ads:
UNIVERSIDADE FEDERAL FLUMINENSE
CENTRO TECNOLÓGICO
MESTRADO EM ENGENHARIA DE TELECOMUNICAÇÕES
FLÁVIO LUIZ SEIXAS
SEGMENTAÇÃO AUTOMÁTICA DE ESTRUTURAS DO ENCÉFALO
EM IMAGENS DE RESSONÂNCIA MAGNÉTICA
NITERÓI
2007
ads:
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
i
Flávio Luiz Seixas
Segmentação Automática de Estruturas do Encéfalo em
Imagens de Ressonância Magnética
Orientadora: Profa. Débora Christina Muchaluat Saade
Niterói
2007
Dissertação de Mestrado
submetida ao Programa de
Mestrado em Engenharia de
Telecomunicações da
Universidade Federal Fluminense
como requisito parcial para
obtenção do título de Mestre.
Área de concentração: Sistemas
de Telecomunicações.
ads:
Ficha Catalográfica elaborada pela Biblioteca da Escola de Engenharia e Instituto de Computação da UFF
S462 Seixas, Flávio Luiz.
Segmentação automática de estruturas do encéfalo em imagens de
ressonância magnética / Flávio Luiz Seixas. – Niterói, RJ : [s.n.],
2007.
79 f.
Orientador: Débora Christina Muchaluat Saade.
Dissertação (Mestrado em Engenharia de Telecomunicações) -
Universidade Federal Fluminense, 2007.
1. Processamento de imagens – Técnicas digitais. 2. Imagens por
ressônancia magnética. 3. Segmentação de imagens. 4.Volumetria.
5. Doença de Alzheimer.6. Encéfalo. I.Título.
CDD 006.4
iii
Dedicatória
Dedico esta dissertação aos meus pais pelo presente da Vida e a toda consciência motivada às
novas idéias.
iv
Agradecimentos
Agradeço a todos que contribuíram de alguma forma para a materialização deste trabalho.
Agradecimentos especiais à Elaine pelo Amor, carinho e inestimável ajuda, sempre disponível
e compreensível, mesmo em momentos onde o isolamento era necessário para efetivação da
pesquisa.
Agradecimentos à Anna Cláudia Cupello pelo apoio e confiança depositada, fundamental para
viabilidade deste trabalho.
Agradecimentos à Dra. Andrea pela paciência e pelas valiosas contribuições que conduziram
o presente estudo. Agradecimentos também ao Prof. Alair pelo pronto atendimento às minhas
incursões pelos hospitais.
Agradeço aos meus pais, ainda que não satisfeitos em presentear-me com Vida, construíram
os alicerces da minha educação. Sempre presentes e confiantes, seus conselhos guiaram esta
empreeitada.
Agradecimentos aos amigos da Embratel, Universidade Estácio de Sá e professores da
Universade Federal Fluminense que, de alguma forma, contribuíram com apoio e incentivo.
Agradecimentos também aos colegas e amigos da Faculdade.
Sobretudo, agradeço à Profa. Débora pelo tempo dispendido nas criteriosas revisões e pela
confiança prestada no meu trabalho. Suas palavras de estímulo e atitude receptiva às novas
idéias forneceram a segurança necessária para o progresso da pesquisa. Registro aqui meu
muito obrigado.
v
Resumo
O avanço das tecnologias de aquisição de imagem e métodos computacionais, associado à
preferência por diagnósticos médicos não invasivos, tem proporcionado uma crescente
popularização dos exames clínicos por imagem. Esta dissertação estuda técnicas de
processamento de imagens médicas, visando o levantamento volumétrico automático de
estruturas anatômicas do encéfalo. Este estudo utilizou como insumo imagens de ressonância
magnética do crânio. O objetivo é levantar automaticamente dados relacionados à forma e
volume de estruturas anatômicas do encéfalo, visando posteriormente subsidiar um sistema de
diagnóstico auxiliado por computador. O objetivo final é auxiliar o radiologista na
identificação de doenças neurodegenerativas em seu estado inicial, como na doença de
Alzheimer, quando a maior parte das funções cognitivas ainda está preservada. O método foi
validado através da comparação com resultados e análises exploratórias divulgadas na
literatura. A implementação foi baseada nos recursos da biblioteca SPM (Statistical
Parametric Mapping) desenvolvida pela College London University, utilizando o ambiente do
Mathworks Matlab. O estudo considerou uma amostra de aproximadamente 90 indivíduos,
onde foram segmentadas as substâncias do encéfalo (substância cinzenta, substância branca e
líquor) e estruturas anatômicas, como o corpo caloso e o hipocampo, subsidiando
levantamentos volumétricos e análises exploratórias dos dados.
Palavras-Chave: Ressonância Magnética, Processamento de Imagens Médicas, Segmentação,
Volumetria, Doenças Neurodegenerativas, Doença de Alzheimer, Corpo Caloso, Hipocampo,
VBM (Voxel-Based Morphometry).
vi
Abstract
Modern biosignal and bioprocessing technologies, allied to their non-invasive in vivo
characteristics, make medical imaging modalities very popular among clinical diagnostic
procedures. This dissertation discusses medical image processing methods, in order to
segment internal structures of the central nervous system. This study was based on cranial
magnetic resonance imaging acquisitions. The final objective is developing a computer aided
diagnostic system based on shape and volume issues from brain structures. This system can
be applied in early detection of neurodegenerative diseases, such as Alzheimer’s disease. At
this stage, the majority of the main cognitive functions of these patients are mostly preserved,
allying better medical treatment and response, improving the patient’s life quality. The
proposed method was validated by comparing results to statistical analysis published in the
literature. The implementation used Mathworks Matlab and SPM (Statistical Parametric
Mapping) framework, developed by College London University. This work analysed about 90
patients, in which brain components (gray matter, white matter and cerebral fluid) and other
brain structures, such as the corpus callosum and the hippocampus, were segmented. These
segmentation results were used in shape and volume statistical analysis.
Keywords: Magnetic Resonance, Medical Imaging Processing, Segmentation, Volumetric
Measurements, Neurodegenerative Diseases, Alzheimer’s Disease, Corpus Callosum,
Hippocampus, VBM (Voxel-Based Morphometry).
vii
Índice
1 Introdução.........................................................................................................................1
1.1 Motivação...................................................................................................................2
1.2 Objetivos e Metodologia.............................................................................................3
1.3 Estrutura da Dissertação.............................................................................................4
2 Processamento de Imagens Médicas...............................................................................5
2.1 Aquisição da Imagem.................................................................................................6
2.2 Diagnóstico Auxiliado por Computador.....................................................................8
2.3 Etapas do Processamento de Imagens.......................................................................11
2.4 Registro de Imagens..................................................................................................12
2.5 Segmentação.............................................................................................................18
2.6 Morfometria..............................................................................................................23
2.7 Resumo do Capítulo..................................................................................................24
3 Ferramentas para Processamento de Imagens do Encéfalo.......................................25
3.1 Estruturas do Encéfalo..............................................................................................25
3.2 Doenças Relacionadas com Alterações Estruturais do Encéfalo..............................30
3.3 Ferramentas para Processamento de Imagens Médicas do Encéfalo........................31
3.4 Resumo do Capítulo..................................................................................................37
4 Segmentação Automática de Estruturas do Encéfalo.................................................38
4.1 Segmentação 2D: Área do Corpo Caloso em uma Seção Sagital Mediana..............38
viii
4.1.1 Objetivo...........................................................................................................................................38
4.1.2 Método............................................................................................................................................39
4.1.3 Experimento....................................................................................................................................41
4.1.4 Avaliação dos Resultados...............................................................................................................44
4.1.5 Trabalhos Relacionados..................................................................................................................47
4.1.6 Conclusão........................................................................................................................................48
4.2 Segmentação 3D: Levantamento Volumétrico de Estruturas do Encéfalo...............48
4.2.1 Objetivo...........................................................................................................................................48
4.2.2 Método............................................................................................................................................49
4.2.3 Experimento....................................................................................................................................50
4.2.4 Avaliação dos Resultados...............................................................................................................61
4.2.5 Trabalhos Relacionados..................................................................................................................65
4.2.6 Conclusão........................................................................................................................................66
4.3 Resumo do Capítulo..................................................................................................67
5 Conclusão........................................................................................................................68
5.1 Avaliação dos Resultados Obtidos............................................................................68
5.2 Contribuições............................................................................................................69
5.3 Trabalhos Futuros.....................................................................................................69
6 Referências......................................................................................................................71
ix
Lista de Figuras
Figura 1. Processo genérico de aquisição e digitalização de sinais.........................................6
Figura 2. Equipamento de ressonância magnética...................................................................7
Figura 3. Curva ROC.............................................................................................................10
Figura 4. Etapas do processamento digital de imagens.........................................................12
Figura 5. Processo genérico de registro de imagem...............................................................13
Figura 6. Função base discreta de cossenos com duas dimensões e componente de baixa
frequência ................................................................................................................................16
Figura 7. Esquema didático mostrando as etapas da segmentação baseada em atlas
anatômico ................................................................................................................................22
Figura 8. Estruturas do sistema nervoso................................................................................26
Figura 9. Sistema de coordenadas do sistema nervoso..........................................................27
Figura 10. Planos de aquisição de imagens..............................................................................27
Figura 11. Lobos dos hemisférios cerebrais.............................................................................28
Figura 12. Estruturas internas do cérebro................................................................................29
Figura 13. Segmentação do corpo caloso. Processo de normalização.....................................40
Figura 14. Segmentação do corpo caloso. Processo de segmentação dos componentes do
encéfalo: substância cinzenta, substância branca e líquor........................................................40
Figura 15. Segmentação do corpo caloso. Processo de recorte e identificação de região.......41
Figura 16. Segmentação do corpo caloso. Retorno para o sistema de coordenadas individual e
classificação da estrutura de interesse......................................................................................41
Figura 17. Formas obtidas pela segmentação do corpo caloso de uma seção sagital mediana a
partir de (a) 10 indivíduos do gênero feminino e (b) 10 do gênero masculino........................43
Figura 18. Segmentação volumétrica de estruturas do encéfalo. Processo de marcação.........50
Figura 19. Segmentação de estruturas do encéfalo. Apuração do volume..............................50
Figura 20. Duas aquisições (1) e (2) em ressonância magnética ponderada em T1................52
x
Figura 21. Resultado do método de segmentação automático. Construção tridimensional do
hipocampo (a1) direito e (b1) esquerdo obtidos pelas imagens da aquisição 1.......................53
Figura 22. Resultado do método de segmentação automático. Construção tridimensional do
hipocampo (a2) direito e (b2) esquerdo obtidos pelas imagens da aquisição 2.......................53
xi
Lista de Tabelas
Tabela 1. Relação de aplicativos e bibliotecas de processamento de imagens médicas........34
Tabela 2. Referências de imagens do encéfalo utilizadas para o alinhamento estereotáxico.35
Tabela 3. Encéfalos segmentados com regiões rotuladas utilizados como referência em
algoritmos de segmentação.......................................................................................................36
Tabela 4. Formato padrão de armazenamento de aquisições de neuroimagens.....................37
Tabela 5. Resultados das áreas superficiais do corpo caloso de uma seção sagital mediana a
partir de 10 indivíduos do gênero feminino e 10 do gênero masculino...................................44
Tabela 6. Área do corpo caloso baseada em uma amostra de 200 indivíduos obtida por
segmentação manual a partir de uma seção sagital mediana em ressonância magnética.........46
Tabela 7. Área do corpo caloso baseada em uma amostra de 124 indivíduos obtida por
segmentação manual a partir de uma seção sagital mediana em ressonância magnética.........46
Tabela 8. Resultados do método de segmentação automática do hipocampo e de
componentes do encéfalo.........................................................................................................52
Tabela 9. Comparação do SNR da aquisição 1 com aquisição 2...........................................54
Tabela 10. Comparação do SNR utilizando filtros de redução de ruído na aquisição 1 e sua
influência no resultado do levantamento volumétrico do hipocampo......................................54
Tabela 11. Resultados do levantamento volumétrico médio do hipocampo e de componentes
do encéfalo, agrupado por faixa etária, considerando amostra de indivíduos classificados
como normais (CDR=0) na base de imagens OASIS...............................................................55
Tabela 12. Resultados do levantamento volumétrico médio do hipocampo e de componentes
do encéfalo, agrupado por faixa etária, considerando amostra de indivíduos classificados com
CDR≥0,5 na base de imagens OASIS......................................................................................55
Tabela 13. Teste estatístico de ANOVA comparando grupos formados por indivíduos
saudáveis (CDR=0) e com indicação de demência (CDR≥0,5)...............................................62
Tabela 14. Teste estatístico de ANOVA comparando grupos formados por gêneros distintos63
Tabela 15. Relação de medidas volumétricas dos hipocampos obtidas por diferentes autores64
xii
Lista de Gráficos
Gráfico 1. Resultados de volumes das substâncias cinzenta e branca e do líquor, normalizados
pelo volume total do encéfalo, obtidos nas imagens da amostra, considerando indivíduos com
funções cognitivas normais (CDR=0), em diferentes faixas etárias.........................................57
Gráfico 2. Resultados de volumes das substâncias cinzenta e branca e do líquor, normalizados
pelo volume total do encéfalo, obtidos nas imagens da amostra, considerando pacientes com
indicação de demência (CDR≥0,5), em diferentes faixas etárias.............................................57
Gráfico 3. Diagrama de caixas expressando o índice da substância cinzenta agrupado por
faixas etárias, considerando indivíduos com funções cognitivas normais (CDR=0)...............58
Gráfico 4. Diagrama de caixas do índice da substância cinzenta agrupado por faixas etárias,
considerando indivíduos com indicação de demência (CDR≥0,5)...........................................58
Gráfico 5. Diagrama de caixas do índice de substância cinzenta agrupado pelo gênero
masculino e feminino, considerando indivíduos com CDR=0.................................................59
Gráfico 6. Resultados de volumes do hipocampo, normalizados pela soma das substâncias
cinzenta e branca e do líquor, obtidos nas imagens da amostra, considerando indivíduos de
ambos os gêneros e funções cognitivas normais (CDR=0), em diferentes faixas etárias........60
Gráfico 7. Resultados de volumes do hipocampo, normalizados pela soma das substâncias
cinzenta e branca e do líquor, obtidos nas imagens da amostra, considerando indivíduos de
ambos os gêneros, com indicação de demência (CDR≥0,5), em diferentes faixas etárias.......60
xiii
Lista de Abreviaturas
AAL
Anatomical Automatic Label
ANOVA Análise da Variância
CAD
Computer Aided Diagnosis
CC Área do Corpo Caloso
CDR
Clinical Dementia Rate
DA Doença de Alzheimer
DBM
Deformation-based Morphometry
DCT
Discrete Cosine Transform
EEG
Electroencephalography
fMRI
Functional Magnetic Resonance Image
HBP
The Human Brain Project
IBASPM
Individual Brain Atlases using Statistical Parametric Mapping
ICBM
International Consortium for Brain Mapping
ICC Índice do Corpo Caloso
MEG
Magnetoencephalography
MNI
Montreal Neurological Institute
NIfTI
Neuroimaging Informatics Technology Initiative
NIMH
National Institute of Mental Health
OASIS
Open Access Series of Imaging Studies
PET
Positron Emission Tomography
RM Ressonância Magnética
ROC
Receiver Operating Characteristic
SNC Sistema Nervoso Central
SPECT
Single Photon Computed Tomography
SPM
Statistical Parametric Mapping
xiv
TBM
Tensor-based Morphometry
TE Tempo de Eco
TI Tempo de Inversão
TR Tempo de Relaxamento
VBM
Voxel-based Morphometry
VHD Volume do Hipocampo Direito
VHE Volume do Hipocampo Esquerdo
VL Volume do Líquor
VSB Volume da Substância Branca
VSC Volume da Substância Cinzenta
VTE Volume Total do Encéfalo
1
1 Introdução
A preferência por diagnósticos clínicos não invasivos, associada aos avanços
tecnológicos e computacionais, justifica a crescente popularização de modalidades de exames
como a ressonância magnética, nos meios de pesquisa em neuroanatomia. Entende-se por
neuroanatomia o estudo da organização anatômica do sistema nervoso (Purves e cols., 2004).
Segundo a base de dados do SUS (Sistema Único de Saúde) (Datasus), em 2004,
foram realizadas cerca de 444 milhões de consultas médicas, destas, 12% resultaram em
procedimentos complementares de imagem. Entende-se por procedimentos complementares
de imagem o conjunto de procedimentos clínicos envolvendo radiodiagnóstico, exames
ultrassônicos, ressonância magnética, medicina nuclear, radiologia intervencionista e
tomografia computadorizada. Em 1996, procedimentos complementares de imagem
representavam apenas 9,3% do total de consultas médicas.
No Brasil, segundo IBGE (Instituto Brasileiro de Geografia e Estatística), a
expectativa de vida era 62 anos em 1980. Em 2004, a expectativa de vida é 68,9 anos,
podendo chegar em 2050 a 81,3 anos. Ainda conforme IBGE, o número de pessoas idosas
acima de 65 anos representava 6,10% da população em 1980. Em 2004, representa 7,90% da
população, totalizando cerca de 14.500.000 de idosos (2004). O envelhecimento progressivo
da sociedade eleva a preocupação com doenças neurodegenerativas, como a doença de
Alzheimer (DA). Com base em um relatório publicado por Nitrini e cols. (2004), identificou-
se uma taxa média de incidência anual de 7,7 pacientes acima de 65 anos com doença de
Alzhemeir em um grupo de 1000 indivíduos. À medida que a idade do indivíduo aumenta, a
taxa de incidência dobra a intervalos de 5 anos. Segundo pesquisas do Alzheimer Disease
International (2007), uma organização composta pelas Associações para Estudo de
Alzheimer, em 2005, no Brasil havia aproximadamente 500 mil portadores da doença de
Alzheimer, representando 5,5% da população com idade acima de 65 anos. Segundo
Patwardhan e cols. (2004), considerando os idosos com idade acima 80 anos, cerca de 50%
apresentam ou apresentarão sintomas de Alzheimer.
A doença de Alzheimer é uma condição neurodegenerativa progressiva, inicialmente
descrita em 1907 por Alois Alzheimer, caracterizada por declínio cognitivo inexorável com
deterioração do quadro clínico ao longo de vários anos, desde seu início até o falecimento do
paciente (Galasko e cols., 1995; Jost e Grosseberg, 1996; Jack e cols., 2000).
A doença de Alzheimer constitui a causa mais comum de demência, representando
cerca de dois terços de todos os casos demenciais (Gao e cols., 1998).
2
1.1 Motivação
Conforme Souza (2005), “dentre as várias ferramentas que atualmente buscam
identificar as alterações mais precoces sugestivas da doença de Alzheimer podemos citar as
baterias neuropsicológicas e neuropsiquiátricas, marcadores biológicos e genéticos, o estudo
funcional e o estudo anatômico por tomografia computadorizada ou ressonância magnética,
incluindo volumetria do hipocampo”. Ainda conforme Souza (2005), “o estabelecimento do
diagnóstico pré-clínico da doença de Alzheimer quando a maior parte da função cognitiva
ainda está preservada, e de medidas objetivas da sua progressão, poderiam aumentar a
eficiência do tratamento, desacelerando ou até mesmo interrompendo sua evolução, com
grande impacto econômico”.
O desenvolvimento de técnicas confiáveis para realização de medidas volumétricas de
estruturas temporais mesiais (amígdala, hipocampo e giro para-hipocampal) em exames de
ressonância magnética (RM) fornece dados para o estudo de vários transtornos
neuropsiquiátricos, podendo ser utilizadas para identificação de pacientes com DA leve a
moderada e indivíduos com transtorno cognitivo leve, separando-os dos idosos normais
(Bottino e cols., 1998; Marchetti e cols., 2002).
Estudos sugerem que, a relação entre taxa de atrofia do hipocampo de pacientes com
DA e de pacientes com controles normais é estatisticamente significativa, com taxas variando
aproximadamente 2,5 vezes maiores nos pacientes com DA (Jack e cols., 2000). Segundo
Bottino (2000), “essa aplicação dos exames de RM tende a ganhar importância nos próximos
anos, não somente porque pode conferir maior segurança a esse método (volumetria) para
auxiliar o clínico no diagnóstico diferencial de DA, mas também porque pode auxiliar o
acompanhamento da progressão da doença, e a medida que estão surgindo tratamentos
eficazes, para acompanhar a evolução dos pacientes submetidos a esses tratamentos.”
Contudo, o diagnóstico clínico por volumetria de estruturas mesiais com técnica de
segmentação manual é inviável economicamente. Além da definição do método de
segmentação manual, os resultados são influenciados pela experiência do radiologista e
demandam um elevado tempo de apuração. Segundo um levantamento efetuado por Marchetti
(2002), o tempo de obtenção das medidas volumétricas de estruturas temporais mesiais
(amígdala, hipocampo e giro para-hipocampal) foi de 75 minutos por paciente/exame
realizado.
Assim, a utilização de algoritmos computacionais de processamento de imagem para o
levantamento volumétrico semi-automático e automático de estruturas do encéfalo vem se
3
mostrando uma alternativa viável, com resultados muito próximos dos obtidos manualmente
pelo radiologista (Chupin e cols., 2006). Isto se deve ao aumento da velocidade de
processamento computacional e, em especial, aos avanços tecnológicos proporcionando a
melhoria da resolução e sensibilidade dos equipamentos de radiologia.
