation: methods and applications. Magn. Reson. Imag. 13 (3), 343-368.

Referências i

Compston, A. C., A. (2002). Seminar: Multiple sclerosis. Lancet, 359: 1221–31. Conci, A. A., Eduardo. Leta, Fabiana R. . , 2008. 407 p. 2 v. (2008). Computação Gráfica: Teoria e Prática. Rio de Janeiro: Campus, 2, 407. Courtney, W. S. (2006). All About Multiple Sclerosis. Multiple Sclerosis Association of America, Third Edition. Datta S., N. P. A. (2011). Automated brain extraction from T2-weighted magnetic resonance images. J. Magn. Reson. 33 (4), 822-829. Dhawan, A. P. (2003). Medical Image Analysis. IEEE Press Series on Biomedical Engineering, John Wiley & Sons. Doyon D., C. E. A. e. a. (2001). IRM: imagerie par résonance magnétique. Masson. Dua T., R. P. (2008). Atlas: Multiple Sclerosis Resources in the World 2008. World Health Organization. Ebers GC. (2008). Environmental factors and multiple sclerosis. Lancet Neurol, 7:268-277. Edges, J. B. (2002). Digital Image Processing. 5 ed, Berlin: Springer-Verlag; , 315-338. Federation, M. S. I. (2013). Atlas of MS 2013: Mapping Multiple Sclerosis Around the World. Ganiler O, O. A., Diez Y, Freixenet J, Vilanova JC, Beltran B, et al. (2014). A subtraction pipeline for automatic detection of new appearing multiple sclerosis lesions in longitudinal studies. Neuroradiology, 56:363-374. García-Lorenzo D, F. S., Narayanan S, Arnold DL, Collins DL. . (2013). Review of automatic segmentation methods of multiple sclerosis white matter lesions on conventional magnetic resonance imaging. Med Image Anal; 17, 1-18. García-Lorenzo, D., Prima, S., Parkes, L., Ferré, J.C., Morrissey, S.P., Barillot, C.,. (2008). The impact of processing workflow in performance of automatic white matter lesion segmentation in Multiple Sclerosis. . In: MICCAI Workshop in Medical Image Analysis for Multiple Sclerosis (MIAMS), New York, USA, 104-112. Gil, V. M. G., C.F. (1987). Ressonância Magnética Nuclear: Fundamentos, Métodos e Aplicações. Lisboa: Fundação Calouste Gulbenkian. Gonzalez R.C., W. P. (1987). Digital Image Processing, Second Edition. Addison-Wesley, Reading, MA,. Gonzalez RC, W. R. (2002). Introduction. Digital Image Processing, 2nd Edition. New Jersey: Prentice-Hall, Inc., 1-33. Green, W. E. Edge Detection Tutorial. Drexel Autonomous Systems Lab. Hafler DA. (2004). Multiple sclerosis. J Clin Invest, 113:788-794. Hartley S.W., S. A. I., Korf E.S.C.,White L.R. , Launer L.J., . (2006). Analysis and validation of automated skull stripping tools: A validation study based on 296 MR images from the Honolulu Asia aging study. NeuroImage 30 (4), 1179-1186. Hashemi R.H., B. J. W. G., Lisanti C.J.,. (2010). MRI: the basics. Lippincott Williams & Wilkins, Philadelphia, PA., third ed.