Neste caso, a área do conhecimento envolvida é a visão computacional, a qual
compreende os métodos computacionais para extração de atributos de uma imagem em
formato digital. Uma das aplicações da visão computacional é o desenvolvimento de sistemas
de diagnóstico auxiliado por computador, conhecido pela sigla CAD (Computer Aided
Diagnosis). Entende-se por CAD como um diagnóstico feito por um radiologista que utiliza o
resultado de análises de imagens radiológicas como uma segunda opinião para tomada de
decisões diagnósticas (Marques, 2001). A finalidade do CAD é melhorar a acurácia do
diagnóstico, assim como a consistência da interpretação da imagem radiológica, mediante o
uso da resposta do computador como referência. Segundo Marques (2001), “a resposta do
computador pode ser útil, uma vez que o diagnóstico do radiologista é baseado em avaliação
subjetiva, estando sujeito a variações intra e interpessoais, bem como perda da informação
devido à natureza sutil do achado radiológico, baixa qualidade da imagem, sobreposição de
estruturas, fadiga visual ou distração.” Em (Thurfjell e cols., 1994), foi demonstrado que uma
dupla leitura (por dois radiologistas) pode aumentar a sensibilidade do diagnóstico.
1.2 Objetivos e Metodologia
O presente trabalho tem como objetivo geral auxiliar o radiologista no diagnóstico
clínico através do levantamento automático de atributos de imagens radiológicas, com apoio
de algoritmos computacionais.
O objetivo específico é realizar o levantamento volumétrico automático de duas
estruturas anatômicas do encéfalo, o corpo caloso e hipocampo, através do processamento
digital de imagens obtidas de ressonância magnética do crânio.
O levantamento volumétrico é obtido pela identificação da região de interesse através
de atlas anatômico. Entende-se por atlas anatômico o uso de um modelo de conhecimento
prévio contendo localização espacial e intensidade de sinal de estruturas anatômicas
identificadas em uma aquisição em ressonância magnética. Para subsidiar o modelo de
conhecimento prévio, foi utilizada a técnica VBM (voxel-based morphometry) (Ashburner e
Friston, 2000).
A verificação é dada pela definição do objeto de interesse, escolha de um modelo de
processamento de imagem e avaliação dos resultados com base na comparação de dados
4
volumétricos e análises exploratórias divulgadas por outros autores. O método tem abordagem
indutiva, processo empírico-comparativo, utilizando ferramentas estatísticas de descrição e
exploração de dados, como análise de variância (ANOVA), diagrama de caixas (boxplot) e
normalização dos resultados. O levantamento automático da área superficial e o volume de
estruturas ou substâncias de interesse são baseados em uma amostra de imagens adquiridas
através de exames de ressonância magnética do crânio, considerando pacientes normais e com
indicação de demência, de ampla faixa etária e ambos os sexos.
1.3 Estrutura da Dissertação
A presente dissertação está organizada da seguinte forma. O Capítulo 2 fundamenta os
conhecimentos relativos à visão computacional e processamento digital de imagens com foco
em imagens médicas. O Capítulo 3 mostra algumas doenças degenerativas do encéfalo, bem
como os modelos de processamento de imagem estudados para apoiar o radiologista no
diagnóstico clínico. O Capítulo 4 apresenta os experimentos realizados de segmentação
envolvendo duas e três dimensões e avalia os resultados obtidos neste trabalho. O Capítulo 5
trata das considerações finais, comparando os resultados obtidos com os trabalhos
relacionados, enumerando as principais contribuições da dissertação e apontando trabalhos
futuros.
5
2 Processamento de Imagens Médicas
Uma imagem pode ser definida como uma função bidimensional f(x,y), ou
tridimensional f(x,y,z), onde x, y e z representam as coordenadas aritméticas e f é a
informação de cor daquele determinado elemento da imagem (pixel). Entende-se por
processamento digital de imagem os processos de aquisição, pré-processamento,
segmentação, representação, descrição e reconhecimento de padrões (Gonzalez e Woods,
2002). A primeira aplicação do processamento digital de imagem foi na imprensa, onde se
necessitava transmitir uma imagem de Londres a Nova York através de cabo submarino na
década de 20.
Na área médica, o processamento de imagens foi difundido pelo advento da
capacidade de processamento dos computadores, digitalização das imagens e a melhoria da
sensibilidade dos equipamentos radiológicos.
A tendência de digitalização de sinais biológicos fez crescer o interesse da
comunidade científica por novas aplicações e desenvolvimentos tecnológicos, como, técnicas
de armazenamento e compressão de imagens, padrões de conectividade de equipamentos
médicos, algoritmos de processamento digital de sinais e imagens, técnicas de visualização e
reconstrução de sinais, métodos de reconhecimento de padrões, etc. As primeiras aplicações
envolvendo métodos de processamento de imagens para área médica foram voltadas a
reconstrução de imagens (Jähne, 2005). É o caso da tomografia computadorizada helicoidal,
onde as imagens são reconstruídas bidimensionalmente pelo giro dos sensores em torno do
objeto ou região do corpo a ser avaliado, e tridimensionalmente pelo deslocamento horizontal
da mesa, formando uma trajetória espiral dos sensores.
Para o entendimento dos conceitos básicos de processamento de imagens, faz-se
necessária a definição de alguns termos (Gonzalez e Woods, 2002):
• Pixel: menor unidade da imagem bidimensional. Seu valor representa uma posição na
escala de cinza ou componente de cor;
• Voxel: elemento de volume representando a menor unidade da imagem tridimensional;
• Conectividade: dois pixels são conectados se estiverem localizados na vizinhança e se as
respectivas intensidades ou níveis de cinza satisfazem o critério de similaridade;
• Adjacência: dois pixels são adjacentes se estiverem conectados e obedecerem ao critério
de adjacência. Como critério de adjancência, há a adjacência ortogonal, onde são
considerados adjacentes os pixels alinhados aos eixos longitudinais, adjancência em forma
6
de estrela, onde, além dos pixels alinhados aos eixos, são considerados os pixels alinhados
a 45º em relação a estes, etc. O mesmo raciocínio é estendido para formas tridimensionais;
• Região: conjunto de pixels conectados;
• Contorno ou fronteira: conjunto de pixels da região, cuja vizinhança é formada por um ou
mais pixels não pertencentes à região;
• Aresta: conjunto de pixels cuja derivada excede um limite pré-estabelecido. A diferença
de contorno e aresta é que o contorno forma um caminho fechado e aresta pode ser
descontínua. Assim, pode-se entender que contorno é formado por um conjunto de arestas.
Na área de neuroimagem, a determinação das coordenadas é relacionada ao espaço
estereotáxico da imagem (Gusmão, 2002). O conceito de estereotaxia foi primeiramente
aplicado em determinados procedimentos cirúrgicos, em que havia a necessidade de guiar um
instrumento até o alvo visado através da orientação geométrica fornecida por outro aparelho.
Havia a necessidade da definição de um ponto de referência e uma função de transferência
para compatibilizar ambos os sistemas de coordenadas. Desta forma, fornecedores de
equipamentos radiológicos devem fornecer um diagrama e/ou orientação para o
posicionamento do ponto de referência e um aplicativo para compatibilizar sistemas de
coordenadas, de modo a viabilizar medições e análises das estruturas observadas na imagem.
2.1 Aquisição da Imagem
De uma forma geral, a aquisição da imagem inicia com um amplificador sendo
sensibilizado por uma determinada faixa de onda no espectro eletromagnético, traduzindo sua
intensidade em sinal elétrico na forma analógica. Este sinal analógico é convertido em digital,
em um processo de amostragem e quantização, conforme mostra a Figura 1.
Figura 1. Processo genérico de aquisição e digitalização de sinais
A radiologia compreende os seguintes campos de pesquisa: raio X, medicina nuclear,
ultrassonografia, tomografia computadorizada e ressonância magnética.
7
Quando se trata de análise de disfunções cerebrais, alvo do presente trabalho, a
ressonância magnética é a modalidade de imagem mais indicada devido a sua alta resolução e
sensibilidade aos diferentes tecidos do encéfalo (Amaro e Yamashita, 2001). A técnica foi
desenvolvida por Paul Christian Lauterbur e Peter Mansfield, os quais compartilharam o
prêmio Nobel em fisiologia e medicina de 2003. A Figura 2 mostra um aparelho de
ressonância magnética.
Figura 2. Equipamento de ressonância magnética
A ressonância magnética ou RM fundamenta-se em três etapas: alinhamento dos spins,
excitação dos spins por pulsos de radiofreqüência e detecção de radiofreqüência emitida pelos
spins. O alinhamento se refere à propriedade magnética de núcleos de alguns átomos cujos
spins tendem a se orientar paralelamente a um campo magnético externo. O núcleo de
hidrogênio (próton) é o elemento utilizado para produzir imagens de seres biológicos. Para
que os núcleos de hidrogênio sejam orientados numa certa direção, é necessária a aplicação de
um campo magnético externo, que pode ser de 1,5 Teslas (30 mil vezes mais intenso que o
campo magnético da Terra). A etapa seguinte é a excitação. Sabe-se que cada núcleo de
hidrogênio vibra numa determinada freqüência proporcional ao campo magnético em que está
localizado. Em um campo magnético externo de 1,5 Teslas, o hidrogênio tem freqüência de
63,8MHz. O aparelho emite então uma onda ou pulso de radiofreqüência nesta freqüência.
Existe uma transferência de energia da onda emitida pelo equipamento para os átomos de
hidrogênio, fenômeno conhecido como ressonância. Quando os núcleos de hidrogênio
recebem a energia, tornam-se instáveis. Ao retornar ao estado habitual, eles emitem ondas
eletromagnéticas na mesma freqüência. O equipamento então detecta essas ondas e determina
a posição no espaço e a intensidade da energia de cada tecido. A intensidade de energia é
8
função do tempo de relaxamento, ou seja, o tempo que os núcleos de hidrogênio retornam ao
seu estado habitual. Essa intensidade é convertida em intensidade de sinal.
Há duas categorias de aquisição de imagem (Haacke e cols., 1999):
• Nas imagens ponderadas em T1, o vetor do campo magnético de excitação M é paralelo
ao campo magnético principal B
0
. O tempo de relaxamento é contabilizado no momento
em que é cessada a excitação até a recuperação de cerca de 63% da magnetização
longitudinal original. Neste tipo de aquisição, a substância branca do encéfalo é mais clara
que a cinzenta, e áreas com alto conteúdo protéico e tecido adiposo em geral tem maior
sinal. O tempo de relaxamento em T1 é denominado longitudinal, sendo obtido pela
expressão 1:
−⋅=
−
1
1)0(
T
t
ZZ
eMM (1)
• Nas imagens ponderadas em T2, o vetor do campo magnético de excitação M é
perpendicular ao campo magnético principal B
0
. O tempo de relaxamento é medido pelo
tempo de alinhamento do núcleo de hidrogênio ao novo campo magnético, ou seja,
quando 37% da magnetização transversal é perdade em relação ao valor original. Neste
tipo de aquisição, os líquidos (líquor), desmielinização e áreas de edema no tecido
cerebral se mostram mais claros. O tempo de relaxamento T2 é denominado transversal,
sendo obtido pela expressão 2:
2
)0(
T
t
xyxy
eMM
−
⋅= (2)
2.2 Diagnóstico Auxiliado por Computador
Os sistemas de diagnóstico auxiliado por computador, também conhecidos pela sigla
CAD, utilizam-se de técnicas provenientes de duas áreas do conhecimento (Castleman, 1996):
1. Visão computacional: envolve o processamento de imagem visando o realce,
segmentação e extração de atributos;
2. Inteligência artificial: inclui métodos para seleção de atributos e reconhecimento de
padrões.
Basicamente, há dois níveis de aplicação para sistemas CAD: o primeiro é o auxílio à
detecção, a partir da verificação de padrões anormais através da varredura da imagem pelo
computador. O segundo é o auxílio ao diagnóstico, classificando o padrão anormal
anteriormente verificado e associando-o ou não a alguma doença (Marques, 2001).
9
Os métodos estatísticos aplicados à medicina diagnóstica têm como objetivo principal
a classificação de indivíduos em grupos. Os testes diagnósticos visam a indicar a presença ou
a ausência de uma determinada doença, com certa chance de erro. A quantificação desta
chance de erro é, basicamente, o objetivo dos métodos estatísticos.
O método mais comum para avaliação de decisões de testes médicos envolve a análise
de dois resultados possíveis: um com a presença e outro com a ausência da doença. Os
resultados previstos pelo método diagnóstico são comparados com os resultados reais, obtidos
por outro método mais preciso. Os conceitos empregados no método estatístico são:
• Acurácia: a proporção de predições corretas. Ou, matematicamente:
N
P
TNTP
ACC
+
+
= (3)
onde: ACC é a acurácia, TP a proporção de positivo-verdadeiros, TN a proporção de
negativo-verdadeiros, P o total de resultados positivos e N o total de resultados negativos.
• Sensibilidade: a proporção de positivos verdadeiros, ou a medida da capacidade do
método de decisão de predizer a condição patológica para aqueles casos que realmente a
apresentam. Ou:
P
TP
TPR = (4)
onde: TPR é a sensibilidade, TP a proporção de positivo-verdadeiros e P o total de resultados
positivos.
• Especificidade: a proporção de negativos verdadeiros, ou seja, a medida da capacidade do
método de decisão de apontar ausência da condição para aqueles casos que realmente não
a têm. Ou:
TN
FP
TN
SPC
+
= (5)
onde: SPC é a especificidade, TN a proporção de negativo-verdadeiros e FP a proporção de
positivo-falsos.
• Valor preditivo positivo: a proporção de positivo-verdadeiros em relação a todas as
predições positivas. Ou:
FP
TP
TP
PPV
+
= (6)
onde: PPV é a preditividade positiva, TP a proporção de positivo-verdadeiros e FP a
proporção de positivo-falsos.
• Valor preditivo negativo: a proporção de negativo-verdadeiros em relação a todas as
predições verdadeiras. Ou:
10
FN
TN
TN
NPV
+
= (7)
onde: NPV é a preditividade negativa, TN a proporção de negativo-verdadeiros e FN a
proporção de negativo-falsos.
Em geral, para qualquer tarefa de decisão médica, a sensibilidade e especificidade
variam em direções opostas. Quando o teste é muito sensível a positivos, tende a gerar muitos
falso-positivos e conseqüentemente, aumenta o número de falso-negativos, diminuindo a
especificidade. Quando o teste é muito específico, tende a gerar muitos falso-negativos e,
conseqüentemente, aumenta o número de falso-verdadeiros, diminuindo a sensibilidade. Um
método de decisão deve buscar o melhor equilíbrio entre sensibilidade e especificidade
conforme o seu propósito.
Assim, o desempenho do teste em auxiliar diagnósticos clínicos é usualmente
demonstrado pela curva ROC (receiver operating characteristic) (Beck e Schultz, 1986). A
Figura 3 mostra a curva ROC: nos eixos estão mapeadas a sensibilidade e a especificidade.
Em um modelo de diagnóstico ideal, a curva ROC coincide com os eixos. Assim, comparando
o desempenho de dois modelos de diagnóstico representados pelas curvas mostradas na
Figura 3, conclui-se que a curva 2 está mais próxima do ideal (próxima dos eixos) e, portanto,
apresenta melhor desempenho em comparação ao modelo diagnóstico representado pela curva
1.
p
r
o
c
e
s
s
o
a
l
e
a
t
ó
r
i
o
1-Especificidade (1-SPC)
Sensibilidade (TPR)
Curva ROC
100%
100%0%
1
2
= proporção de positivos falsos
= proporção de positivos verdadeiros
Figura 3. Curva ROC
11
Na maioria dos casos, um diagnóstico clínico baseado em imagens segue um
procedimento comparativo, onde podem estar situadas as seguintes estratégias:
1. Análise comparativa de imagens do mesmo indivíduo, obtidas por parâmetros de
escaneamento semelhantes, mas em diferentes instantes de tempo. A finalidade deste
procedimento muitas vezes é avaliar o quadro evolutivo de alguma doença ou controle
normal. Este procedimento é denominado de análise multi-temporal;
2. Análise comparativa de imagens do mesmo indivíduo, obtidas por parâmetros de
escaneamento diferentes. Este procedimento é denominado de análise multi-espectral;
3. Análise comparativa de imagens do mesmo indivíduo, obtidas por diferentes
modalidades de escaneamento, tais como, tomografia computadorizada, ressonância
magnética, etc. Este procedimento é denominado de análise multi-modal;
4. Análise comparativa de imagens do indivíduo com um padrão obtido de outros
indivíduos normais. Este procedimento vem sendo extensamente utilizado em
algoritmos computacionais dados aos avanços dos métodos de registro de imagens,
conforme será descrito na Seção 2.4;
5. Análise comparativa de imagens do mesmo indivíduo, avaliando duas imagens obtidas
de diferentes partes do corpo. Um exemplo de aplicação deste procedimento é a
detecção e avaliação de nódulos em mamogramas, a qual espera-se a simetria entre as
mamas esquerda e direita (Winsberg e cols., 1967; Yin e cols., 1991).
2.3 Etapas do Processamento de Imagens
As principais etapas do processamento de imagem são (Gonzalez e Woods, 2002):
1. Aquisição: trata-se de técnicas de digitalização do sinal e obtenção da imagem,
considerando elementos de sensibilização, amostragem, quantificação, etc.;
2. Pré-processamento: reúne técnicas de realce, utilização de filtros, supressão de
estruturas de fundo, preparação da imagem de modo ressaltar alguma propriedade ou
informação que se espera obter da imagem;
3. Restauração: visa reduzir os efeitos do ruído e atenuação da imagem. As técnicas de
restauração tendem a se apoiar em modelos probabilísticos de degradação da imagem;
4. Segmentação: consiste de técnicas de separação da imagem em partes ou objetos
constituintes, conforme os atributos que se espera obter da imagem;
5. Representação e descrição: é nesta etapa que os resultados da segmentação são
convertidos em dados condizentes com os processos computacionais. A representação
pode ser com base no contorno do objeto de interesse ou região. A representação em
12
contorno irá descrever as propriedades limitantes do objeto de interesse, como, análise
da forma, identificação de arestas, inflexões, etc. A representação em região irá
descrever as propriedades internas, como, análise de textura, configurações
topológicas, etc.;
6. Reconhecimento de padrões: compreende a utilização de um classificador. Os
classificadores podem ser baseados em funções de distribuição de probabilidade,
modelos de tomada de decisão envolvendo lógica bayesiana, redes neurais, etc.
As etapas do processamento de imagem estão ilustradas na Figura 4.
1. Aquisição
2. Pré-
processamento
3. Restauração4. Segmentação5.Descrição
6.Reconhecimento
de Padrões
Processamento Digital de Imagens
Figura 4. Etapas do processamento digital de imagens
2.4 Registro de Imagens
Entende-se por registro de imagens o processo de alinhamento geométrico visando a
superposição de duas imagens que representam um mesmo objeto ou cenário, podendo ser
adquiridas em diferentes instantes, ângulos de visão, parâmetros ou modalidades (Zitová e
Flusser, 2003).
O processo de registro de imagem pode ser enunciado como o problema de estimar os
parâmetros de transformação que otimizem a função diferença entre a imagem de origem e a
imagem de referência. Os métodos de determinação dos parâmetros de transformação, ou
métodos de registro de imagem, podem ser considerados como uma operação envolvendo três
componentes (Chen, 1993), conforme ilustra a Figura 5:
13
1. Função imagem D: pode representar o conjunto de pixels que formam aquela imagem,
ou o resultado de algum algoritmo de pré-processamento, visando realçar algum
atributo da imagem, como, por exemplo, as arestas.
2. Parâmetros de transformação M: composto pelos parâmetros de transformação
geométrica.
3. Função objetivo Q: indica quão próxima ou alinhada a imagem origem está da imagem
de referência.
Imagem
de origem D
b
Função
objetivo
Q
Transformações
geométricas M
Otimizador
Imagem de
referência D
a
Pré-processamento Pré-processamento
Figura 5. Processo genérico de registro de imagem
Os métodos de registro de imagem são divididos em duas categorias:
1. As técnicas baseadas em atributos identificam características nas imagens origem e
referência, estimando a função de transformação que melhor alinha as mesmas. As
características da imagem podem representar pontos, linhas, áreas ou volumes,
identificados de forma manual, semi-manual, ou utilizando o apoio de algum
algoritmo de pré-processamento. Como exemplos da aplicação, Thompson (1996)
propôs o modelo fluido para registro de superfícies, e Bookstein (1997) utilizou um
modelo de minimização da energia de curva para obter o registro de um conjunto de
pontos.
2. As técnicas baseadas na função diferença têm como objetivo identificar a função de
transformação que minimizará a função diferença global das imagens origem e
referência. Como exemplo, Woods (1998) utiliza em seu modelo de registro a função
diferença quadrática entre as imagens.
14
A função de transformação pode utilizar parâmetros lineares, denominada
transformação afim, produzindo efeitos de translação, rotação e zoom (ampliação ou redução),
e parâmetros não lineares, utilizando modelos de deformação. A diferença básica é que as
transformações afins produzem efeitos em toda imagem e são lineares, enquanto os modelos
de deformação podem operar localmente. Exemplos de implementações baseadas em modelos
de deformação incluem modelos de similaridade (Bajcsy e Kovacic, 1989), transformações
polinomiais (Singh e cols., 1984) e métodos de mapeamento de contorno (Davatzikos e cols.,
1996).
Entende-se por transformação afim a composição de transformações lineares seguida
de translações, ou seja,
D
AX
X
+
=
'
. A equação 8 expressa a transformação afim
considerando um espaço tridimensional:
'
'
'
'
333
222
111
+
⋅
=
dz
dy
dx
z
y
x
cba
cba
cba
z
y
x
(8)
Assim, uma matriz de transformação afim é formada pela combinação de 9 parâmetros
independentes );;(
iii
cba , para i = 1, 2, 3, e 3 parâmetros de translação );;( dzdydx . Os efeitos
de translação, rotação, zoom e cisalhamento (shear) são produzidos pela combinação de 12
parâmetros, conforme enumerados a seguir:
• Rotação:
+
⋅
−
−
⋅
−
⋅
−=
12
11
10
33
33
22
22
11
11
100
0)cos()(
0)()cos(
)cos(0)(
010
)(0)cos(
)cos()(0
)()cos(0
001
'
'
'
q
q
q
z
y
x
qqsen
qsenq
qqsen
qsenq
qqsen
qsenq
z
y
x
(9)
onde parâmetros );;(
321
qqq representam os ângulos de rotação em referência aos eixos x, y e
z, respectivamente.
• Zoom:
+
⋅
=
12
11
10
6
5
4
00
00
00
'
'
'
q
q
q
z
y
x
q
q
q
z
y
x
(10)
onde parâmetros );;(
654
qqq representam os fatores de ampliação ( 1>
i
q , para i = 4, 5, 6) ou
redução ( 1<
i
q , para i = 4, 5, 6) em referência aos eixos x, y e z, respectivamente.
• Cisalhamento:
+
⋅
=
12
11
10
9
87
100
10
1
'
'
'
q
q
q
z
y
x
q
qq
z
y
x
(11)
15
onde parâmetros );;(
987
qqq representam os fatores de cisalhamento em referência aos eixos
x, y e z, respectivamente.
A equação 12 ilustra um modelo de deformação baseado na combinação linear de
funções polinomiais de primeiro grau:
xyzczxcyzcxyczcycxccz
xyzbzxbyzbxybzbybxbby
xyzazxayzaxyazayaxaax
76543210
76543210
76543210
'
'
'
+++++++=
+++++++=
+++++++=
(12)
onde a transformação é definida por 24 parâmetros independentes ),,(
iii
cba , para i = 0, 1, 2,
... 7.
Quando se trata de modelos de deformação baseados em funções polinomiais de
elevado grau, o número de parâmetros cresce exponencialmente. Assim, para simplificar a
processamento computacional, Ashburner (2000) mostra uma utilização de modelos de
deformação pela combinação linear de funções base de cossenos.
∑
∑
∑
=
=
=
+=
+=
+=
n
ji
ijji
n
ji
ijji
n
ji
ijji
xdqxy
xdqxy
xdqxy
)(
)(
)(
333
222
111
(13)
onde q
ji
é o j-ésimo coefiente para a dimensão i e d
j
(x
i
) é a j-ésima função base na posição i,
para i=1, 2, 3.
No caso, as funções base d
ji
são transformatas discretas de cosseno (DCT) com
componentes de baixa freqüência de três dimensões. A equação 14 mostra a transformata
DCT em uma dimensão gerada pela matriz D
T
com elementos I x M:
MmIi
I
mi
I
d
Ii
I
d
im
i
...2;...1;
2
)1)(12(
cos
2
...1;
1
1
==
−−
⋅=
==
π
(14)
A Figura 6 ilustra as funções base em forma de transformata DCT de duas dimensões.
16
Figura 6. Função base discreta de cossenos com duas dimensões e componente de baixa frequência
As dimensões do voxel necessitam ser consideradas no processo de registro de
imagem. Geralmente as dimensões das imagens de origem e referência não são isotrópicas.
Uma imagem é isotrópica quando possui as mesmas propriedades em todas as dimensões ou
direções. O conceito de espaço euclideano é utilizado como abstração matemática, com
medidas expressas em milímetros. O mapeamento do sistema de coordenadas da imagem para
o sistema de coordenadas euclideano é definido por uma matriz de transformação afim. Para
ilustrar, se a imagem representada pela função f possui dimensões [128 x 128 x 43] pixels e
voxels com dimensões [2,1 x 2,1 x 2,45] mm, a função transformação é definida conforme
equação 15:
−
−
−
+
⋅
=
675,52
4,134
4,134
45,200
01,20
001,2
'
'
'
z
y
x
z
y
x
(15)
ou, considerando a utilização de uma matriz 4 x 4:
ifi
f
xMxf
M
×=
−
−
−
=
)(
1000
675,5245,200
4,13401,20
4,134001,2
(16)
onde f(x
i
) é a representação da imagem no espaço euclideano, para i = 1, 2, 3, e M
f
é a matriz
de transformação afim.
17
Ainda, admitindo que M
r
é matriz de transformação afim que mapeia os voxels da
imagem g em f, a função da imagem g pode ser obtida pela expressão 17:
igrfi
xMMMxg ×××=
−− 11
)( (17)
O objetivo do otimizador é determinar os valores para os parâmetros da função
transformação que minimizam ou maximizam a função objetivo. Considerando uma
abordagem matemática, o problema de otimização consiste em minimizar f(x), sendo
Ω
∈
x . A
função RRf
n
→: é denominada função objetivo, ou função custo. O vetor x é formado por n
variáveis independentes, tal que,
nT
n
Rxxxx ∈= ],...,,[
21
. As variáveis x
1
,...,x
n
são
denominadas variáveis de decisão. O conjunto Ω trata-se de um subconjunto de R
n
,
denominado espaço restrição (Chong e Zak, 2001).
No caso do processo de registro de imagens, a função objetivo proposta é a
minimização da diferença quadrática entre as imagens origens e referência (Friston e cols.,
1995). O processo de otimização é interrompido quando se chega à convergência do critério
adotado, no caso, a diferença da função objetivo em relação à iteração anterior atinge um
valor próximo de zero. O método de otimização adotado é o Gauss-Newton, o qual considera
como função objetivo a expressão 18:
∑
=
m
i
i
xr
1
2
)]([min (18)
onde RRr
n
i
→: , i = 1,...,m são funções dadas, ou:
⋅−×
∑
=
m
i
ii
xgqxMf
1
2
13
)]()([min (19)
onde f é a imagem origem, g a imagem de referência, M a matriz de transformação afim da
imagem f em g e q
13
o multiplicador para equalização da intensidade do sinal. A combinação
dos parâmetros q
1
a q
12
forma a matriz de transformação afim.
A expressão 20 mostra a função objetivo no caso de modelos de deformação
(utilização de parâmetros não lineares):
⋅−
∑
=
m
i
ii
xgwyf
1
2
)]()([min (20)
A combinação de parâmetros não lineares pelo modelo de deformação descrito na
equação 13 visando à minimização da função objetivo descrita na expressão 20, aplicando um
otimizador, não é suficiente para assegurar convergência: é necessária a utilização de uma
função de regularização. A regularização visa minimizar a soma da diferença quadrática das
18
imagens origens e referência, ao mesmo tempo em que busca a minimização de alguma
função proporcional ao campo de deformação.
Ashburner (2000) propôs a utilização de um modelo de regularização linear
denominado membrana de energia (Amit e cols., 1991), mostrado na expressão 21. O modelo
é baseado na minimização da distância entre os parâmetros de deformação e seu valor mais
provável. Para estimar o valor mais provável, foi empregado um modelo de conhecimento
prévio e lógica bayesiana, utilizando estimadores como o MAP (maximum a posteriori) e
MVE (minimum variance estimate).
∂
∂
∑∑∑
= =
m
i j k
ki
ji
x
u
3
1
3
1
2
min λ (21)
onde u é função do campo de deformação, λ uma constante, x a direção, m o grau da função.
Ainda, na estratégia proposta por Ashburner (2000), o primeiro passo para obter o
registro de imagens de diferentes indivíduos é determinar a combinação ótima dos 12
parâmetros de transformação afim, visando obter a minimização da função objetivo mostrada
pela expressão 19, utilizando f como imagem origem e g a imagem de referência. O próximo
passo é minimizar ainda mais a função objetivo, determinando a combinação ótima dos
parâmetros do campo de deformação mostrado em 13, convergindo na minimização da função
objetivo mostrada em 20, juntamente com a minimização da função de regularização da
expressão 21.
2.5 Segmentação
O objetivo da segmentação é isolar da imagem atributos, objetos ou propriedades. Esta
é a operação mais complexa do processamento de imagem. Os métodos de segmentação
podem ser baseados na intensidade do sinal, pelas propriedades de descontinuidade ou
similaridade, e/ou sua localização espacial na imagem. Por similaridade entende-se o
agrupamento de regiões, enquanto descontinuidade refere-se à identificação de pontos, linhas
e arestas.
Há diferentes métodos de segmentação, dentre os principais:
1. Segmentação por crescimento de região: algoritmos baseados em crescimento de
região, basicamente, iniciam com a definição de uma região inicial (seed), considerado
no interior do objeto de interesse que se espera segmentar. Os pixels na vizinhança
desta região são avaliados para determinar se devem ou não ser incorporados à região
inicial. O processo se repete enquanto tiver pixels sendo adicionados à região inicial.
19
Os algoritmos de crescimento de região variam em função do critério adotado para
decidir se o pixel deverá ser incluído na região inicial ou não, o tipo de conectividade
utilizado para determinar a vizinhança e a estratégia de visitação da vizinhança.
Chupin (2006) mostra um exemplo de aplicação visando a segmentação do
hipocampo, uma estrutura do encéfalo;
2. Segmentação por divisor de águas (whatershed): algoritmos de segmentação baseados
nesta técnica classificam os pixels em regiões utilizando critério de gradiente
descendente nas características da imagem e análise de pontos de pico ao longo das
fronteiras da região. A técnica de segmentação por divisor de águas é flexível no
sentido que não produz uma simples imagem segmentada, mas uma hierarquia de
relações de regiões a partir da definição de uma região ou conjunto de regiões iniciais
(Yoo e cols., 1992);
3. Segmentação por textura: na segmentação por textura as regiões são identificadas
conforme sua textura. Nos modelos supervisionados (quando há o conhecimento
prévio das características da região de interesse), a textura pode ser parametrizada
através de filtros, função de distribuição e outros modelos estatísticos (Gonzalez e
Woods, 2002);
4. Segmentação por curvas de nível (level set): trata-se de um método numérico para
mapear a evolução de contornos e superfícies. O contorno inicial é definido no nível
zero por uma função ψ(X,t) = 0. A principal vantagem deste método de segmentação é
que a complexidade das regiões pode ser modelada e mudanças de topologia tais como
fusão ou divisão de regiões podem ser facilmente identificadas. A desvantagem é a
dependência de uma região inicial. A função de curva de nível é controlada por uma
equação diferencial, cujo comportamento é influenciado pela intensidade, gradiente e
arestas da imagem. A equação 22 mostra o modelo matemático das curvas de nível. O
objetivo é encontrar uma solução para ψ da equação diferencial parcial (Sethian,
1996).
ψγψβψα ∇+∇−∇⋅−=Ψ kxZxPxA
dt
d
)()()( (22)
onde, A é o termo de curvatura, P o termo de propagação (expansão), Z o termo de alteração
espacial para a constante de curvatura média k. Os termos α, β, γ são constantes que
influenciam o peso de cada termo.
20
Há ainda outros métodos derivados da segmentação em curvas de nível, como,
contornos dinâmicos geodésicos (Caselles e cols., 1997), Snakes (Kass e cols., 1995),
contornos dinâmicos guiados pelo conhecimento prévio da forma (Leventon e cols., 2000).
5. Métodos híbridos: a segmentação híbrida integra as forças e fraquezas dos métodos de
segmentação baseados em região e os baseados em aresta. Um exemplo é a integração
da técnica de segmentação por lógica fuzzy e classificação de diagrama de Voronoi, ou
a integração do método Gibbs com modelos deformáveis (Imielinska e cols., 2001;
Angelini e cols., 2002; Udupa e cols., 2002).
Outros métodos de segmentação fazem uso de algoritmos de agrupamento (clustering)
(Hartigan, 1975). Ashburner (2000) utiliza o método de composição de formas e maximização
da probabilidade com base em uma imagem previamente segmentada como referência,
visando o particionamento da imagem em RM do crânio em 3 tecidos do encéfalo: substância
cinzenta, substância branca e líquor. O método foi estendido, visando abrigar a distribuição de
probabilidade de determinada coordenada na imagem pertencer a uma dada substância do
encéfalo. Esta classificação de probabilidade é baseada na intensidade do voxel. O modelo
assume que uma imagem em RM consiste no agrupamento de um número limitado de classes
ou tipos de substância, o qual cada voxel seria classificado em uma classe, seguindo uma
distribuição normal descrita por um vetor médio e uma matriz de covariância.
O problema principal da classificação das substâncias do encéfalo utilizando a técnica
de segmentação por agrupamento é a não uniformidade das imagens em RM em função de
características técnicas do equipamento e ruído. Em uma imagem em RM há ruídos
multiplicativos em função da modulação do sinal e ruídos aditivos, como o ruído Gaussiano.
Leemput (1999) propôs a utilização de funções base polinomiais como forma de corrigir a
não uniformidade, modulando a imagem. Ainda, recomenda a aplicação de filtros de
suavização para limitar sinais de alta freqüência, muito comum no caso de ruído Gaussiano.
Com a intensidade dos voxels devidamente ajustada pela função de modulação
estimada sendo g
ij
, utilizando o teorema de Bayes, a probabilidade de cada voxel pertencer a
uma determinada classe ou substância do encéfalo é dada pela expressão 23:
∑
=
⋅
⋅
=
k
l
ijlijl
ijkijk
ijk
sr
sr
p
1
, sendo i = 1...I; j = 1...J, k = 1...K (23)
onde: p
ijk
é a probabilidade a posteriori do voxel i,j pertencer à classe k dada a intensidade g
ij
,
r
ijk
a probabilidade do voxel i,j ter a intensidade g
ik
, e s
ijk
a probabilidade a priori do voxel i,j
pertencer à classe k.
21
A função de probabilidade é obtida desenvolvendo a função densidade de
probabilidade de cada classe dos voxels, conforme a expressão 24:
−−
=
−
k
kij
kijk
c
vg
cr
2
)(
exp)2(
2
2
1
π , sendo i = 1...I; j = 1...J; k = 1...K (24)
onde c
k
é a variância de cada classe, e v
k
é a intensidade média de cada classe.
A probabilidade a priori s
ijk
é baseada em dois fatores: o número de voxels
pertencentes a cada classe, representado pela letra h
k
, e a probabilidade a priori das imagens
derivadas de outras imagens, b
ijk
, conforme mostra a expressão 25. Quando não há o
conhecimento a priori da distribuição espacial dos agrupamentos, a probabilidade a priori de
qualquer voxel pertencer a uma dada classe é proporcional apenas ao número de voxels
incluídos na classe.
∑∑
= =
⋅
=
I
l
J
m
lmk
ijkk
ijk
b
bh
s
1 1
, sendo i = 1...I; j = 1...J; k = 1...K (25)
Ashburner (2000) propõe um processo iterativo, onde diferentes parâmetros da função
de modulação são testados, utilizando um otimizador que tem como função objetivo a
expressão 26. O processo iterativo termina no momento em que não ocorrerem mudanças nos
resultados da função em comparação com a iteração anterior.
∑∑ ∑
= = =
I
i
J
j
K
k
ijkijk
sr
1 1 1
log (26)
O método de segmentação baseada em atlas anatômico utiliza a função de
transformação e mapa de deformação resultante do processo de registro de imagem, mostrado
na Seção 2.4, para identificar na imagem original as estruturas de interesse (Collins e cols.,
1999). O atlas anatômico pode estar representado por uma função de probabilidade apriori das
estruturas de interesse, utilizado como parâmetro na expressão 23. Desta forma, a
segmentação ocorre pelo agrupamento e maximização da função probabilidade, conforme
expressão 26. Ainda, o atlas anatômico pode estar representado simplesmente pelas
coordenadas das estruturas de interesse. O método resulta em estruturas marcadas na imagem
original alinhada à imagem de referência pelo processo de registro de imagem. As
coordenadas das estruturas marcadas são trazidas para o sistema de coordenadas da imagem
original pela aplicação da função de transformação e mapa de deformação (warping) inversos.
A Figura 7 mostra as etapas da segmentação baseada em atlas anatômico através de um
esquema didático.
22
Sistema
de coordenadas
conhecido
Função
de transformação
e mapa de
deformação
Função
de transformação
e mapa de
deformação
1
Sistema
de coordenadas
desconhecido
Imagem
Origem
Imagem
Referência
Sistema
de coordenadas
conhecido
Marcação
Marcação
2
Imagem
Referência
Sistema
de coordenadas
conhecido
Função de
transformação
e mapa de
deformação
inverso
Função de
transformação
e mapa de
deformação
inverso
3
Sistema
de coordenadas
desconhecido
Imagem
Origem
Imagem
Referência
Figura 7. Esquema didático mostrando as etapas da segmentação baseada em atlas anatômico
23
2.6 Morfometria
A morfometria, no âmbito das neurociências, surgiu pela necessidade de avaliar e
medir as diferenças estruturais do encéfalo de uma determinada população e seus efeitos sob
determinadas estruturas do encéfalo, considerando pacientes com esquizofrenia, autismo,
dislexia e síndrome de Turner (Ashburner e Friston, 2000). Para tanto, a morfometria utiliza
modelos estatísticos multivariáveis, visando mapear as estruturas com maior variabilidade. Há
3 modelos de morfometria:
1. VBM (voxel-based morphometry): a técnica de VBM visa mapear a variabilidade de
diferentes estruturas do encéfalo comparando voxel a voxel entre imagens de dois
indivíduos ou entre grupos de indivíduos. O resultado desta comparação é expresso
em diferentes níveis de sinal, significando a concentração local de uma dada estrutura.
O resultado é um mapa estatístico representando uma determinada população (Wright
e cols., 1995). A principal aplicação da técnica de VBM é apoiar o processo de
registro de imagem, transportando as imagens para um mesmo sistema de coordenadas
estereotáxico, conforme processo descrito na Seção 2.4, bem como a segmentação do
encéfalo nas substâncias cinzenta, branca e líquor, processo descrito na Seção 2.5.
Procedimentos padrão de testes (t-tests e F-tests) são utilizados visando validar as
hipóteses e modelos estatísticos (Ashburner, 2000; Ashburner e Friston, 2001);
2. DBM (deformation-based morphometry): neste modelo, as diferenças dos encéfalos de
uma determinada população são caracterizadas por um campo de vetores. O resultado
é um campo de deformação representado por múltiplas variáveis, semelhante ao
modelo de deformação descrito na Seção 2.4, equação 13. Para o teste, são utilizadas
análises padrão de estatística, como a significância e MANCOVA (mutivariate
analysis of covariance). Uma aplicação deste modelo é o estudo da diferenças
anatômicas globais de encéfalos de diferentes populações (Ashburner e cols., 1998;
Chung e cols., 2000);
3. TBM (tensor-based morphometry): o objetivo do TBM é localizar diferenças de forma
regionais entre um determinado grupo, baseado no campo de deformação que mapeia
os pontos equivalentes na imagem de referência e a imagem origem. O resultado é
representado pela matriz Jacobiana de deformação (derivada de 2ª ordem do vetor de
deformação). Uma aplicação deste modelo é o estudo de diferenças volumétricas de
uma dada estrutura do encéfalo, considerando uma determinada população (Kipps e
cols., 2005).
24
2.7 Resumo do Capítulo
Neste capítulo avaliamos as diferentes etapas relacionadas ao processamento de
imagens, considerando desde a aquisição do sinal até a segmentação do objeto de interesse.
Na aquisição, detalhamos os princípios físicos existentes na modalidade de ressonância
magnética. Ainda, explicamos os princípios e modelos estatísticos envolvidos na segmentação
baseada em atlas anatômico, como, registro de imagens, segmentação e morfometria,
utilizados para o desenvolvimento do presente trabalho. No próximo capítulo, detalharemos as
estruturas do sistema nervoso e o impacto de doenças neurodegenerativas. Ainda, levantamos
as principais ferramentas computacionais empregadas na área de neuroimagem.
25
3 Ferramentas para Processamento de Imagens do
Encéfalo
3.1 Estruturas do Encéfalo
O sistema nervoso humano é dividido em sistema nervoso central (SNC) e sistema
nervoso periférico (SNP) (Purves e cols., 2004). O SNC é composto por: medula espinhal,
bulbo, ponte, mesencéfalo, cerebelo, diencéfalo e hemisférios cerebrais. O bulbo, a ponte e o
mesencéfalo compõem o tronco cerebral. O diencéfalo e os hemisférios cerebrais compõem o
prosencéfalo. O diencéfalo é composto pelos tálamos e hipotálamos. A Figura 8 mostra uma
visão do sistema nervoso humano.
26
Cérebro
Diencéfalo (tálamo e hipotálamo)
Mesencéfalo
Cerebelo
Bulbo
Medula cervical
Intumescência
cervical
Nervos
cervicais
Nervos
torácicos
Nervos
lombares
Intumescência
lombar
Cauda eqüina
Nervos
sacros
Nervos
coccígeo
Ponte
Medula dorsal
Cone medular
Figura 8. Estruturas do sistema nervoso
O encéfalo humano é composto por aproximadamente 100 bilhões de neurônios, com
10.000 conexões cada um, pesando de 1kg a 1,5kg, com volume de aproximadamente 1,6
litros. O encéfalo consome 25% da glicose e 20% do oxigênio utilizado pelo corpo,
dissipando de 0,1 a 1,5 calorias por minuto (Magistretti e cols., 1995).
O sistema de coordenadas utilizado para localizar estruturas encefálicasfoi construído
para coincidir com as próprias estruturas do sistema nervoso central, conforme mostra a
Figura 9. Assim, conforme mostra a Figura 10, as seções horizontais ou transversais do
encéfalo são adquiridas de forma paralela com o eixo cefálico-caudal do corpo. O plano que
27
divide os dois hemisférios cerebrais na linha central é chamado de seção sagital mediana. O
plano paralelo com a face, e ortogonal ao plano sagital é denominado coronal ou frontal.