Referências i

Hauser, S. l., Bresnan, M.J., Reinherz, E.L. & Weiner, H.L. . (1982). Childhood multiple sclerosis: clinical features and demonstration of changes in T cell subsets with disease activity. Annals of Neurology, 11, 463-468. Hou Z. (2006). A review on MR image intensity inhomogeneity correction. Int. J. Biomed. Imag. 2006, 1-11. Jenkinson M, B. C., Behrens TEJ, Woolrich MW, Smith SM. (2012). FSL. NeuroImage 62:782-790. Johnston B., A. M. S., Mackiewich B., Anderson M.,. (1996). Segmentation of multiple sclerosis lesions in intensity corrected multispectral MRI. IEEE Trans. Med. Imag.15 (2), 154-169. Kantarci, H. O. W. G. B. (2013). Natural history of multiple sclerosis. Neurologic Clinics,, 23(1), 17-38. Klein A, A. J., Ardekani BA, Ashburner J, Avants BB, Chiang M, et al. (2009). Evaluation of 14 nonlinear deformation algorithms applied to human brain MRI registration. NeuroImage, 46:786-802. Kurtzke J.F. (1983). Rating neurologic impairment in multiple sclerosis: an expanded disability status scale (EDSS). Neurology,, v. 33, n. 11, p. 1444-1452. Lladó X, O. A., Cabezas M, Freixenet J , Vilanova JC, Quiles A, Valls L, Ramió L , Rovira A. (2012). “Segmentatión of multiple sclerosis lesions in brain MRI: A review of automated approaches,”. Information Sciences, vol. 186, no. 1(pp. 164-185). Lufkin, R. B. (1999). Manual de Ressonância Magnética. 2ª Edição. Rio de Janeiro: Guanabara Koogan. Manjon, J. V. C., P.; Buades, A.; Collins, D. L.; Robles M.. . (2012). New Methods for MRI Denoising based on Sparseness and Self-Similarity. Medical Image Analysis, 16(1), 18-27. Matlab, I. a. K. F. (2016). Disponível em http://www.mathworks.com/products/matlab/description1.html. Acesso em 28/Abril/2016. McDonald WI, C. A., Edan G, Goodkin D, Hartung HP, Lublin FD, et al. (2001). Recommended diagnostic criteria for multiple sclerosis: guidelines from the International Panel on the diagnosis of multiple sclerosis. . Ann Neurol.50(1), 121-127. Minguetti, G. (2001). Ressonância Magnética na Esclerose Múltipla. Arq Neuropsiquiatr v. 59 nº 3, 563-569. Nyúl LG, U. J., Xhang X. . (2000). New variants of a method of MRI scale standardization. IEEE Trans Med Imaging, 19:143-150. Patel Y., B. V., Krupp L. (2009). Pediatric multiple sclerosis. Annals of the Indian Academy of Neurology, 12 (4), 238-245. Pedrini, H. S., W. R.. (2007). Análise de Imagens Digitais: Princípios, Algoritmos e Aplicações. 1 ed. São Paulo. SP: Thomson Learning Edições., 1, 508. Perona P, M. J. (1990). Scale-space and edge detection using anisotropic diffusion. IEEE Trans Pattern Anal Mach Intell, 12:629-639. Petronella Anbeek, K. L. V., Matthias J.P. van Osch, Robertus H.C. Bisschops, and Jeroen van der Grond. (2004). “Probabilistic segmentation of white matter lesions in MR imaging,” NeuroImage, vol. 21, no. 3,, pp.1037 - 1044.