Superior
Anterior
Posterior
Inferior
Rostral
Dorsal
Dorsal
Eixo longitudinal do
tronco cerebral ou
medula espinhal
Eixo longitudinal
do cérebro
Figura 9. Sistema de coordenadas do sistema nervoso
Plano sagital
Plano transversal
ou horizontal
Plano coronal
Figura 10. Planos de aquisição de imagens
Em uma visão funcional, o tronco cerebral é responsável por conduzir a maior parte
das informações sensoriais que chegam da medula espinhal para o cérebro, e por levar os
comandos motores do cérebro para os nervosperiféricos, passando pela medula espinhal. O
tronco cerebral abriga funções vitais, tais como, o controle dos batimentos cardíacos, da
respiração, da pressão arterial sanguínea e do nível de consciência. O cerebelo é essencial
28
para a coordenação e planejamento dos movimentos, bem como para as atividades de
aprendizado motor. Cada hemisfério cerebral é subdividido em quatro lobos (Figura 11):
occipital, temporal, parietal e frontal. Os nomes foram derivados dos ossos do crânio. Várias
outras estruturas anatômicas são identificadas nos hemisférios cerebrais, conforme
demonstrado na Figura 12. O hipocampo e a amígdala hipocampal, estruturas mesiais dos
lobos temporais, atuam nos substratos de memória e comportamento emocional,
respectivamente. O tálamo, constituinte do diencéfalo, atua no processamento de informações
sensoriais. O hipotálamo ocupa a porção mais ventral do diencéfalo, e constitui um centro
integrador, comunicando-se extensamente com grande número de regiões do SNC, e com
diversos órgãos periféricos através do sistema nervoso autônomo e do sistema endócrino. Esta
estrutura pode ser considerada como o grande coordenador da homeostasia (Lent, 2004).
Lobo
parietal
Lobo
frontal
Lobo
temporal
Lobo
occipital
Lobo
frontal
Lobo
parietal
Lobo
occipital
Lobo
temporal
Figura 11. Lobos dos hemisférios cerebrais
29
Corpo
caloso
Cápsula
interna
Substância
branca
Cortex
cerebral ou
Substância
cinzenta
Núcleo
caudado
Lobo
temporal
Amigdala
Núcleo basal
do prosencéfalo
Quiasma
óptico
Putâmen
(B)
Seção
mostrada
em (B)
Seção
mostrada
em (C)
(A)
Corpo do
ventrículo
lateral
Cápsula
interna
3ºventrículo
Núcleos
caudais
Corpo
temporal do
ventrículo
lateral
Hipocampo
Corpo
caloso
Tálamo
Putâmen
Caudado
Globo
pálido
Fórnice
Corpo
mamilar
(C)
Comissura
anterior
Figura 12. Estruturas internas do cérebro
Dentre as várias estruturas encefálicas, duas delas foram o alvo de interesse no
presente trabalho:
• Hipocampo: localizado na região mesial do lobo temporal (já informou isso lá em cima),
pertence ao sistema límbico; possui importante função na memória declarativa e
orientação espacial.
• Corpo caloso: constitui a maior das comissuras inter-hemisféricas, sendo formado por um
grande número de axônios mielinizados que cruzam o plano sagital mediano,
interconectando áreas simétricas do córtex dos hemisférios cerebrais (Machado, 1988).
Trata-se da maior estrutura da substância branca, composta de 200 a 250 milhões de fibras
ou projeções de axônios.
30
3.2 Doenças Relacionadas com Alterações Estruturais do
Encéfalo
Dentre as doenças neurológicas que impactam estruturas do sistema nervoso, existe
um grupo caracterizado como doenças neurodegenerativas. Estas doenças podem evoluir com
perda de axônios e neurônios. Descobertas recentes da histologia e análise funcional de
imagens ajudam a identificar o mecanismo desencadeador da atrofia cerebral, determinando a
relação da neurodegeneração com outros marcadores biológicos (Bakshi e cols., 2005).
As doenças neurodegenerativas mais comuns são:
• Doença de Alzheimer: o psiquiatra alemão Alois Alzheimer descreveu em 1907 os
sintomas e alterações cerebrais causados por essa doença, que se caracteriza por
demência, perda progressiva de memória e da capacidade de aprendizado, dificuldades na
linguagem, dificuldade no reconhecimento de objetos, perda da capacidade de realizar
atos motores e mentais, e dificuldades de organização, planejamento e conceituação. A
doença acomete principalmente indivíduos acima de 65 anos. Na doença de Alzheimer
ocorre perda de neurônios em áreas cerebrais responsáveis por memória e aprendizado. As
estruturas inicialmente comprometidas e mais impactadas são as estruturas mesiais
temporais, formadas pelos hipocampos, girospara-hipocampais e amígdalas (Bottino e
cols., 1998). A doença é caracterizada pelo(não ocorre atrofia na fase inicial) acúmulo
excessivo de placas amilóides e emaranhados neurofibrilares. O resultado final é a
diminuição de neurotransmissores, principalmente a acetilcolina, inicialmente em regiões
específicas do cérebro, mas que mais tarde afetarão todo o córtex (Cummings e Bensom,
1987);
• Doença de Huntington: é uma desordem neurodegenerativa hereditária, autossômica
dominante, completamente penetrante, caracterizada por distúrbios de movimento, da
mente e comportamento, podendo passar de uma geração a outra com chance de acometer
50% dos filhos de pais ou mães doentes. As principais características são o aparecimento
de movimentos involuntários dos membros, do tronco e da face, diminuição da capacidade
intelectual e alterações no comportamento e na personalidade. Os pacientes com doença
de Huntington apresentam destruição de neurônios de uma parte do cérebro chamada
núcleo estriado, que produz o neurotransmissor GABA. A redução da liberação deste
neurotransmissor no SNC determina o aparecimento de movimentos involuntários
irregulares e deteriorização mental progressiva. Estudos indicam a associação da doença
de Huntington com atrofia dos núcleos da base; mas também pode apresentar atrofia do
31
cerebelo e tronco cerebral, associado à atrofia cortical e subcortical (Kassubek e cols.,
2005);
• Esclerose múltipla: é uma doença do SNC, lentamente progressiva, que se caracteriza por
placas de desmielinização que, dependendo das áreas acometidas podem dar lugar a
sintomas e sinais neurológicos variados podendo ter um padrão de surto-remissão e/ou
progressivo. Os pacientes com esclerose múltipla podem manifestar problemas visuais,
distúrbios da linguagem, da marcha, do equilíbrio, da força, fraqueza em uma ou mais
extremidades e dormências. Ainda não foram definidas as causas para a esclerose
múltipla, entretanto estudam-se como possibilidades as anomalias imunológicas, a
infecção produzida por um vírus latente ou a ação de enzimas (Simon e cols., 1999);
• Doença de Parkinson: esta doença foi descrita por James Parkinson em 1817. A doença é
caracterizada pela associação de quatro distúrbios motores: lentidão de movimentos,
rigidez corporal, instabilidade de postura e tremor, sobretudo em repouso. A progressão é
lenta, mas nas fases avançadas da doença pode haver comprometimento intelectual. Na
doença de Parkinson, há perda dos neurônios que produzem o neurotransmissor
dopamina, especialmente os localizados na substância nigra, que participam do controle e
da coordenação dos movimentos, assim como da manutenção do tônus muscular e da
postura. Os sintomas ocorrem quando 50% dos neurônios dopaminérgicos e 90% da
dopamina estriatal são perdidos. Algumas alterações morfológicas cerebrais podem ser
avaliadas por ressonância magnética, o que pode auxiliar no diagnóstico diferencial com
outras síndromes parkinsonianas (Vedolin e cols., 2004). As alterações morfológicas
principais são observadas na pars compacta da substância nigra, no núcleo caudado e no
putâmen.
3.3 Ferramentas para Processamento de Imagens Médicas do
Encéfalo
A tecnologia computacional proporcionou a análise de imagens neurológicas de forma
mais apurada, fornecendo ao especialista o controle de instrumentos sofisticados de imagem e
a manipulação de uma quantidade extensa de dados de alta complexidade. Na ressonância
magnética funcional (fMRI), por exemplo, algoritmos computacionais são utilizados para
planejar e implementar o controle de captura do sinal, bem como sua correlação com
estímulos ou tarefas cognitivas, reconstrução e representação tridimensional, supressão do
ruído, análise estatística e visualização. Além disso, tecnologias computacionais propiciam o
armazenamento, estruturação, compartilhamento e comparação de um grande conjunto de
32
dados. Mais ainda, o rápido avanço da neurociência impele a proliferação de diferentes
aplicativos computacionais, buscando atender ao interesse de um determinado público. A
preocupação quanto à robustez, facilidade de uso e interoperabilidade destes diferentes
aplicativos é importante, pois, a ausência destas características poderia comprometer a
reprodutibilidade dos achados científicos.
Na área de neuroimagem, algumas instituições com renome internacional se propõem
a apoiar e normalizar o crescimento tecnológico e interoperabilidade das aplicações. São elas:
• Neuroimaging Informatics Technology Initiative (NIfTI). As atividades são do NIfTI são:
coordenar seminários, treinamentos e normalizar serviços computacionais de apoio a
neuroimagem. O objeto de interesse do NIfTI é a ressonância magnética funcional
(fMRI). O NIfTI é coordenado pelo NIMH (National Institute of Mental Health) e
National Institute Neurological Disorders na Inglaterra. Uma contribuição do NIfTI é o
formato de armazenamento de imagens NIfTI-1, o qual trata-se de uma extensão do
formato ANALYZE 7.5 desenvolvido pelo Biomedical Imaging Resource da Fundação
Mayo, disponível na Web pelo endereço http://www.mayo.edu/bir/SoftwareAnalyze/
Analyze.html, acessado em Junho/2007.
• The Human Brain Project (HBP). O HBP foi lançado em 1993 com a proposta de apoiar a
nova ciência neuroinformática (Beltrame e Koslow, 1999). Entende-se por
neuroinformática a aplicação de recursos computacionais para o desenvolvimento de
ferramentas que irão subsidiar os principais avanços e descobertas da estrutura e
funcionamento do sistema nervoso, em particular, do encéfalo. Os responsáveis pelo HBP
organizam seminários e workshops periódicos, com a idéia da difusão das informações e
controle de aplicativos e desenvolvimentos tecnológicos na área. O HBP é coordenado
pelo National Institute of Mental Health (NIMH), Estados Unidos.
A primeira iniciativa de normalização do sistema de coordenadas foi empreendida por
Talairach (1988). Talairach dissecou e fotografou um encéfalo, mapeando as coordenadas de
regiões já batizadas por Korbinian Brodmann (1909), conhecidas como áreas de Brodmann. O
MNI (Montreal Neurological Institute) definiu um novo sistema de coordenadas, conhecido
como sistema MNI. O objetivo era definir um sistema de coordenadas que fosse mais
representativo da população. O sistema MNI foi baseado em 305 aquisições (Evans e cols.,
1993), sendo adotado como padrão pelo ICBM (International Consortium for Brain
Mapping), consórcio instituído em 1993 por iniciativa do NIMH, composto por 4 instituições
de pesquisa: UCLA (University of California), MNI, University of Texas e Juelich/Heinrich
Heine University na Alemanha.
33
A Tabela 1 relaciona as diferentes bibliotecas de funções, ou aplicativos
computacionais desenvolvidos com base em método numérico, visando atender a um conjunto
de necessidades na área de neuroimagem. Trata-se de uma lista que não tem por finalidade
esgotar o tema, mas, apontar sua diversidade. Segundo HBP, há um total de 179 aplicativos
e/ou bibliotecas registradas. As funcionalidades apontadas por cada aplicativo estão descritas
a seguir:
1. Alinhamento. O alinhamento tem por objetivo corrigir ou amenizar os efeitos
negativos de movimentos involuntários da cabeça ao longo do exame, no caso de
uma aquisição de crânio. O alinhamento pode ser implementado pelo processo de
registro de imagens intra-sujeito, ou outro algoritmo computacional. Entende-se
como registro de imagem intra-sujeito quando o registro acontece entre aquisições
de um mesmo indivíduo;
2. Co-registro. A função de co-registro tem por objetivo registro de imagens inter-
modais. Entende-se por registro de imagens inter-modais o registro envolvendo
aquisições de um mesmo indivíduo, mas em modalidades diferentes;
3. Normalização espacial. A normalização espacial trata do uso de funções de
transformação espacial visando o registro de imagens inter-sujeitos. Entende-se
por registro de imagens inter-sujeitos o registro envolvendo aquisições de
diferentes indivíduos;
4. Correção da não-homogeneidade. A não uniformidade da intensidade de sinal em
aquisições em ressonância magnética, característica influenciada pelas
propriedades físicas e construtivas dos aparelhos de ressonância magnética, pode
causar impactos no desempenho de algoritmos computacionais de segmentação
(Sled e cols., 1997). Há a necessidade de uniformizar a intensidade do sinal pela
aplicação de um algoritmo de correção. Arnold (2001) avalia o desempenho de
alguns algoritmos de uniformização de intensidade;
5. Segmentação. A segmentação se refere à função de segmentar a imagem do crânio
em quatro componentes: substância cinzenta, substância branca, líquor e estruturas
ou regiões não associadas ao encéfalo.
34
Tabela 1. Relação de aplicativos e bibliotecas de processamento de imagens médicas
Funcionalidades
Nome
Alinhamento
Co-registro
Normalização
espacial
Correção de
não
uniformidade
Segmentação
Referências
AIR 5
P P P
(Woods e cols., 1998)
ANIMAL
P
(Collins e cols., 1995)
CHSN
P
(Lancaster e cols., 1999)
SEM
P
(Leemput, 2001)
FAST
P P
(Smith e cols., 2004)
FLIRT
P P
(Jenkinson e cols., 2002)
FreeSurfer
P
(Dale e cols., 1999)
HAMMER
P
(Shen e Davatzikos, 2003)
IIO
P
(Willendrup e cols., 2004)
INRIAlign
P
(Freire e Mangin, 2001)
INSECT
P
(Kollokian, 1996)
IPS
P
(Willendrup e cols., 2004)
ITK
P P P
(Styner e cols., 2000)
LIPSIA
P
(Lohmann e cols., 2001)
MIDAS
P
(Freeborough e cols., 1997)
MRIWarp
P P
(Kjmes e cols., 1999)
N3
P
(Sled e cols., 1998)
PABIC
P
(Styner e cols., 2000)
Reg
P
(Thévenaz e Unser, 1998)
RS
P P
(Alpert e cols., 1996)
SEAL
P
(Goualher e cols., 1999)
SPM
P P P P P
(Friston e cols., 1995)
35
Em geral, nos algoritmos que desempenham funções de normalização espacial, no
caso de registro de imagens inter-sujeitos, uma das imagens é adotada como referência, ou
template. Utilizar uma imagem de referência do encéfalo significa que as imagens dos
indivíduos devem ser transportadas para o sistema de coordenadas da imagem de referência
pelas funções de registro de imagem, processo descrito na Seção 2.4. Uma estratégia adotada
para apurar uma imagem utilizada como referência do encéfalo é utilizar os princípios de
morfometria, conforme descrito na Seção 2.6. A Tabela 2 mostra diferentes padrões utilizados
para o alinhamento estereotáxico pelo registro de imagens.
Tabela 2. Referências de imagens do encéfalo utilizadas para o alinhamento estereotáxico
Nome Modalidade
Descrição Referências
colin27 T1 Imagem formada por um único sujeito (Holmes e cols., 1998)
MNI
T1, T2, EI,
PD, PET,
SPECT
Imagem formada pela média de
determinado conjunto de indivíduos adultos,
utilizando VBM. Há a imagem de referência
MNI152 e a MNI305, formada pela
apuração de 152 e 305 adultos
respectivamente.
(Collins e cols., 1994)
Woods T1, T2, EPI
Baseado em 10 indivíduos dimensionados
no espaço de Talairach
(Woods e cols., 1999)
Visible
Human
Encéfalo do Projeto Homem Visível
http://www.nlm.nih.gov/-
research/visible/-
visible_human.html
CBA Criogenia
Programa CBA empreendido pelo
departamento de Neuroradiologia do
Instituto Karolinska
(Greitz e cols., 1991)
ECHBA
Extensão o projeto Human Brain Atlas
(HBA), do Instituto Karolinska, utilizado
como referência ao European
Computerised Human Brain Database
(Schormann e cols.,
1999)
EVA833
Referência baseada em 833 indivíduos
idosos
(Quinton e cols., 1999)
CCHMC
Referência baseada em 148 crianças e
adolescentes de 5 a 18 anos.
http://www.irc.chmee.org-
chips.htm
Talairach
Primeiro desenho propondo uma referência
para o encéfalo
(Talairach e Tournoux,
1988)
36
Alguns algoritmos de segmentação por agrupamento são baseados em análise
estatística e conhecimento prévio da intensidade e localização espacial do objeto de interesse,
fazendo referência a um mapa de distribuição da probabilidade. Trata-se de imagens com
regiões previamente segmentadas e rotuladas através de um procedimento manual ou
automático, cuja intensidade e localização física são utilizadas como parâmetro para funções
de segmentação por agrupamento, conforme o exposto na Seção 2.5. A Tabela 3 relaciona
alguns encéfalos segmentados e rotulados.
Tabela 3. Encéfalos segmentados com regiões rotuladas utilizados como referência em algoritmos de
segmentação
Nome
Nº. de
estruturas
Descrição Referências
AAL ou
Tzourio-
Mazoyer
116
Mapa de estruturas sem informação
probabilística, sem preenchimento de
regiões e semi-hierárquico.
(Tzourio-Mazoyer e cols.,
2002)
Brodmann 41+1 Mapa das áreas de Brodmann
Disponível no software de
visualização MRIcro
CBA 400
Atlas incorporado no “Greitz Atlas”,
software comercial.
(Greitz e cols., 1991)
IBSR18 43
Segmentações de 18 indivíduos. Não
contém informações hierárquicas, de
região e função de probabilidade.
http://www.cma.mgh.harvard.
edu-/ibsr/data.html
ICBM 58
Segmentação de um único indivíduo.
Distribuído como referência ao formato
MINC
http://www.loni.ucla.edu-
/NCRR/Software-
/ICBM_Template.html
ICBM
Kabani
90
Parcelamento do mapa ICBM em sub-
regiões
(Kabani e cols., 1998)
Jerne 100
Contém mapas probabilísticos,
preenchimento de regiões e
hierárquicos.
(Nielsen e Hansen, 2002)
Brodmann
Livro contendo simples desenhos de
áreas citoarquitetônicas do encéfalo
(Brodmann, 1909)
Talairach
Livro contendo as principais regiões do
encéfalo mapeadas no espaço
estereotáxico
(Talairach e Tournoux, 1988)
Para o armazenamento de imagens neurológicas, alguns formatos são utilizados,
conforme relaciona a Tabela 4.
37
Tabela 4. Formato padrão de armazenamento de aquisições de neuroimagens
Nome Extensão Descrição
Referências
(software)
AFNI
.BRIK,
.HEAD
Formato utilizado em dois arquivos: um binário
BRIK como arquivo de dados e outro em
formato ASCII utilizado como arquivo de
cabeçalho.
AFNI
ANALYZE .img, .hdr
Formato em dois arquivos: um binário .img
como arquivo de dados e outro também
binário em formato .hdr utilizado como arquivo
de cabeçalho.
Mayo Clinic’s
ANALYZE, NIH’s
ImageJ, MRIcro
DICOM .dcm
Padrão de imagem proposto pelo consórcio
ACR-NEMA.
NIH’s ImageJ, Mathlab
Image Processing
Toolbox, GE DICOM,
MedX, SPM, IDICON,
Dicom Works
ECAT .s, .v, .a
Formato para armazenar sinais associados a
PET e SPECT elaborado pela CTI/Siemens.
cti2analyze, medcon
MINC .mnc
Formato de arquivo utilizado para armazenar
imagens padrão MNI
mnc2ana, MINC
NIfTI-1
.nii, .hdr,
.img
O padrão utilizado pelo NIfTI. Extensão
compatível com o ANALYZE
(Cox e cols., 2004)
3.4 Resumo do Capítulo
Neste capítulo explicamos a organização do sistema nervoso humano e suas estruturas
componentes, salientando o hipocampo e o corpo caloso, focos do trabalho desenvolvido
nesta dissertação. Ainda, discutimos os desenvolvimentos computacionais, o mapeamento das
estruturas do encéfalo nos sistemas de coordenadas, as iniciativas de padronização e as
ferramentas de apoio computacional à neurologia. No próximo capítulo, iremos detalhar os
experimentos realizados envolvendo segmentação de estruturas do encéfalo, validando os
resultados através da comparação com outros trabalhos e análises publicadas por outros
autores.
38
4 Segmentação Automática de Estruturas do Encéfalo
As seções subseqüentes mostram as aplicações de processamento de imagens médicas
desenvolvidas neste trabalho. O objetivo geral é comprovar a aplicação de algoritmos
computadorizados como ferramenta de apoio à análise e diagnóstico médico por imagem,
hipótese defendida neste trabalho. O objetivo específico é segmentar as estruturas de interesse
do encéfalo através de algoritmos computadorizados, sem necessidade de interação do
especialista ao longo do processo de segmentação. As estruturas segmentadas serão avaliadas
comparando suas formas e propriedades com os conhecimentos de neuroanatomia,
publicações científicas e demais propostas defendidas por outros autores. As imagens são
aquisições em ressonância magnética e tomografia computadorizada, oriundas de voluntários
ou adquiridas de alguma base pública de imagens disponível na web.
As seções estão organizadas da seguinte forma: a Seção 4.1 mostra um experimento de
segmentação automática do corpo caloso utilizando os princípios de registro de imagem,
seguido da segmentação das substâncias do encéfalo com emprego de funções de otimização e
lógica bayesiana, método descrito nas Seções 2.4 e 2.5. A Seção 4.2 apresenta outro
experimento, desta vez, envolvendo segmentação automática e levantamento volumétrico das
substâncias do encéfalo e do hipocampo.
4.1 Segmentação 2D: Área do Corpo Caloso em uma Seção
Sagital Mediana
4.1.1 Objetivo
O objetivo deste experimento de segmentação bidimensional é obter a segmentação
automática da área superficial do corpo caloso da seção sagital mediana a partir de uma
aquisição em ressonância magnética ponderada em T1, utilizando um método baseado em
atlas anatômico (Seixas, Souza e cols., 2007). A validação dos resultados é feita por uma
amostra de 20 imagens, sendo 10 imagens de indivíduos do gênero masculino e 10 do gênero
feminino, da mesma faixa etária (46 a 55 anos), avaliando os resultados pela comparação com
análises publicadas por outros autores através de métodos de segmentação manual e técnicas
de dissecação post-mortem. As análises citam estudos relativos às diferenças anatômicas do
encéfalo, em especial, do corpo caloso, quando se comparam indivíduos de gêneros opostos.
39
4.1.2 Método
O método utilizado foi a segmentação baseada em atlas anatômico. Entende-se como
atlas anatômico a utilização de uma imagem de referência com regiões previamente
segmentadas e rotuladas. As regiões representam as estruturas do encéfalo previamente
delimitadas por um especialista ou algoritmo computadorizado.
O método consiste em 5 etapas:
1. Normalização: visa efetuar a correção de não uniformidade na intensidade de sinal e o
transporte da imagem para o espaço estereotáxico conhecido, neste caso, o sistema de
coordenadas MNI definido na Seção 3.3. Conforme descrito na Seção 2.4, tal objetivo
é conseguido pela aplicação de funções de transformação afim e o mapa de
deformação (warping), cujos parâmetros estão representados por uma matriz 4x4 e
vetores da transformada discreta de cossenos, respectivamente. Como resultado, as
estruturas da imagem original passam a ser representadas pela mesma intensidade
posicionadas no mesmo espaço da imagem de referência. A Figura 13 ilustra esta
etapa;
2. Segmentação: segue um modelo bayesiano descrito na Seção 2.5, utilizando como
referência imagens com substâncias previamente segmentadas e distribuídas em um
modelo probabilístico. O objetivo é segmentar a substância branca, que compõe,
dentre outras estruturas, o corpo caloso, conforme mostra a Figura 14;
3. Identificação da região de interesse: consiste no recorte da área próxima ao corpo
caloso, considerando sua máxima variação anatômica no espaço normalizado, e o
agrupamento das regiões na área resultante. Os pixels da região com a maior área são
identificados como pertencentes ao corpo caloso, conforme a Figura 15;
4. Classificação: consiste no retorno das coordenadas da região mapeada no espaço
normalizado para o espaço individual. Este objetivo é obtido pela aplicação do mapa
de deformação inverso à imagem normalizada, transportando suas coordenadas para
imagem origem, conforme a Figura 16;
5. Apuração da área: com a região mapeada no espaço individual, a área é obtida pelo
somatório da área dos pixels componentes da região de interesse, no caso, o corpo
caloso. Para calcular a área, a quantidade de pixels é multiplicada pela dimensão física
de cada um, geralmente dada em milímetros quadrados, obtida através de uma
consulta aos parâmetros de aquisição da imagem.
40
1.Normalização
Entrada Processo Saída
Imagem
original
Imagem
normalizada
Matriz de
transformação afim e
mapa de deformação
Imagem de
referência em
T1
Figura 13. Segmentação do corpo caloso. Processo de normalização
Estruturas
segmentadas
Imagens
de referência
Entrada Processo Saída
Substância
Cinzenta
Substância
Branca
Líquor
2.Segmentação
Figura 14. Segmentação do corpo caloso. Processo de segmentação dos componentes do encéfalo:
substância cinzenta, substância branca e líquor
41
Figura 15. Segmentação do corpo caloso. Processo de recorte e identificação de região
Mapa de deformação
inverso
Corpo caloso =
região > área
(-1)
4.Classificação
Processo Saída
Entrada
Figura 16. Segmentação do corpo caloso. Retorno para o sistema de coordenadas individual e
classificação da estrutura de interesse
4.1.3 Experimento
Para implementação foi utilizada a biblioteca SPM (Statistical Parametric Mapping),
disponível na Web pelo endereço http://www.fil.ion.ucl.ac.uk/spm, acessado em Junho/2007,
desenvolvida pela University College London e distribuída sob os termos de licença pública
geral (GNU) visando subsidiar trabalhos e receber contribuições de toda comunidade de
pesquisa relativa à área de neuroimagem. A biblioteca SPM foi compilada em C e construída
sobre a interface do Mathworks Matlab, com o objetivo de abrigar os processos estatísticos
utilizados para testar hipóteses relativas ao funcionamento e estrutura do encéfalo. Assim, a
biblioteca SPM se baseia na análise de seqüências de aquisições distribuídas em séries
temporais ou diferentes planos de corte, utilizando categorias de sinais e neuroimagens, como
fMRI, PET, SPET, EEG e MEG (Bronzino, 2006).
42
Como atlas anatômico, foram utilizados o mapa de distribuição probabilística das
substâncias do encéfalo distribuído pelo ICBM, coordenado por Mazziotta e Toga (2001).
Seguindo um modelo VBM, o mapa probabilístico envolve 452 aquisições em ressonância
magnética ponderada em T1 alinhadas pelo espaço estereotáxico MNI (Seção 3.3, Tabela 2),
com não uniformidades devidamente corrigidas, classificadas nas substâncias cinzenta, branca
e líquor.
O algoritmo foi executado em um microcomputador com velocidade de processamento
de 2,4Ghz, 1GB de RAM, com tempo de execução de 3 minutos por segmentação.
As imagens foram oriundas do projeto OASIS (Open Access Series of Imaging
Studies) (Marcus e cols., 2006). Trata-se da compilação e distribuição pública de um conjunto
de aquisições em ressonância magnética ponderada em T1, visando proporcionar à
comunidade científica recursos para pesquisas e contribuições na área de neuroimagem. O
projeto OASIS foi viabilizado pelo Dr. Randy Buckner através da parceria formada pelo
HHMI (Howard Hughes Medical Institute) da Harvard University, NRG (Neuroinformatics
Research Group) da Washington University School of Medicine, e BIRN (Biomedical
Informatics Research Network). Trata-se de uma coleção de 416 imagens de indivíduos dos
gêneros masculinos e femininos, com faixa etária variando de 18 a 96 anos. As imagens foram
obtidas em ressonância magnética ponderada em T1, utilizando equipamento Siemens, com os
seguintes parâmetros: seqüência MP-RAGE, TR (tempo de repetição) = 9,7ms, TE (tempo de
eco)= 4,0ms, Flip angle de 10º, TI (tempo de inversão) = 20ms, plano de orientação sagital,
espessura 1,25mm, 0mm de intervalo, 128 camadas e matriz de 256x256.
Para o presente experimento, foi analisada uma amostra de 20 imagens, sendo 10 de
indivíduos do gênero masculino e 10 do gênero feminino, com mesma faixa etária (46-55
anos), classificados como normais (CDR = 0). O Clinical Dementia Rate ou CDR trata-se de
uma graduação da gravidade da demência, pontuado com base na entrevista do paciente ou
informante, sem a referência ao desempenho psicométrico. A escala determina uma
classificação do comprometimento funcional em 6 categorias cognitivo-funcionais: memória,
orientação, capacidade de julgamento e de resolver problemas, questões comunitárias, lazer e
cuidados pessoais. O CDR varia de 0 (sem indicação de demência), 0,5 (demência
questionável) até 3 (demência grave) (Morris, 1993).
A Figura 17 mostra o resultado da segmentação da área superficial do corpo caloso da
amostra utilizada para o experimento. A Tabela 5 mostra o volume total do encéfalo (VTE)
obtido pela soma da substância cinzenta, substância branca e líquor, a área do corpo caloso
(CC) e a análise da relação da área do corpo caloso pelo volume do encéfalo (ICC).
43
(a)
1
2 3
4
5 6
7
8
9
10
(b)
1 2 3
4 5 6
7
8
9
10
Figura 17. Formas obtidas pela segmentação do corpo caloso de uma seção sagital mediana a partir
de (a) 10 indivíduos do gênero feminino e (b) 10 do gênero masculino
44
Tabela 5. Resultados das áreas superficiais do corpo caloso de uma seção sagital mediana a partir
de 10 indivíduos do gênero feminino e 10 do gênero masculino
N.º
VTE
(dm³)
CC
(cm²)
ICC
(10
-3
cm
-1
)
1 1,27 4,42 3,48
2 1,38 6,62 4,80
3 1,35 5,98 4,42
4 1,37 5,59 4,06
5 1,39 5,13 3,70
6 1,56 6,18 3,97
7 1,46 6,05 4,13
8 1,35 6,69 4,97
9 1,42 5,18 3,65
10 1,41 5,46 3,87
Indivíduos do gênero femininino
média
1,39±0,076
5,73±0,71
4,10
1 1,60 7,01 4,37
2 1,71 6,65 3,88
3 1,63 7,17 4,41
4 1,58 7,06 4,46
5 1,52 6,51 4,28
6 1,69 5,84 3,46
7 1,59 6,14 3,87
8 1,76 7,34 4,16
9 1,57 6,48 4,12
10 1,61 6,62 4,09
Indivíduos do gênero masculino
média
1,67±0,082
6,62±0,53
4,09
Média
geral
1,51±0,137
6,17±0,76 4,10
VTE = volume total do encéfalo = volume da substância
cinzenta + branca + líquor;
CC = área do corpo caloso;
ICC = CC / VTE
4.1.4 Avaliação dos Resultados
Sullivan e cols. (2001) prepararam um relatório com as medidas da área do corpo
caloso de uma seção sagital mediana a partir de 51 indivíduos do gênero masculino e 41 do
45
gênero feminino, todos saudáveis, classificando por faixas etárias, de 22 a 77 anos. Foram
utilizadas medidas do volume intracraniano (ICV) e a área do corpo caloso (ICA) nos
processos estatísticos de regressão e correlação. Os resultados indicaram que indivíduos do
sexo masculino apresentam uma área do corpo caloso maior que os do sexo feminino. Não foi
identificada correlação com a idade ou faixa etária. Contudo, os resultados mostraram estreita
dependência da área do corpo caloso com o volume intracraniano. Em se tratando de
indivíduos de gêneros opostos, as diferenças foram significativamente atenuadas quando
considerado o ajuste estatístico pelo volume intracraniano, concluindo que as diferenças das
áreas do corpo caloso devem-se ao volume intracraniano. Ainda, complementa que as
diferenças de forma do corpo caloso quando são comparados gêneros opostos não se deve
simplesmente às diferenças do volume intracraniano, mas sim, refletem as diferentes
necessidades de conectividade de ambos os encéfalos.
Salat e cols. (1997) apresentaram um estudo envolvendo influência dos gêneros e
idade na área do corpo caloso de uma seção sagital mediana em ressonância magnética,
considerando uma amostra de 76 indivíduos idosos. No estudo, propôs a divisão do corpo
caloso em 3 setores: anterior, médio e posterior. Os resultados apontaram um setor posterior
ligeiramente maior para os indivíduos do gênero feminino, quando comparado com o gênero
masculino. O estudo ainda observou uma atrofia maior nos setores médio e anterior nas
mulheres com idade avançada, concluindo que o processo de degeneração das células
nervosas segue caminhos ligeiramente diferentes em se tratando de gêneros opostos. O estudo
também comparou as sub-áreas formadas pelos setores do corpo caloso corrigindo com o
volume do crânio. Os resultados foram muito próximos, inclusive quando foram comparados
indivíduos de gêneros diferentes.
Smith e cols. (2005), comparando as diferenças de forma do corpo caloso em relação a
diferentes indivíduos, concluíram que a área do corpo caloso possui estreita correlação com o
volume total do encéfalo. Assim, argumentam que o volume total do encéfalo deve sempre ser
considerado na comparação estrutural do corpo caloso de indivíduos ou grupo de indivíduos
diferentes. Ainda, concluíram que as diferenças da forma do corpo caloso entre os gêneros
opostos são mínimas, quando considerado o volume total do encéfalo.
Johnson e cols. (1994) apresentaram a área do corpo caloso de 200 indivíduos,
baseada em um processo de segmentação manual a partir de uma seção sagital mediana em
ressonância magnética. A Tabela 6 mostra os resultados agrupados por gênero e idade. No
estudo, não foi considerado o ajuste pelo volume intracraniano ou volume do encéfalo.
46
Tabela 6. Área do corpo caloso baseada em uma amostra de 200 indivíduos obtida por segmentação
manual a partir de uma seção sagital mediana em ressonância magnética
Homens Mulheres Faixa
etária
Nº Área [cm²]
Nº Área [cm²]
16-25 30
6,80±0,96
19
6,58±1,07
26-35 20
6,94±1,02
22
6,36±0,76
36-45 14
6,78±1,16
20
6,72±1,03
46-55 18
6,76±1,08
24
6,32±0,93
56-65 18
6,16±0,83
15
6,18±0,93
16-65 100
6,70±1,02
100
6,44±0,94
Fonte: Corpus callosum surface area across the human
adult life span: effect of age and gender, Johnson
(1994)
Área = área do corpo caloso
Nº = número de indivíduos considerados na amostra
Laissy e cols. (1993) mostraram os resultados obtidos por segmentação manual de 124
indivíduos, 63 homens e 61 mulheres, sem ajuste pelo volume intracraniano ou volume do
encéfalo. Os resultados foram agrupados por gênero e reunidos na Tabela 7.
Tabela 7. Área do corpo caloso baseada em uma amostra de 124 indivíduos obtida por segmentação
manual a partir de uma seção sagital mediana em ressonância magnética
Gênero Nº Área [cm²]
Homens 63
6,54±1,26
Mulheres 61
6,17±1,07
Total 124
6,36±1,19
Fonte: Midsagital measurements of the
corpus callosum in healthy subjects and
diseased patients: a prospective study,
Laissy (1993)
Área = área do corpo caloso
Nº = número de indivíduos considerados na
amostra
Comparando os resultados da segmentação automática do corpo caloso obtidos neste
trabalho (Tabela 5) com os publicados por outros autores (Tabela 6 e Tabela 7), conclui-se
que o método de segmentação proposto no presente experimento obteve resultados muito
próximos aos divulgados pela literatura. A Tabela 6 e Tabela 7 apresentam diferenças maiores
para o corpo caloso de indivíduos do gênero feminino, quando comparadas com a Tabela 5.
Isto se deve à limitação da amostra (apenas 10 imagens) e às diferentes técnicas de
47
segmentação manual utilizadas pelos autores. Ainda, a Tabela 5 indica indivíduos de gênero
masculino apresentando maior área do corpo caloso em comparação com os de gênero
feminino. Quando utilizado a relação da área do corpo caloso (CC) pelo volume total do
encéfalo (VTE), os resultados da área de ambos os gêneros são muito próximos. Esta
observação converge com análises exploratórias e estudos publicados por diferentes autores.
Na Figura 17a, avaliando as estruturas dos indivíduos 1 e 4, observa-se uma imagem
linear alongada logo abaixo do corpo caloso com inclinação à esquerda. Esta imagem compõe
o fórnix, estrutura da substância branca localizada abaixo do corpo caloso. Estas formações
expressam uma limitação do modelo. Nas duas aquisições supracitadas, a resolução e/ou
contraste foram insuficientes para segregar as estruturas, classificando incorretamente o fórnix
como pertencente ao corpo caloso no momento do agrupamento, etapa da identificação da
região. Esta pequena e estreita formação, dependendo da análise, pode impactar a avaliação
da área superficial do corpo caloso.
4.1.5 Trabalhos Relacionados
Lundervold e cols. (1999) propõem um algoritmo de segmentação automática do
corpo caloso através da seção sagital mediana de aquisições em ressonância magnética multi-
espectrais. O modelo utiliza a análise da intensidade do sinal para classificar as substâncias do
encéfalo e o conhecimento prévio da distribuição espacial do corpo caloso. O algoritmo foi
testado em uma amostra de 10 indivíduos selecionados inicialmente para subsidiar estudos
relativos à dislexia. O método de segmentação automática do corpo caloso mostrou bom
desempenho para imagens multi-espectrais.
Hammarneh (2003) apresenta um novo modelo baseado em organismos deformáveis.
No modelo proposto, as deformações de uma forma inicial são produzidas através da
aplicação de forças externas, equilibradas por uma força interna elástica. Diferentes
deformações são produzidas visando contornar o objeto de interesse, como, saliências,
alongamentos, flexões e deformações. O modelo é validado utilizando formas bidimensionais
sintéticas em uma seção sagital mediana em ressonância magnética, mapeando, com sucesso,
todo o contorno do corpo caloso.
Lee e cols. (2000) propõem um novo algoritmo para segmentar o corpo caloso
automaticamente em uma seção sagital mediana utilizando propriedades estatísticas e
informações prévias da forma. A execução do modelo compreende duas etapas. Na primeira
etapa, são segmentadas as regiões que satisfazem critérios estatísticos utilizando a análise de
parâmetros de nível do sinal. A etapa seguinte é identificar a região com formato mais
48
próximo à forma do corpo caloso, utilizando, para tanto, algoritmos de segmentação baseados
em crescimento de região. O modelo foi validado com base em uma amostra de 120 imagens,
obtendo resultados favoráveis.
O fator comum nos trabalhos acima relacionados é a necessidade do conhecimento
prévio da forma ou protótipo do objeto de interesse, no caso, o corpo caloso, visando obter a
segmentação com o mínimo de interação com o especialista. No presente experimento, a
imagem primeiramente é normalizada em um espaço estereotáxico previamente conhecido e,
portanto, não se faz uso da forma inicial ou protótipo do objeto de interesse. A segmentação é
obtida através do uso de técnicas de identificação de região no conjunto de estruturas
segmentadas pela substância branca em uma seção sagital mediana. Assim sendo, o método é
inteiramente automático, não necessitando interação com o especialista durante a execução do
algoritmo computacional.
4.1.6 Conclusão
Este trabalho propôs o uso de técnicas de VBM visando à segmentação automática de
estruturas do encéfalo e a definição da região e cálculo automático da área superficial do
corpo caloso em seção sagital mediana de uma ressonância magnética ponderada em T1. A
principal contribuição foi validar um modelo de segmentação com base de um conjunto de
imagens, qualificando seu desempenho pela comparação com resultados e análises obtidas por
outros autores, adotando como foco de pesquisa, as diferenças de formação do corpo caloso
de indivíduos de gêneros opostos. Como aplicação, o método pode prover dados normalizados
relativos ao corpo caloso, de modo a orientar medidas e análises de sua atrofia em condições
de doenças degenerativas do encéfalo, como a esclerose múltipla (Simon e cols., 1999),
correlacionando seus impactos nas funções cognitivas e outros testes e sinais biológicos.
4.2 Segmentação 3D: Levantamento Volumétrico de Estruturas
do Encéfalo
4.2.1 Objetivo
O objetivo deste experimento de segmentação tridimensional é obter as formas
volumétricas de estruturas localizadas na região mesial do lobo temporal do encéfalo através
do método de segmentação automática baseado em atlas anatômico (Seixas e cols., 2006;
Seixas, Damasceno e cols., 2007). Esta região foi selecionada pelo seu alto grau de
acometimento em casos de doenças neurodegenerativas, como, por exemplo, a doença de
49
Alzheimer (Jack e cols., 2000). Na região mesial, a estrutura de interesse é o hipocampo. A
identificação da atrofia no hipocampo, juntamente com outros indicadores clínicos e
cognitivos, pode servir como importante informação para auxiliar no diagnóstico da doença
de Alzheimer em seu estado inicial (Bottino e cols., 1998). Além disso, outros autores têm
associado características volumétricas do hipocampo com outras doenças neurológicas (Jack,
1994; Dean e cols., 1996). A validação do levantamento volumétrico do hipocampo foi
baseada em uma amostra de 86 imagens de ressonância magnética ponderada em T1,
comparando com resultados e análises obtidas de outros autores através de métodos de
segmentação distintos. Na amostra, foram selecionados 51 pacientes com classificação normal
(CDR=0) e 35 apresentando algum déficit cognitivo (CDR≥0,5); destes, 11 pacientes com
CDR=0,5 (demência questionável), 22 pacientes com CDR=1 (demência leve) e 2 pacientes
com CDR=2 (demência moderada). Visando prestar maiores subsídios à análise, foi efetuado
um levantamento do volume das substâncias do encéfalo dos indivíduos da amostra. O
objetivo é comprovar a perda da massa encefálica com o avançar da idade, hipótese testada e
validada por outros autores (Fotenos e cols., 2005).
4.2.2 Método
De forma similar ao método apresentado na Seção 4.1, este experimento também foi
baseado em atlas anatômico. Assim as etapas de normalização e segmentação são idênticas às
etapas 1 e 2, respectivamente, já discutidas na Seção 4.1.2. Contudo, a etapa de identificação
de região foi substituída pela etapa de marcação, conforme enumerado a seguir.
1. Normalização: idem ao item 1 da Seção 4.1.2;
2. Segmentação: idem ao item 2 da Seção 4.1.2;
3. Marcação: com a imagem transportada para um espaço estereotáxico conhecido, o
próximo passo é marcar na substância segmentada as estruturas previamente
delimitadas por um especialista e devolver estas estruturas para o espaço individual.
Isto é feito aplicando a matriz inversa de transformação afim e o mapa de deformação
inverso. A Figura 18 mostra este processo;
4. Cálculo do volume: visa apurar os voxels pertencentes àquela estrutura. Esta etapa é
necessária quando o objetivo é avaliar o volume total da estrutura. Para tanto, é
necessário que suas coordenadas estejam no espaço individual, procedimento efetuado
na etapa anterior. O volume é obtido pelo somatório dos voxels da estrutura,
multiplicado pelas respectivas dimensões físicas, dadas em milímetros cúbicos,
conforme mostra a Figura 19. A apuração do volume de uma estrutura como o
50
hipocampo envolve aproximadamente a avaliação de 40 camadas, considerando uma
aquisição em ressonância magnética do crânio que totalize 120 camadas.