Referências i

Polman CH, R. S., Edan G, Filippi M, Hartung HP, Kappos L, et al. (2005). Diagnostic criteria for multiple sclerosis: 2005 revisions to the "McDonald Criteria". Ann Neurol.50(1), 58(6):840-6. Prasad, P. V. (2006). Magnetic resonance imaging : methods and biologic applications. Methods in molecular medicine. . Totowa, N.J.: Humana Press., xv, 447 p. Rangayyan, R. M. (2005). Biomedical Image Analysis. CRC Press LLC. Rehm K., S. K., Anderson J., Woods R., Stoltzner S., Rottenberg D.,. (2004). Putting our heads together: a consensus approach to brain/non-brain segmentation in T1-weighted MR volumes. NeuroImage 22 (3), 1262-1270. Roura E, O. A., Cabezas M, Vilanova JC, Ramió-Torrentà L, Rovira À, et al. . (2014). MARGA: multispectral adaptive region growing algorithm for brain extraction on axial MRI. . Comput Methods Progr Biomed. Rovira A, L. A. (2008). MR in the diagnosis and monitoring of multiple sclerosis: an overview. Eur J Radiol, 67:409-414. Rudge P. (1999). The value of natural history studies of multiple sclerosis. . Brain., 122(Pt 4):591-2. Rueckert D, S. L., Hayes C, Hill DLG, Leach MO, Hawkes DJ. . (1999). Nonrigid registration using free-form deformations: application to breast MR images. IEEE Trans Med Imaging, 18:712-721. Schmidt P, G. C., Arsic M, Buck D, Forschler A, Berthele A, et al. . (2012). An automated tool for detection of FLAIR-hyperintense white-matter lesions in multiple sclerosis. NeuroImage, 59:3774-3783. Seghier M.L., R. A. J., Criniona A.P.L., Pricea C.J.. (2008). Lesion identification using unified segmentation-normalisation models and fuzzy clustering. NeuroImage 41 (4), 1253-1266. Shattuck D.W., S.-L. S. R., Schaper K.A., Rottenberg D.A., Leahy R.M., . (2001). Magnetic resonance image tissue classification using a partial volume model,. NeuroImage 13 (5), 856-876. Siqueira, M. L. (2010). Reconhecimento Automático de Padrões em Imagens Ecocardiográficas. Tese de Doutoramento. Universidade Federal do Rio Grande do Sul. Programa de Pós-Graduação em Computação, Porto Alegre, BR-RS., 108. Sled J., Z. A., Evans A., . (1998). A nonparametric method for automatic correction of intensity nonuniformity in MRI data. IEEE Trans. Med. Imag., 17 (1), 87-97. Smith S.M. (2002). Fast robust automated brain extraction. Hum. Brain Map. 17 (3), 143-155. Sonka, M. H., V.; Boyle, R. . (1998). Image processing, analysis and machine vision. . Pacific Grove: PWS Publishing. Souplet J., L. C., Chanalet S., Ayache N., Malandain G.,. (2009). Revue des approches de segmentation des lesions de sclerose en plaques dans les sequences conventionnelles IRM. Rev. Neurol. 165 (1), 7-14. Tavares, J. M. R. S. (2013). Relatório Pedagógico e Científico da Unidade Curricular: Processamento e Análise de Imagens em Engenharia. Faculdade de Engenharia da Universidade do Porto, 12-20. Thomé, A. G. (2016). Processamento de Imagens: Tratamento da Imagem - Filtros Universidade Federal do Rio de Janeiro - IM/DCC & NCE.

Referências i

Tustison NJ, A. B., Cook PA, Zheng Y, Egan A, Yushkevich PA, et al. (2010). N4ITK: improved N3 bias correction. IEEE Trans Med Imaging, 29:1310-1320. Vasconcelos, M. J. (2003). Seminário: Modelos Pontuais de Distribuição em Visão por Computador , Mestrado em Estatística Aplicada e Modelação, FEUP. Vovk U., P. F., Likar B.,. (2007). A review of methods for correction of intensity inhomogeneity in MRI. IEEE Trans. Med. Imag. 26 (3), 405-421. Wei X., W. S. K., Zou K.H., Wu Y., Li X., Guimond A., Mugler J.P., Benson R.R., Wolfson L., Weiner H.L., Guttmann C.R.G.,. (2002). Quantitative analysis of MRI signal abnormalities of brain white matter with high reproducibility and accuracy. . Journal of Magnetic Resonance Imaging 15, 203-209. Westbrook, C. R., C. K.; Talbot, J. (2011). MRI: In practice, 4th Edition. Wiley-Blackwell. Wu Y., W. S. K., Tan I.L., Wells W., Meier D., van Schijndel R. , Barkhof F., Guttmann C., . (2006). Automated segmentation of multiple sclerosis lesion subtypes with multichannel MRI. NeuroImage 32 (3), 1205-1215.

Documents

Segmentação Automática de Lesões de Esclerose Múltipla em ...tavares/downloads/publications/relatorios/... · iii Abstract This report intends to describe the work done within