Figura 18. Segmentação volumétrica de estruturas do encéfalo. Processo de marcação
Figura 19. Segmentação de estruturas do encéfalo. Apuração do volume
4.2.3 Experimento
De forma idêntica ao experimento descrito na Seção 4.1.3, a implementação foi
baseada na biblioteca SPM construída sobre os recursos do aplicativo Mathworks Matlab. O
atlas anatômico foi baseado nos mapas de distribuição probabilística das substâncias do
encéfalo fornecidos pelo ICBM.
A marcação ou parcelamento das estruturas da substância cinzenta foi baseado no
trabalho de Tzourio-Mazoyer (2002) e implementado na biblioteca IBASPM (Individual
Brain Atlas using Statistical Parametric Mapping), uma extensão do SPM (Gomez e cols.,
51
2006). Além de facilidades de normalização e segmentação, disponíveis no SPM, a biblioteca
IBASPM oferece funções de marcação, totalização dos volumes e a criação de mapas
anatômicos baseados na distribuição de probabilidades, também denominados SPAM
(Statistical Probability Anatomy Maps). No caso, Tzourio-Mazoyer delimitou 116 estruturas
da substância cinzenta em ambos os hemisférios do encéfalo, mapeando no sistema de
coordenadas MNI, seguindo a denominação proposta por Brodmann (1909). Este conjunto de
estruturas mapeadas em uma imagem normalizada foi batizado pela sigla AAL (Anatomical
Automatic Labeling) e está disponível na Web pelo endereço http://www.cyceron.fr/freeware/,
acessado em Junho/2007. Como, neste caso, estas estruturas não seguem características de
distribuição probabilística, o processo de marcação simplesmente sobrepõe as áreas
delimitadas na estrutura da substância cinzenta, não utilizando qualquer otimizador estatístico,
como, por exemplo, a maximização de uma função probabilidade, empregado na segmentação
das substâncias do encéfalo.
O algoritmo foi executado em um microcomputador com velocidade de processamento
de 2,4Ghz, 1GB de RAM, com tempo de execução de 3 minutos por segmentação. As
imagens foram obtidas pelo projeto OASIS, mencionado na Seção 4.1.3. As imagens foram
agrupadas por faixa etária e CDR (Clinical Dementia Rate), buscando quantidades próximas
de forma a uniformizar a representatividade na amostra. O objetivo deste estudo é validar a
perda das substâncias cinzenta e branca com a evolução da idade. Ainda, validar a redução do
volume do hipocampo em pacientes idosos (idade acima de 65 anos), comparando pacientes
classificados como normais (CDR=0), com demência questionável (CDR=0,5) e com
indicação de demência (CDR>0,5).
Em complemento à amostra de imagens oriundas da base OASIS, foram utilizadas
duas imagens obtidas pela parceria com o LABS, laboratório de diagnóstico por imagem da
Rede D’Or de Hospitais, no Rio de Janeiro. Estas imagens foram obtidas em um sistema de
corpo inteiro de 1,5 Tesla, equipamento Gyroscan Intera, PowerTrak 6000, Philips Medical
Systems, Best, Holanda. A Figura 20 mostra as duas aquisições representadas pelos números
(1) e (2). Na aquisição (1) foi utilizada bobina de crânio, seqüência volumétrica gradiente-eco
ponderada em T1 em plano transversal, com tempo de repetição (ms)/tempo de eco (ms)
(TR/TE) de 11,7ms/4,6ms, flip angle de 45º, matriz 256x256, 1,25mm de espessura, 0 mm de
intervalo, FOV (field of view) = 25cm e tempo total de aquisição de 5 minutos e 10 segundos.
O exame foi obtido de um voluntário do gênero masculino, 33 anos, CDR=0. Na aquisição
(2), foi utilizada bobina de crânio SENSE, seqüência volumétrica gradiente-eco ponderada em
T1 em plano sagital, com TR/TE = 8,1ms/4,0ms, flip angle de 8º, matriz de 256x256, 1,25mm
52
de espessura, 0mm de intervalo, FOV = 24cm e tempo total de aquisição de 1 minuto e 44
segundos. O exame foi obtido de um voluntário do gênero feminino, 35 anos, CDR=0.
Figura 20. Duas aquisições (1) e (2) em ressonância magnética ponderada em T1
Aplicando o método de segmentação automática baseado em atlas anatômico, obtêm-
se os resultados de volume expressos na Tabela 8.
Tabela 8. Resultados do método de segmentação automática do hipocampo e de componentes do
encéfalo
Volume [cm³]
Imagem
Substância
Cinzenta
Substância
Branca
Líquor Total
Hipocampo
Direito
Hipocampo
Esquerdo
Aquisição 1 877,793 564,534 341,652 1.783,980 2,749 3,509
Aquisição 2 732,687 437,501 282,992 1.453,181 3,969 4,035
A Figura 21 e a Figura 22 apresentam as construções tridimensionais das formas do
hipocampo (a) direito e (b) esquerdo da aquisição 1 e aquisição 2, respectivamente.
(1)
(2)
53
Figura 21. Resultado do método de segmentação automático. Construção tridimensional do
hipocampo (a1) direito e (b1) esquerdo obtidos pelas imagens da aquisição 1
Figura 22. Resultado do método de segmentação automático. Construção tridimensional do
hipocampo (a2) direito e (b2) esquerdo obtidos pelas imagens da aquisição 2
Avaliando a representação tridimensional mostrada na Figura 21, conclui-se que a
forma gerada pela segmentação do hipocampo da aquisição 1 não obteve robustez. A região
do hipocampo não foi inteiramente classificada pelo processo de segmentação e marcação.
Trata-se de uma aquisição volumétrica com menor contraste e menor relação sinal/ruído,
quando comparada à aquisição 2, conforme pode ser observado na Figura 20.
Para qualificar uma imagem ou seção bidimensional, foi adotado um método de
cálculo da relação SNR (signal-to-noise ratio). O SNR é quantificado pela relação do sinal e
sua distribuição na imagem. Apenas as regiões de fundo da imagem ou sem sinal efetivo
(a2)
(b2)
(a1) (b1)
54
devem ser consideradas para efeitos de cálculo da distribuição. O método consiste em dividir
a imagem em blocos de 16x16 pixels, calculando o sinal médio (S) ao quadrado e o desvio
padrão médio (σ) ao quadrado de cada bloco, conforme mostra a equação 27. Para segregar o
sinal de fundo do sinal efetivo da imagem, foi considerado para o cálculo do desvio padrão
apenas os blocos com valor inferior a 1σ. A comparação dos valores obtidos para o SNR de
uma seção da aquisição 1 com a aquisição 2 são mostrados na Tabela 9.
=
2
2
log10
σ
S
SNR (27)
Tabela 9. Comparação do SNR da aquisição 1 com aquisição 2
Imagem SNR (dB)
Aquisição 1 7,78
Aquisição 2 19,78
Conclui-se, portanto, que a aquisição 2 apresenta melhor relação SNR que a aquisição
1, fato que influencia a qualidade da segmentação das estruturas do encéfalo baseada em atlas
anatômico.
Foram estudados os efeitos da aplicação de filtros para redução do ruído e melhoria do
contraste. Dois filtros foram selecionados para o presente estudo: Wavelet Visushrink
(Donoho e Johnstone, 1994) e Diffusion Anisotropic (Joachim, 1998). Estes filtros foram
selecionados devido às suas características não lineares, sua adaptabilidade ao sinal e
preservação das arestas. O ponto negativo é a introdução de artefatos podendo, em certos
casos, influenciar a medição volumétrica. Aplicando os filtros na imagem da aquisição 1 e
executando novamente o algoritmo de segmentação, foram obtidos os resultados mostrados na
Tabela 10.
Tabela 10. Comparação do SNR utilizando filtros de redução de ruído na aquisição 1 e sua influência
no resultado do levantamento volumétrico do hipocampo
Volume (cm³)
Filtro SNR (dB)
Hipocampo
Direito
Hipocampo
Esquerdo
Wavelet Visushrink 23,75 3,006 3,893
Diffusion Anisotropic 8,85 2,702 3,626
55
Conclui-se que a aplicação de filtros de redução de ruído pode, efetivamente, melhorar
a relação SNR e influenciar o resultado da segmentação das estruturas do encéfalo. Ainda
assim, não foi obtida a robustez almejada para a estrutura do hipocampo na imagem da
aquisição 1.
A Tabela 11 e a Tabela 12 mostram os resultados do levantamento volumétrico das
substâncias do encéfalo e hipocampo, aplicando o método de segmentação automática, com
base na amostra de imagens do projeto OASIS.
Tabela 11. Resultados do levantamento volumétrico médio do hipocampo e de componentes do
encéfalo, agrupado por faixa etária, considerando amostra de indivíduos classificados como normais
(CDR=0) na base de imagens OASIS
Volume médio [cm³]
Faixa
Etária
Nº de
Imagens
Substância
Cinzenta
Substância
Branca
Líquor
Hipocampo
Direito
Hipocampo
Esquerdo
25-45 12
788,522 ±
63,546
469,765 ±
59,406
291,261 ±
64,627
2,959 ± 0,50 3,311 ± 0,60
45-65 10
720,110 ±
77,534
421,758 ±
41,695
334,461 ±
46,318
2,734 ± 0,41 2,915 ± 0,50
65-75 9
716,368 ±
36,159
424,123 ±
52,875
375,310 ±
51,024
2,528 ± 0,38 2,855 ± 0,48
75-85 9
749,962 ±
75,942
428,300 ±
54,774
399,648 ±
41,131
2,701 ± 0,38 2,757 ± 0,56
>85 10
708,368 ±
65,695
393,490 ±
49,167
400,152 ±
85,188
2,634 ± 0,45 2,447 ± 0,36
Tabela 12. Resultados do levantamento volumétrico médio do hipocampo e de componentes do
encéfalo, agrupado por faixa etária, considerando amostra de indivíduos classificados com CDR≥0,5
na base de imagens OASIS
Volume médio [cm³]
Faixa
Etária
Nº de
Imagens
Substância
Cinzenta
Substância
Branca
Líquor
Hipocampo
Direito
Hipocampo
Esquerdo
65-75 9
724,769 ±
93,494
416,448 ±
43,125
418,875 ±
58,680
2,341 ± 0,53 2,471 ± 0,45
75-85 9
733,677 ±
94,712
402,290 ±
26,913
413,868 ±
50,500
2,291 ± 0,52 2,345 ± 0,39
>85 10
679,861 ±
35,802
379,538 ±
43,585
412,868 ±
77,898
2,042 ± 0,51 2,140 ± 0,51
56
Para mensurar os efeitos nos volumes das substâncias do encéfalo com o avanço da
idade dos indivíduos foi necessário normalizar os dados, seguindo o método proposto por
Buckner e cols. (2004) e Fotenos e cols. (2005). Segundo os autores, a normalização dos
dados consiste em dividir os volumes encontrados pela área intracraniana, visando eliminar
diferenças anatômicas individuais relacionadas ao formato e tamanho do crânio. Desta forma,
as substâncias do encéfalo são representadas sob a forma de índices, conforme mostram as
equações 28, 29 e 30 para as substâncias cinzenta, branca e líquor, respectivamente.
VLVSBVSC
VSC
nVSC
++
= (28)
VLVSBVSC
VSB
nVSB
++
= (29)
VLVSBVSC
VL
nVL
++
= (30)
onde: nVSC, nVSB e nVL representam respectivamente as substâncias cinzenta, branca e
líquor normalizadas, VSC, VSB e VL representam respectivamente o volume apurado das
substâncias cinzenta, branca e líquor.
O Gráfico 1 mostra os valores das substâncias do encéfalo normalizadas obtidos pelo
método de segmentação automático aqui proposto, nas imagens selecionadas de indivíduos
saudáveis, com funções cognitivas normais (CDR=0). O índice R
2
é o coeficiente de
determinação, variando de 0 a 1, expressa o quanto a distribuição se aproxima de uma linha
reta. O Gráfico 2 mostra os valores obtidos de indivíduos com indicação de demência
(CDR≥0,5).
57
Evolução do Índice das Estruturas do Encéfalo pela Idade
(CDR=0)
R
2
= 0,2663
R
2
= 0,3612
R
2
= 0,5283
10%
15%
20%
25%
30%
35%
40%
45%
50%
55%
60%
20 30 40 50 60 70 80 90 100
Idade
nVSC (%)
nVSC
nVSB
nVL
Linear (nVSC)
Linear (nVSB)
Linear (nVL)
Gráfico 1. Resultados de volumes das substâncias cinzenta e branca e do líquor, normalizados pelo
volume total do encéfalo, obtidos nas imagens da amostra, considerando indivíduos com funções
cognitivas normais (CDR=0), em diferentes faixas etárias
Evolução do Índice das Estruturas do Encéfalo pela Idade
(CDR>=0,5)
R
2
= 0,0008
R
2
= 0,1327
R
2
= 0,0256
10%
15%
20%
25%
30%
35%
40%
45%
50%
55%
60%
20 30 40 50 60 70 80 90 100
Idade
nVSC (%)
nVSC
nVSB
nVL
Linear (nVSC)
Linear (nVSB)
Linear (nVL)
Gráfico 2. Resultados de volumes das substâncias cinzenta e branca e do líquor, normalizados pelo
volume total do encéfalo, obtidos nas imagens da amostra, considerando pacientes com indicação de
demência (CDR≥0,5), em diferentes faixas etárias
O Gráfico 3 e o Gráfico 4 mostram a evolução do índice de substância cinzenta pela
idade, representado pelo diagrama de caixas (boxplot) do agrupamento de indivíduos por
faixas etárias, considerando indivíduos sem indicação de demência (CDR=0) e indivíduos
58
com indicação de demência (CDR≥0,5), respectivamente. O Gráfico 5 mostra o diagrama de
caixas comparando o índice de substância cinzenta obtido em indivíduos de diferentes
gêneros.
Evolução do Índice de Substância Cinzenta pela Idade
(CDR=0)
30%
35%
40%
45%
50%
55%
60%
25-45 (12) 45-65 (10) 65-75 (9) 75-85 (9) 85-100 (10)
Faixa etária
nVSC (%)
Gráfico 3. Diagrama de caixas expressando o índice da substância cinzenta agrupado por faixas
etárias, considerando indivíduos com funções cognitivas normais (CDR=0)
Evolução do Índice de Substância Cinzenta pela Idade
(CDR>=0,5)
30%
35%
40%
45%
50%
55%
60%
65-75 (9) 75-85 (9) 85-100 (10)
Faixa etária
nVSC (%)
Gráfico 4. Diagrama de caixas do índice da substância cinzenta agrupado por faixas etárias,
considerando indivíduos com indicação de demência (CDR≥0,5)
59
Comparação com os Gêneros
30%
35%
40%
45%
50%
55%
60%
Feminino (42) Masculino (41)
Faixa etária
nVSC (%)
Gráfico 5. Diagrama de caixas do índice de substância cinzenta agrupado pelo gênero masculino e
feminino, considerando indivíduos com CDR=0
O Gráfico 6 e Gráfico 7 apresentam os volumes normalizados do hipocampo direito e
hipocampo esquerdo, obtidos pelo método de segmentação automático, de indivíduos de
ambos os gêneros, saudáveis (CDR=0) e com indicação de demência (CDR≥0,5),
respectivamente. Os volumes normalizados do hipocampo esquerdo e direito, aqui
representados pelas siglas nVHE e nVHD, foram obtidos pelas equações 31 e 32,
respectivamente:
VLVSBVSC
VHE
nVHE
++
= (31);
VLVSBVSC
VHD
nVHD
++
= (32);
onde: VSC, VSB e VL representam os volumes das substâncias cinzenta, branca e líquor.
VHE e VHD representam os volumes do hipocampo esquerdo e direito, respectivamente.
60
Evolução do Índice de Volume do Hipocampo
(CDR=0)
R
2
= 0,1804
R
2
= 0,3475
0,00%
0,05%
0,10%
0,15%
0,20%
0,25%
0,30%
20 30 40 50 60 70 80 90 100
Idade
nVH (%)
nVHD
nVHE
Linear
(nVHD)
Linear
(nVHE)
Gráfico 6. Resultados de volumes do hipocampo, normalizados pela soma das substâncias cinzenta e
branca e do líquor, obtidos nas imagens da amostra, considerando indivíduos de ambos os gêneros e
funções cognitivas normais (CDR=0), em diferentes faixas etárias
Evolução do Índice de Volume do Hipocampo
(CDR>=0,5)
R
2
= 0,0691
R
2
= 0,0023
0,00%
0,05%
0,10%
0,15%
0,20%
0,25%
0,30%
20 30 40 50 60 70 80 90 100
Idade
nVH (%)
nVHD
nVHE
Linear
(nVHD)
Linear
(nVHE)
Gráfico 7. Resultados de volumes do hipocampo, normalizados pela soma das substâncias cinzenta e
branca e do líquor, obtidos nas imagens da amostra, considerando indivíduos de ambos os gêneros,
com indicação de demência (CDR≥0,5), em diferentes faixas etárias
61
4.2.4 Avaliação dos Resultados
O Gráfico 1 sugere a redução da substância cinzenta e substância branca do encéfalo
em relação à faixa etária. Avaliando a reta de tendência do índice da substância cinzenta,
coeficiente de determinação (R²) de 0,27, calcula-se uma redução média da substância
cinzenta de 0,15% ao ano. Em relação à substância branca, com um coeficiente de
determinação (R²) de 0,36, calcula-se uma redução média de 0,21% ao ano. Em contrapartida,
verifica-se uma elevação do líquor a uma taxa de 1,07% ao ano.
No Gráfico 2 verifica-se uma dispersão muito elevada para os valores de índice da
substância cinzenta (R²=0,0008). Ainda, comparando com o Gráfico 1, estima-se que
indivíduos com indicação de demência (CDR≥0,5) possuem, em média, menor proporção de
substância cinzenta em comparação com indivíduos saudáveis. Calcula-se que os índices das
substâncias cinzenta e branca sejam 5,33% e 2,96% menores em relação aos indivíduos
saudáveis. Considerando as representações em diagrama de caixa (Gráfico 3 e Gráfico 4), a
conclusão é a mesma: observa-se uma redução da substância cinzenta com a idade e os
índices são menores para indivíduos com CDR≥0,5. A Tabela 13 mostra o resultado da
comparação de grupos formados por indivíduos saudáveis (CDR=0) e indivíduos com
indicação de demência (CDR≥0,5) com base no teste estatístico ANOVA (análise de
variância) (Gupta, 2002).
O teste estatístico ANOVA, também conhecido por F-test, compara dois ou mais
grupos ou populações com distribuições normais e verifica se as populações são iguais. Com
ANOVA pretende-se testar se as médias das populações são iguais, as amostras provêm da
mesma população, os tratamentos têm algum efeito na variável dependente e se o modelo
considerado é válido. A letra F advém de Fisher (1925), biólogo e geneticista, quem
inicialmente propôs o modelo. Trata-se do teste estatístico de hipótese nula, ou
n
µ
µ
µ
=
=
=
...:H0
21
, onde µ
k
representa o valor esperado de uma população k. A
probabilidade da hipótese H0 ser verdadeira é denominada de nível de significância expressa
pela letra α. O menor nível de significância que levaria a rejeição da hipótese é expressa pela
letra P. Assim, se P ≤ α, a hipótese H0 é rejeitada. Em contrapartida, se P > α, a hipótese H0 é
verdadeira. Para o presente teste, foi utilizado α = 0,05. Outra forma de avaliar é através da
distribuição de Fisher-Snedecor (F-distribution). A distribuição de Fisher-Snedecor é
expressa pela equação 33. O termo graus de liberdade de uma população representa o número
de observações subtraído do número de parâmetros introduzidos naquela avaliação. Quando
62
mais parâmetros introduzidos, menor é o grau de liberdade. O valor de F que iguala ao nível
de significância α é denominado F
crítico
. Desta forma, se F ≥ F
crítico
, a hipótese H0 é rejeitada.
Em contrapartida, se F < F
crítico
, a hipótese H0 é verdadeira.
m
X
n
X
F
2
1
= (33)
onde: F representa a distribuição de Fisher-Snedecor, X
1
e n a variável aleatória e o grau de
liberdade da população 1, X
2
e m a variável aleatória e o grau de liberdade da população 2.
A Tabela 13 mostra que F(α=0,05) = F
crítico
= 4,4940. Ainda, F ≥ F
crítico
e P ≤ 0,05,
rejeitando a hipótese H0, significando que as duas populações comparadas são diferentes
(CDR=0 e CDR≥0,5). Conclui-se, assim, que CDR tem relação com a proporção da
substância cinzenta do indivíduo.
Tabela 13. Teste estatístico de ANOVA comparando grupos formados por indivíduos saudáveis
(CDR=0) e com indicação de demência (CDR≥0,5)
Resumo
Grupos Soma Média Variância
CDR=0 4,84612 0,48461 0,00040
CDR>=0,5 3,68930 0,46116 0,00059
ANOVA
Variação
Soma
quadrática
Graus de
liberdade
Média
quadrática
F P F crítico
Entre grupos 0,00244 1 0,00244 5,0342 0,0394 4,4940
Dentro do grupo 0,00777 16 0,00049
Total 0,01021 17
Graus de liberdade = número de observações subtraído do número de parâmetros da avaliação
F = distribuição de Fisher-Snedecor
P = probabilidade hipótese H0: µ = µ
0
ser verdadeira
F
crítico
= F(α=0,05) = mínimo valor esperado de F para rejeição da hipótese H0: µ = µ
0
Comparando os resultados de volume agrupados por gênero (Gráfico 5), conclui-se
que valores de volume da substância cinzenta para ambos os gêneros, quando normalizados,
são muito próximos. A Tabela 14 mostra ainda, F < F
crítico
e P > 0,05, o que significa que a
hipótese H0 é verdadeira e as populações formadas pelos gêneros são iguais, concluindo que o
gênero não influencia o índice da substância cinzenta no indivíduo.
63
Tabela 14. Teste estatístico de ANOVA comparando grupos formados por gêneros distintos
Resumo
Grupos Soma Média Variância
Feminino 4,2555 0,4728 0,0007
Masculino 4,2800 0,4756 0,0006
ANOVA
Variação
Soma
quadrática
Graus de
liberdade
Média
quadrática
F P F crítico
Entre grupos 3,332E-05
1 3,33E-05 0,0524 0,8219 4,4940
Dentro do grupo
1,018E-02
16 6,36E-04
Total 1,021E-02
17
Graus de liberdade = número de observações subtraído do número de parâmetros da avaliação
F = distribuição de Fisher-Snedecor
P = probabilidade hipótese H0: µ = µ
0
ser verdadeira
F
crítico
= F(α=0,05) = mínimo valor esperado de F para rejeição da hipótese H0: µ = µ
0
Observando o Gráfico 6, verifica-se que a redução das substâncias cinzenta e branca é
acompanhada pela atrofia do hipocampo com o avanço da idade. Avaliando as retas de
tendência, o hipocampo direito (R²=0,1804) está reduzindo a uma taxa de 0,23% e o
hipocampo esquerdo (R²=0,3475) a uma taxa de 0,40% ao ano. Nos indivíduos com indicação
de demência (CDR≥0,5), verifica-se uma significativa dispersão dos resultados para o índice
do volume do hipocampo direito (R²=0,0023) e esquerdo (R²=0,0691). Ainda, os índices dos
volumes do hipocampo direito e esquerdo são 18,95% e 12,63% menores em relação aos
indivíduos saudáveis, respectivamente. Conclui-se, assim, da mesma maneira que acontece no
índice da substância cinzenta, que os volumes do hipocampo esquerdo e direito são
influenciados pelo CDR.
A Tabela 15 apresenta os volumes para o hipocampo esquerdo e direito obtido por
diferentes autores através de métodos de segmentação manual ou técnicas de dissecação post-
mortem. Segundo Marchetti (2002), estas variações são devidas aos diferentes procedimentos
e técnicas manuais utilizadas para delimitar a região do hipocampo. O hipocampo é uma
estrutura de formato complexo com limites não muito claros. Em muitos casos, o processo de
segmentação manual é muito subjetivo e a experiência do especialista influencia
significativamente a qualidade da segmentação.
64
Tabela 15. Relação de medidas volumétricas dos hipocampos obtidas por diferentes autores
Volume (cm³)
Referência Nº. Correção?
Hipocampo
Direito
Hipocampo
Esquerdo
(Ashtari e cols., 1991) 28 Não 2,598 2,727
(Bhatia e cols., 1993) 29 VCT
3,59±0,51 3,59±0,48
(Bigler e cols., 1997) 96 Não
2,56±0,26 2,46±0,29
(Cendes e cols., 1993) 13 VCT
4,711±0,24 4,591±0,24
(Cook e cols., 1992) 10 Não
3,185±0,39 3,229±0,39
(Jack e cols., 1989) 52 VITC
2,8±0,1 2,5±0,1
(Marchetti, 1998) 1 Não 3,692 3,636
(Watson e cols., 1992) 1 Não 5,265 4,903
Estudo = nome de referência do estudo
Nº = número de indivíduos considerados na amostra
Correção? = indica se houve alguma correção dos resultados, podendo designar as seguintes siglas:
VCT = os volumes foram corrigidos pelo volume cerebral total;
VITC = os volumes foram corrigidos pelo volume intracraniano.
O método utilizado para delineamento da formação hipocampal no atlas anatômico foi
o definido por Watson e cols. (1992). Em comparação com os volumes obtidos pela aquisição
1 e aquisição 2 através do método de segmentação automático, conforme mostrado na Tabela
8, concluímos que os valores estão próximos aos divulgados na literatura por métodos de
segmentação distintos. Uma análise mais conclusiva fica prejudicada em função dos volumes
do hipocampo divulgados pelos autores não se apresentarem de forma normalizada.
Jernigan e cols. (1990) apresentaram os primeiros estudos comprovando por
segmentação manual a redução do volume do encéfalo e a associação com a idade. Fotenos e
cols. (2005) mostrou um estudo envolvendo 370 adultos, com idade de 18 a 97 anos. Destes,
286 foram classificados como normais (CDR=0) e 84 apresentavam certa demência
(CDR≥0,5). A conclusão é que o volume total do encéfalo decai em média 0,45% ao ano para
indivíduos normais, e 0,98% para indivíduos com CDR≥0,5. A perda da substância cinzenta e
substância branca não são lineares; a taxa é muito pequena até os 30 ou 40 anos, acelerando
com o passar dos anos.
Com relação ao hipocampo, Jack e cols. (1998) reportaram uma redução de volume do
hipocampo a uma taxa anual de 1,5% para homens e mulheres em um grupo de idosos
saudáveis com idade de 70 a 89 anos. Coffey e cols. (1992) registraram uma pequena perda de
0,3% ao ano considerando o volume do hipocampo e amígdala em 76 voluntários saudáveis
65
com idade variando de 36 a 91 anos. Kaye e cols. (1997) identificaram um declínio no volume
do hipocampo de 2,1% ao ano para idosos acima de 84 anos. Pruessner e cols. (2001)
argumentaram que a redução do volume do hipocampo tem início mais cedo, na terceira
década de vida, com uma taxa de 1,5% ao ano. Sua pesquisa se baseou na segmentação
manual de 80 indivíduos, 39 homens e 41 mulheres, com idade de 18 a 42 anos. Ainda,
observou que a perda é mais significativa para os homens entre 30 a 50 anos em comparação
com as mulheres.
Enfim, as análises de tendência em relação ao levantamento dos índices da substância
cinzenta, substância branca e líquor, bem como o volume de formação hipocampo, com visão
da idade e diferença dos gêneros, convergem com as divulgadas na literatura. Assim, pode-se
afirmar que o método de segmentação automático aqui proposto apresenta resultados
satisfatórios.
4.2.5 Trabalhos Relacionados
Carmichael e cols. (2004) compararam os resultados de técnicas de registro de
imagens visando à segmentação automática do hipocampo, estrutura mesial do lobo temporal,
utilizando imagens de ressonância magnética em pacientes idosos com idade acima de 54
anos com indicação de Alzheimer, transtorno cognitivo leve ou controles normais, adquiridos
do Centro de Pesquisas de Alzheimer da Universidade de Pittsburgh. As imagens foram
automaticamente segmentadas utilizando as bibliotecas AIR (Woods e cols., 1998), SPM
(Friston e cols., 1995), FLIRT (Jenkinson e cols., 2002) e o método de Chen (Chen, 1999). As
imagens de referência ou atlas anatômico utilizado foram o MNI atlas, Harvard atlas e uma
imagem selecionada de forma aleatória, cujas estruturas foram previamente segmentadas por
um processo manual. A principal conclusão do trabalho é que os métodos que utilizam mais
altos graus de deformações geométricas produzem melhores resultados em comparação com
segmentações manuais. Comparações de resultados automáticos com manuais foram mais
divergentes em imagens de pacientes com Alzheimer que nas dos com transtorno cognitivo
leve e controles normais. Ainda, o resultado do processo de registro com imagens de
referência selecionadas aleatoriamente a partir da amostra teve maior consistência que as
utilizando Harvard altas e MNI atlas.
Testa e cols. (2004) compararam os resultados oriundos da segmentação automática
para comprovar a associação da perda da substância cinzenta do encéfalo e a atrofia no lobo
temporal médio nos pacientes com indicação de Alzheimer. A implementação foi baseada na
biblioteca SPM, realizando segmentação das substâncias do encéfalo por VBM e algoritmos
66
de identificação da região de interesse. Um total de 27 pacientes com indicação de Alzheimer
e 25 controles normais foram considerados no estudo. A conclusão é que as medidas de
volume das substâncias cinzenta e branca podem ser utilizadas para melhorar os resultados da
classificação dos pacientes com Alzheimer em relação aos de controle normal. O método
estatístico foi baseado em um modelo de regressão linear.
Chupin e cols. (2006) mostraram os resultados da segmentação automática do
hipocampo e amígdala, estruturas localizadas no lobo temporal médio, utilizando um
algoritmo de crescimento de regiões. O processo se inicia com o posicionamento de duas
sementes (seeds) em localizações pré-determinadas em função do conhecimento prévio da
anatomia das citadas estruturas. O desempenho do algoritmo é obtido pela comparação dos
resultados com a segmentação manual, obtendo um erro de 7% para o hipocampo e 11% para
a amígdala para indivíduos de controle normal e 11% para pacientes com indicação de
Alzheimer.
Nordstrom (2000) relacionou alguns métodos de segmentação voltados para segmentar
as substâncias do encéfalo, dentre eles, a segmentação por agrupamento baseado em lógica
fuzzy e limites de intensidade do sinal. Para registro das imagens, foi utilizada a biblioteca
AIR, mostrando acuidade e robustez, consumindo menos de 5 minutos de processamento em
uma estação Silicon Graphics. Para a separação de regiões pertencentes ao encéfalo das não
pertencentes foram utilizadas redes neurais artificiais, mostrando resultados consistentes e um
tempo de processamento de 2 a 3 minutos. Para a segmentação das substâncias do encéfalo,
foi utilizada a biblioteca SPM. Na conclusão, o autor sugere um estudo mais exaustivo do
emprego de redes neurais artificiais, considerando um conjunto de dados maior de forma a
propiciar um melhor treinamento da rede.
4.2.6 Conclusão
Comparando os resultados da segmentação automática do hipocampo obtidos neste
trabalho (Figura 21 e Figura 22), conclui-se que as medições volumétricas de estruturas do
encéfalo são sensíveis à relação sinal/ruído da imagem. A construção tridimensional dos
hipocampos da aquisição 1 mostra que não foi apurada toda formação hipocampal, sendo
delineadas apenas as regiões da cabeça e cauda do hipocampo. Isto aconteceu porque o
algoritmo de segmentação não conseguiu mapear a substância cinzenta em sua totalidade pelo
baixo contraste da imagem, resultando no subdimensionamento do volume do hipocampo.
Utilizar imagens de alta definição e elevada relação sinal/ruído torna-se uma necessidade e
uma restrição do modelo de segmentação automático proposto.
67
A análise da reta de tendência resultante da apuração dos índices das substâncias do
encéfalo pela idade dos indivíduos selecionados na amostra, incluindo o hipocampo,
convergiu com os estudos divulgados na literatura. Ainda, mostrou uma maior dispersão dos
índices encontrados para pacientes com indicação de demência quando acompanhados pela
idade. Contudo, quando avaliados sob seus valores médios, conclui-se que estes pacientes
possuem uma proporção de substância cinzenta menor que indivíduos saudáveis, validando os
trabalhos de Fotenos e cols. (2005).
Uma vantagem de utilização de um modelo automático de segmentação é a
normalização dos dados volumétricos. Este fato propicia um acompanhamento mais efetivo
das mudanças estruturais causadas por doenças neurodegenerativas, por exemplo, bem como a
comparação com resultados obtidos de outros indivíduos ou outras populações, evitando
problemas oriundos da técnica de segmentação manual, como a subjetividade e a dependência
da competência do especialista. O modelo automático de segmentação padroniza o processo
de segmentação de cada estrutura anatômica, fazendo com que a rotina clínica seja mais
eficaz.
4.3 Resumo do Capítulo
Este capítulo mostrou alguns experimentos aplicados para segmentação de estruturas
do encéfalo. Os resultados foram validados através da comparação de valores e análises
exploratórias efetuadas por outros autores. Os resultados obtidos foram próximos, validando
os métodos aqui propostos e comprovando sua aplicabilidade para um sistema de diagnóstico
clínico que demande a análise volumétrica de estruturas anatômicas do encéfalo. Para
comparação, foram utilizados métodos estatísticos de avaliação da dispersão e valor esperado
(análise intra-grupo) e comparação com outros grupos de diferentes parâmetros ou
propriedades (análise inter-grupos). No próximo capítulo, iremos salientar as considerações
finais, citar as principais contribuições deste trabalho, enumerar algumas propostas de
trabalhos futuros e oportunidades de pesquisa, compondo a conclusão desta dissertação.
68
5 Conclusão
Este trabalho teve como objetivo geral o desenvolvimento de ferramentas para o apoio
ao diagnóstico clínico por imagem. O escopo foi o levantamento volumétrico de estruturas do
encéfalo, dado seu valor clínico para o diagnóstico ou acompanhamento do progresso de
certas doenças. A justificativa foi o crescimento de indivíduos acometidos por doenças
neurodegenerativas e a associação com atrofias ou anomalias estruturais identificadas através
de levantamentos volumétricos baseados em imagens médicas. Baseado em uma modelagem
computacional, o método de segmentação aqui proposto teve como requisito a eliminação da
necessidade de intervenção do radiologista, se caracterizando em um processo inteiramente
automático. A validação do método foi através da comparação com levantamentos de áreas e
volumes de estruturas do encéfalo obtidos por métodos manuais e divulgados na literatura.
Nas próximas seções são avaliados os resultados obtidos, citadas as principais
contribuições e trabalhos futuros.
5.1 Avaliação dos Resultados Obtidos
O experimento da Seção 4.1 mostrou a aplicação do método de segmentação baseado
em atlas anatômico para identificação da área superficial do corpo caloso a partir de uma
seção sagital mediana do crânio em ressonância magnética. O método tem a vantagem de ser
inteiramente automático, reduzindo ou eliminando a necessidade de intervenção do
radiologista. O atlas anatômico foi utilizado para transferência da imagem para um espaço
estereotáxico conhecido e segmentação das substâncias do encéfalo. Dependendo das
características da imagem original, esta etapa pode demandar alguma supervisão do
especialista, especificando o plano de aquisição ou outros parâmetros. Diferentemente dos
trabalhos relacionados na Seção 4.1.5, este método utiliza uma função de identificação de
regiões. O corpo caloso é visualmente uma das estruturas ou regiões de maior área em uma
seção sagital mediana segmentada na substância branca. Assim, a utilização de um algoritmo
para agrupamento dos pixels componentes de uma região, limitada por uma janela retangular
fixada próxima aos limites máximos do corpo caloso, provou ser um método eficiente.
Comparando os valores obtidos de área com os divulgados em publicações, a diferença foi de
aproximadamente 1,2% para indivíduos do gênero masculino e de 7% a 12% para indivíduos
do gênero feminino. A diferença maior para os indivíduos do gênero feminino foi justificada
pela limitação da amostra e utilização de métodos de segmentação distintos.
69
O experimento da Seção 4.2 mostrou a aplicação do método de segmentação baseado
em atlas anatômico para o levantamento volumétrico das substâncias do encéfalo e
hipocampo. Os volumes e índices obtidos pelo método automático mostraram convergir com
análises exploratórias divulgadas por outros autores. O índice de formação hipocampal de
indivíduos com déficit cognitivo foi menor que os de indivíduos saudáveis, conforme
esperado. Contudo, não foi possível observar sua redução mais acentuada com a idade,
quando comparado com indivíduos saudáveis, pois os valores de índice dos hipocampos
apresentaram elevada dispersão (vide Gráfico 7). A solução, proposta como trabalho futuro, é
selecionar um maior número de imagens visando elevar a representatividade da amostra. O
experimento ainda mostrou a forte influência da qualidade da imagem, representada em
termos de relação sinal e ruído, no desempenho do método proposto. Os trabalhos
relacionados na Seção 4.2.5 mostraram comparações de resultados utilizando outras
bibliotecas de processamento de imagem e diferentes métodos de segmentação, cada um
expondo vantagens e restrições. Devido às diversidades anatômicas, características de
imagem e processos de segmentação, a área de segmentação e levantamento volumétrico com
apoio computacional continua sendo objeto de pesquisa da comunidade científica.
5.2 Contribuições
As principais contribuições desta dissertação foram:
1. Contextualização das etapas de processamento digital de imagens e métodos de
qualificação de sistemas diagnósticos com auxílio do computador;
2. Levantamento de bibliotecas e aplicações computacionais de apoio à neurologia, área
denominada como neuroinformática;
3. Avaliação de resultados da segmentação automática baseado em atlas anatômico em
imagens com baixa relação sinal/ruído, bem como o impacto da utilização de filtros de
redução de ruído na apuração volumétrica;
4. Proposição de um método de segmentação bidimensional do corpo caloso, validado
pela comparação de análises exploratórias obtidas por outros autores;
5. Aplicação de técnicas de estatística descritiva visando à análise exploratória de dados
resultantes do processo de segmentação automática utilizado.
5.3 Trabalhos Futuros
A exploração das técnicas de segmentação de estruturas do encéfalo com apoio de
algoritmos computacionais, objeto de estudo desta dissertação, oferece inúmeras
70
oportunidades de pesquisa. Além da segmentação, há oportunidades de pesquisa nas áreas de
reconhecimento de padrões, representando uma etapa importante rumo ao desenvolvimento de
sistema diagnóstico auxiliado por computador. Qualquer contribuição que vise melhorar a
acuidade do diagnóstico médico por imagem poderá resultar em um emprego mais inteligente
dos recursos dos sistemas de saúde, e, conseqüentemente, refletir na melhoria da qualidade de
vida de toda sociedade.
A manutenção do aspecto prático das proposições aqui colocadas deve ser constante.
Assim, a continuidade dos trabalhos aqui apresentados deve culminar no desenvolvimento de
um aplicativo instalado e utilizado como ferramenta de apoio nos meios de diagnóstico clínico
por imagem do sistema de saúde. Assim, estabelecido e validado o método de segmentação,
torna-se importante o desenvolvimento de uma interface do usuário, de modo a possibilitar o
uso facilitado da ferramenta pelo radiologista. As avaliações volumétricas e de área sob uma
determinada estrutura, externadas pela interface de saída do aplicativo, poderão ser utilizadas
como parâmetro ao diagnóstico médico.
A seguir, algumas oportunidades de pesquisa:
1. Desenvolver um modelo de diagnóstico auxiliado por computador, baseado em
análises estatísticas de levantamentos volumétricos e respectivas associações com
diagnósticos clínicos e comportamentais, em especial, referentes às doenças
neurológicas ou distúrbios funcionais;
2. Elevar a quantidade de imagens da amostra, visando ampliar a representatividade das
análises estatísticas;
3. Melhorar a qualidade da segmentação, avaliando os resultados de diferentes
algoritmos de pré-processamento, bem como analisando a correlação do sinal com
sinais obtidos por diferentes parâmetros de aquisição (análise multi-espectral) ou
diferentes modalidades (análise multi-modal). Um exemplo é correlacionar sinais
obtidos da ressonância magnética com sinais oriundos de tomografia
computadorizada, PET, SPECT, EEG ou MEG;
4. Correlacionar características estruturais com padrões funcionais do encéfalo a partir da
administração de estímulos, através da ressonância magnética funcional (RMf). Para
tanto, as configurações das áreas ativadas no cérebro pela administração de um dado
estímulo serão armazenadas em forma de mapas de parametrização estatísticos e, em
seguida, correlacionadas com dados estruturais.
71
6 Referências
Adi. Alzheimer's Disease International 2007, http://www.alz.co.uk/, acessado em Junho/2007.
Alpert, N. M., D. Berdichevsky, Z. Levin, E. D. Morris e A. J. Fischman. Improved methods for image
registration. Neuroimage, v.3, n.1, p.10-18. 1996.
Amaro, E. e H. Yamashita. Aspectos básicos de tomografia computadorizada e ressonância magnética.
Revista Brasileira de Psiquiatria, v.23, n.1, p.2-3. 2001.
Amit, Y., U. Grenander e M. Piccioni. Structural image restoration through deformable templates.
Journal of the American Statistical Association, v.86, p.376-387. 1991.
Angelini, E., C. Imielinska, J. Jin e A. Laine. Improving statistics for hybrid segmentation of high-
resolution multichannel images. SPIE Medical Imaging. San Diego 2002.
Arnold, J. B., J. S. Liow, K. A. Schaper, J. J. Stern, J. G. Sled, D. W. Shattuck, A. J. Worth, M. S.
Cohen, R. M. Leahy, J. C. Mazziotta e D. A. Rottenberg. Qualitative and quantitative evaluation of six
algorithms for correcting intensity nonuniformity effects. Neuroimage, v.13, n.5, p.931-943. 2001.
Ashburner, J. Computational neuroanatomy. University College London, 2000.
Ashburner, J. e K. J. Friston. Voxel-based morphometry - the methods. Neuroimage, v.11, p.805-821.
2000.
______. Why voxel-based morphometry should be used. Neuroimage, v.14, p.1238-1243. 2001.
Ashburner, J., C. Hutton, R. Frackowiak, I. Johnsrude, C. Price e K. Friston. Identifying global
anatomical differences: deformation-based morphometry. Human Brain Mapping, v.6, n.5-6, p.348-
357. 1998.
Ashtari, M., W. B. Barr, N. Schaul e B. Borgerts. Three-dimensional of the hippocampus in patients
with chronic epilepsy of the temporal lobe. Neuroradiology, v.12, p.941-947. 1991.
Bajcsy, R. e S. Kovacic. Multiresolution elastic matching. Computer Vision, Graphics and Image
Processing, v.46, p.1-29. 1989.
Bakshi, R., V. Dandamudi, M. Neema, C. De e R. A. Bermel. Measurement of brain and spinal cord
atrophy by magnetic resonance imaging as a tool to monitor multiple sclerosis. Journal of
Neuroimaging, v.15, n.4, p.30-46. 2005.
Beck, J. R. e E. K. Schultz. The use of relative operating characteristic (ROC) curves in test
performance evaluation. Arch. Path. Lab. Med., v.110, p.13-20. 1986.
Beltrame, F. e S. H. Koslow. Neuroinformatics as a megascience issue. IEEE Transactions on
Information Technology in Biomedicine, v.3, n.3, p.239-240. 1999.
Bhatia, S., S. Y. Bookheimer, W. D. Gaillard e W. H. Theodore. Measurement of whole temporal lobe
and hippocampus for MR volumetry: normative data. Neurology, v.43, p.2006-2010. 1993.
Bigler, E. D., D. D. Blatter e C. V. Anderson. Hippocampal volume in normal aging and traumatic
brain injury. Neuroradiology, v.18, p.11-23. 1997.
72
Bookstein, F. L. Landmark methods for forms without landmarks: morphometrics of group differences
in outline shape. Medical Image Analysis, v.1, n.3, p.225-243. 1997.
Bottino, C. M. D. C. Morfometria por ressonância magnética. Revista Psiquiatria Clínica, v.27, n.3.
2000.
Bottino, C. M. D. C., M. R. L. Neto, C. C. D. Castro e R. L. E. Gomes. Doença de Alzheimer,
transtorno cognitivo leve e envelhecimento normal: avaliação por medidas de ressonância magnética
volumétricas. Revista Psiquiatria Clínica, v.25, p.88-97. 1998.
Brodmann, K. Vergleichende Lokalisationslehre der Grosshirnrinde in ihren Prinzipien dargestellt auf
Grund des Zellenbaues. Leipzig: Johann Ambrosius Barth Verlag. 1909
Bronzino, J. D. The biomedical engineering handbook: CRC Press, v.1. 2006
Buckner, R. L., D. Head, J. Parker, A. F. Fotenos, D. Marcus e J. C. Morris. A unified approach for
morphometric and functional data analysis in young, old and demented adults using automated atlas-
based head size normalization: reliability and validation against manual measurement of total
intracranial volume. Neuroimage, v.23, p.724-738. 2004.
Carmichael, O. T., H. A. Aizenstein, S. W. Davis, J. T. Becker, P. M. Thompson, C. C. Meltzer e Y.
Liu. Atlas-based hippocampus segmentation in Alzheimer's disease and mild cognitive impairment.
Robotics Institute. Pennsylvania, p.45. 2004
Caselles, V., R. Kimmel e G. Sapiro. Geodesic active contours. International Journal on Computer
Vision, v.22, n.1, p.61-97. 1997.
Castleman, K. N. Digital Image Processing. New Jersey: Prentice-Hall. 1996
Cendes, F., F. Andermann e P. Gloor. MRI volumetric measurement of amygdala and hippocampus in
temporal lobe epilepsy. Neurology, v.43, p.719-725. 1993.
Chen, M. 3D deformable registration using a statistical atlas with application in medicine. Robotics
Institute, Carnegie Mellon University, Pittsburgh, 1999.
Chen, Q.-S. Image registration and its applications in medical imaging. Vrije Universiteit Brussel,
1993.
Chong, E. K. P. e S. H. Zak. An introduction to optimization: Wiley. 2001 (Wiley-Interscience Series
in Discrete Mathematics and Optimization)
Chung, M. K., K. J. Worsley, T. Paus, C. Cherif, D. L. Collins, J. N. Giedd, J. L. Rapoport e A. C.
Evans. A unified statistical approach to deformation-based morphometry. Neuroimage. 2000.
Chupin, M., D. Hasboun, R. Mukuna-Bantumbakulu, E. Bardinet, S. Baillet, S. Kinkingnéhun, L.
Lemieux, B. Dubois e L. Garnero. Competitive segmentation of the hippocampus and the amygdala
from MRI data: validation on young healthy controls and Alzheimer's disease patients. Proceedings of
SPIE, v.6144, n.61440-2. 2006.
Coffey, C. E., W. E. Wilkinson e I. A. Parashos. Quantitative cerebral anatomy of the aging human
brain: a cross-sectional study using magnetic resonance imaging. Neurology, v.42, p.527-536. 1992.
Collins, D. L., C. J. Holmes, T. M. Peters e A. C. Evans. Automatic 3D model-based neuroanatomical
segmentation. Human Brain Mapping, v.3, n.3, p.190-208. 1995.
73
Collins, D. L., P. Neelin, T. M. Peters e A. C. Evans. Automatic 3D intersubject registration of MR
volumetric data in standardized Talairach space. Journal of Computer Assisted Tomography, v.18, n.2,
p.192-205. 1994.
Collins, D. L., A. P. Zijdenbos, W. F. C. Baaré e A. C. Evans. Animal+Insect: improved cortical
structure segmentation. Proceedings of the Annual Symposium on Information Processing in Medical
Imaging, v.1613, p.210-223. 1999.
Cook, M. J., D. R. Fish, S. D. Shorvon, K. Straughan e J. M. Stevens. Hippocampal volumetric and
morphometric studies in frontal and temporal lobe epilepsy. Brain Research Bulletin, v.115, p.1001-
1015. 1992.
Cox, R. W., J. Ashburner, H. Breman, K. Fissell, C. Haselgrove, C. J. Holmes, J. L. Lancaster, D. E.
Rex, S. M. Smith, J. B. Woodward e S. C. Strother. A sort of new image data format standard: NIfTI-
1. Neuroimage, v.22. 2004.
Cummings, J. L. e D. F. Bensom. The role of the nucleus basalis of Meinert in dementia: review and
reconsideration. Alzheimer's Disease Association Disorden, v.1, p.128-145. 1987.
Dale, A. M., B. Fischl e M. I. Sereno. Cortical surface-based analysis: segmentation and surface
reconstruction. Neuroimage, v.9, n.2, p.179-194. 1999.
Datasus. Ministério da Saúde, http://www.datasus.gov.br/, acessado em Junho/2007.
Davatzikos, C., J. L. Prince e R. N. Bryan. Image registration based on boundary mapping. IEEE
Transactions on Medical Imaging, v.15, p.112-115. 1996.
Dean, D., P. Buckley, F. Bookstein, J. Kamath, D. Kwon, L. Friedman e C. Lys. Three-dimensional
MR-based morphometric comparison of schizophrenic and normal cerebral ventricles. Biomedical
Lecture Notes Computacional Science, p.363-372. 1996.
Donoho, D. L. e I. M. Johnstone. Ideal spatial adaptation via wavelet shrinkage. Biometrika, v.81,
p.425-455. 1994.
Evans, A. C., D. L. Collins, S. R. Mills, E. D. Brown, R. L. Kelly e T. M. Peters. 3D statistical
neuroanatomical models from 305 MRI volumes. IEEE Nuclear Science Symposium and Medical
Imaging Conference, v.3, p.1813-1817. 1993.
Fisher, R. A. Statistical methods for research workers. Edinburgh: Oliver and Boyd. 1925
Fotenos, A. F., A. Z. Snyder, L. E. Girton, J. C. Morris e R. L. Buckner. Normative estimates of cross-
sectional and longitudinal brain volume decline in aging and AD. Neurology, v.64, n.6, p.1032-1039.
2005.
Freeborough, P. A., N. C. Fox e R. I. Kitney. Interactive algorithms for the segmentation and
quantitation of 3D MRI brain scans. Computer Methods and Programs in Biomedicine, v.53, n.1, p.15-
16. 1997.
Freire, L. e J. F. Mangin. Motion correction algorithms may create spurious brain activations in the
absence of subject motion. Neuroimage, v.14, n.3, p.709-722. 2001.
Friston, K. J., J. Ashburner, C. D. Frith, J. Poline, J. D. Heather e R. S. J. Frackowiak. Spatial
registration and normalization of images. Human Brain Mapping, v.2, p.165-189. 1995.
74
Galasko, D., S. D. Edland, J. C. Morris, C. Clark, R. Mohs e E. Koss. The consortium to establish a
registry for Alzheimer's disease. Neurology, v.45, p.1451-1455. 1995.
Gao, S., H. C. Hendrie, K. S. Hall e S. Hui. The relationships between age, sex, and incidence of
dementia and Alzheimer disease. Archives of General Psychiatry, v.55, p.809-815. 1998.
Gomez, Y. A., L. M. Garcia e P. V. Hernandez. IBASPM: Toolbox for automatic parcellation of brain
structures. 12th Annual Meeting of the Organization for Human Brain Mapping, v.27, n.1. 2006.
Gonzalez, R. C. e R. E. Woods. Digital Image Processing: Prentice-Hall. 2002
Goualher, G. L., E. Procyk, D. L. Collins, R. Venugopal, C. Barillot e A. C. Evans. Automated
extraction and variability analysis of sucal neuroanatomy. IEEE Transactions on Medical Imaging,
v.18, n.3, p.206-217. 1999.
Greitz, T., C. Bohm, S. Holte e L. Eriksson. A computerized brain atlas: construction, anatomical
content, and some applications. Journal of Computer Assisted Tomography, v.15, n.1, p.26-38. 1991.
Gupta, V. Statistical analysis with Excel: VJ Books, v.5. 2002
Gusmão, S. S. Determination of the coordinates in the stereotactic computed tomography: simplication
of the conventional method. Neuropsiquatria, v.60, n.3B, p.775-778. 2002.
Haacke, E. M., R. W. Brown, M. R. Thompson e R. Venkatesan. Magnetic resonance imaging:
physical principles and sequence design: Wiley-Liss. 1999
Hammarneh, T. M. Psysics-based shape deformations for medical image analysis. SPIE-IS&T
Electronic Imaging: Image Processing Algorithms and Systems, v.5014, p.354-362. 2003.
Hartigan, J. A. Clustering algorithms. New York: John Wiley & Sons Inc. 1975
Holmes, C. J., D. L. Collins, R. Woods, A. W. Toga e A. C. Evans. Enhancement of MR images using
registration for signal averaging. Journal of Computer Assisted Tomography, v.22, n.2, p.324-333.
1998.
IBGE. Perfil dos idosos responsáveis pelos domicílios. IBGE Comunicação Social 2004.
Imielinska, C., D. Metaxas, J. K. Udupa, Y. Jin e T. Chen. Hybrid segmentation of anatomical data.
Proceedings MICCAI, p.1048-1057. 2001.
Jack, C. R. MRI-based hippocampal volume measurements in epilepsy. Epilepsia, v.35, n.6, p.21-29.
1994.
Jack, C. R., R. C. Petersen, Y. Xu, P. C. O'brien, G. E. Smith, R. J. Ivnik, B. F. Boeve, E. G. Tangalos
e E. Kokmen. Rates of hippocampal atrophy correlate with change in clinical status in aging and AD.
Neurology, v.55, p.484-489. 2000.
Jack, C. R., R. C. Petersen, Y. Xu, P. C. O'brien, G. E. Smith, R. J. Ivnik, E. G. Tangalos e E.
Kokmen. Rate of medial temporal lobe atrophy in typical aging and Alzheimer's disease. Neurology,
v.51, p.993-999. 1998.
Jack, C. R., C. K. Twomey, A. R. Zinsmeister, F. W. Sharbrough, R. C. Petersen e G. D. Cascino.
Anterior temporal lobes and hippocampal formations: normative volumetric measurements from MR
images in young adults. Radiology, v.172, p.549-554. 1989.
75
Jähne, B. Digital Image Processing: Springer-Verlag. 2005
Jenkinson, M., P. Bannister, J. M. Brady e S. M. Smith. Improved optimisation for the robust and
accurate linear registration and motion correction of brain images. Neuroimage, v.17, n.2, p.825-841.
2002.
Jernigan, T. L., G. A. Press e J. R. Hesselink. Methods for measuring brain morphologic features on
magnetic resonance images: validation and normal aging. Archives of Neurology, v.47, p.27-32. 1990.
Joachim, W. Anisotropic diffusion in image processing. Teubner-Verlag: B. G. Teubner. 1998. 170 p.
Johnson, S. C., T. Farnworth, J. B. Pinkston, E. D. Bigler e D. D. Blatter. Corpus callosum surface
area across the human adult life span: effect of age and gender. Brain Research Bulletin, v.35, p.373-
377. 1994.
Jost, B. C. e G. T. Grosseberg. The evolution of psychiatric symptoms in Alzheimer's disease: a
natural history study. Journal of the American Geriatrics Society, v.44, p.1078-81. 1996.
Kabani, N. J., D. Macdonald, C. J. Holmes e A. C. Evans. 3D anatomical atlas of the human brain.
Neuroimage, v.7, n.4. 1998.
Kass, M., A. Witkin e D. Terzopoulos. Snakes: active contour models. International Journal on
Computer Vision, v.1, n.4, p.321-331. 1995.
Kassubek, J., F. D. Juengling, D. Ecker e G. B. Landwehrmeyer. Thalamic atrophy in Huntington's
disease co-varies with cognitive performance: a morphometric MRI analysis. Cerebral Cortex, v.15,
n.6, p.846-853. 2005.
Kaye, J. A., T. Swihart, D. Howieson, A. Dame e M. M. Moore. Volume loss of the hippocampus and
temporal lobe in healthy elderly persons destined to develop dementia. Neurology, v.48, p.1297-1304.
1997.
Kipps, C. M., A. J. Duggins, N. Mahant, L. Gomes, J. Ashburner e E. A. Mccusker. Progression of
structural neuropathology in preclinical Huntington's disease: a tensor based morphometry study.
Journal of Neuroly Neurosurgery and Psychiatry, v.76, p.650-655. 2005.
Kjmes, U., S. C. Strother, J. R. Anderson e L. K. Hansen. Enhancing the multivariate signal of water
PET studies with a new nonlinear neuroanatomical registration algorithm. IEEE Transactions on
Medical Imaging, v.18, n.4, p.306-319. 1999.
Kollokian, V. Performance analysis of automatic techniques for tissue classification in MRI of the
human brain. Computer, Concordia, Montreal, 1996.
Laissy, J. P., B. Patrux e C. Dachateav. Midsagital measurements of the corpus callosum in healthy
subjects and diseased patients: a prospective study. Journal Neuroradiology, v.14, n.145-154. 1993.
Lancaster, J. L., P. T. Fox, H. Downs, D. S. Nickerson, T. A. Hander, M. E. Mallah, P. V. Kochunov e
F. Zamarripa. Global spatial normalization of the human brain using convex hulls. Journal of Nuclear
Medicin, v.40, n.6, p.942-955. 1999.
Lee, C., S. Huh, T. A. Ketter e M. Unser. Automated segmentation of corpus callosum in midsagittal
brain magnetic resonance images. Society of Photo-Optical Instrumental, v.34, n.4, p.924-935. 2000.
Leemput, K. V. Quantitative analysis of signal abnormalities in MR imaging for multiple sclerosis and
Creutzfeldt-Jakob disease. Medicine, Leuven, Leuven, 2001.
76
Leemput, K. V., F. Maes, D. Vandermeulen e P. Suetens. Automated model-based bias field
correction of MR images of the brain. IEEE Transactions on Medical Imaging, v.18, n.10, p.885-896.
1999.
Lent, R. Cem Bilhões de Neurônios: conceitos fundamentais de neurociência: Atheneu. 2004
Leventon, M., W. Grimson e O. Faugeras. Statistical shape influence in geodesic active contours.
IEEE Conference on Computer Vision and Pattern Recognition (CVPR), v.1, p.316-323. 2000.
Lohmann, G., K. Müller, V. Bosch, H. Mentzel, S. Hessler, L. Chen, S. Zysset e D. Y. Cramon.
LIPSIA: a new software system for the evaluation of functional magnetic resonance images of the
human brain. Computerized Medical Imaging and Graphics, v.26, n.6, p.449-457. 2001.
Lundervold, A., N. Duta, T. Taxt e A. K. Jain. Model-guided segmentation of corpus callosum in MR
images. IEEE Computer Society Conference on Computer Vision and Pattern Recognition, v.1,
p.1231. 1999.
Machado, A. Neuroanatomia Funcional: Atheneu. 1988
Magistretti, P. J., L. Pellerin e J.-L. Martin. Brain energy metabolism: an integrated cellular
perspective: Elsevier. 1995 (Psychopharmacology)
Marchetti, R. L. Estudo clínico e de neuroimagem das psicoses em epilepsia: contribuição da
morfometria das estruturas mesiais. Faculdade de Medicina, USP, São Paulo, 1998.
Marchetti, R. L., C. M. C. Bottino, D. Azevedo, S. K. N. Marie e C. C. D. Castro. Confiabilidade de
medidas volumétricas de estruturas temporais mesiais. Arquivos Neuropsiquiatria, v.60, n.2B. 2002.
Marcus, D. S., T. H. Wang, J. Parker, J. G. Csernansky, J. C. Morris e R. L. Buckner. Open access
structural imaging series (OASIS): cross-sectional MRI data across the adult lifespan: Department of
Radiology, Washington University School of Medicine 2006.
Marques, P. M. D. A. Diagnóstico auxiliado por computador na radiologia. Radiologia Brasileira,
v.34, n.5, p.285-293. 2001.
Mazziotta, J. C., A. W. Toga, A. C. Evans, P. T. Fox, J. L. Lancaster, K. Zilles, R. Woods, T. Paus, G.
Simpson, B. Pike, C. J. Holmes, D. L. Collins, P. M. Thompson, D. Macdonald, M. Iacoboni, T.
Schormann, K. Amunts, N. Palomero-Gallagher, S. Geyer, L. Parsons, K. Narr, N. J. Kabani e G. Le
Gouaher. A probabilistic atlas and reference system for the human brain: International Consortium for
Brain Mapping (ICBM). Philosophical Transactions of the Royal Society of London, v.356, p.1293-
1322. 2001.
Morris, J. C. The clinical dementia rating (CDR): current version and scoring rules. Neurology, v.43,
p.2412-2414. 1993.
Nielsen, F. A. e L. K. Hansen. Finding related functional neuroimaging volumes. Neuroimage, v.16,
n.2. 2002.
Nitrini, R., P. Caramelli, E. H. Jr., V. S. Bahia, L. F. Caixeta, M. Radanovic, R. Anghinah, H.
Charchat-Fichman, C. S. Porto, M. T. Carthery, A. P. J. Hartmann, N. Huang, J. Smid, E. P. Lima, L.
T. Takada e D. Y. Takahashi. Incidence of Dementia in a Community-Dwelling Brazilian Population.
Alzheimer's Disease Association Disorden, v.18, p.241-246. 2004.
77
Nordstrom, M. Robust segmentation and volumetry of MR images. Engineering, Uppsala University
School of Engineering, Uppsala, 2000. 32 p.
Patwardhan, M. B., D. C. Mccrory, D. B. Matchar, G. P. Samsa e O. T. Rutschmann. Alzheimer
disease: operating characteristics of PET - a meta-analysis. Radiology, v.231, p.73-80. 2004.
Pruessner, J. C., D. L. Collins, M. Pruessner e A. C. Evans. Age and gender predict volume decline in
the anterior and posterior hippocampus in early adulthood. The Journal of Neuroscience, v.21, n.1,
p.194-200. 2001.
Purves, D., G. J. Augustine, D. Fitizpatrick, W. C. Hall e A.-S. Lamantia. Neuroscience. Sunderland:
Sinauer Associates. 2004
Quinton, O., S. Giequel, C. Tzourio, N. Mazoyer, M. Joliet, B. Mazoyer e A. Alperovith. EVA833: a
statistical MRI brain atlas based on 833 elderly subjects. International Conference on Functional
Mapping of Human Brain, v.5, p.101. 1999.
Salat, D., A. Ward, J. A. Kaye e J. S. Janowsky. Sex differences in the corpus callosum with aging.
Neurobiology Aging, v.18, n.2, p.191-197. 1997.
Schormann, T., S. Posse, S. Henn e K. Zilles. The new reference brain of the ECHB database.
International Conference on Functional Mapping of Human Brain, v.5. 1999.
Seixas, F. L., J. Damasceno, M. P. D. Silva, A. S. D. Souza e D. C. M. Saade. Automated
segmentation of brain structures based on anatomic atlas. 7th International Conference on Intelligent
Systems Design and Applications (ISDA). Rio de Janeiro: IEEE Press 2007.
Seixas, F. L., A. S. D. Souza e D. C. M. Saade. Segmentação automática de imagens médicas baseada
em atlas anatômico. 10º Congresso Brasileiro de Informática e Saúde (CBIS). Florianópolis 2006.
Seixas, F. L., A. S. D. Souza, A. A. S. M. D. D. Santos e D. C. M. Saade. Automated segmentation of
the Corpus Callosum midsagittal surface area. 20th Brazilian Symposium on Computer Graphics and
Image Processing (SIBGRAPI). Belo Horizonte: IEEE Press 2007.
Sethian, J. A. Level set methods and fast marching methods. Cambridge University Press. 1996.
Shen, D. e C. Davatzikos. Very high-resolution morphometry using mass-preserving deformations and
HAMMER elastic registration. Neuroimage, v.18, n.1, p.28-41. 2003.
Simon, J. H., L. D. Jacobs, M. K. Campion, R. A. Rudick, D. L. Cookfair, R. M. Herndon, J. R.
Richert, A. M. Salazar, J. S. Fischer, D. E. Goodkin, N. Simonian, M. Lajaunie, D. E. Miller, K.
Wende, A. Martens-Davidson, R. P. Kinkel e F. E. Munschauer. A longitudinal study of brain atrophy
in relapsing multiple sclerosis. American Academy of Neurology, v.53, n.1, p.139-148. 1999.
Singh, M., R. R. Brechner e V. W. Henderson. Neuromagnetic localization using magnetic resonance
images. IEEE Transactions on Medical Imaging, v.11, p.125-134. 1984.
Sled, J. G., A. P. Zijdenbos, D. L. Collins e A. C. Evans. The impact of intensity non-uniformity on
automated anatomical analysis of 3D MRI images. Neuroimage, v.5, n.4. 1997.
Sled, J. G., A. P. Zijdenbos e A. C. Evans. A nonparametric method for automatic correction of
intensity nonuniformity in MRI data. IEEE Transactions on Medical Imaging, v.17, n.1, p.87-97.
1998.
78
Smith, R. J., F. Aboitiz, C. Schröter, R. Barton, V. H. Denenberg, R. H. Fitch, B. L. Finlay, R.
Holloway, W. L. Jungers, D. Wahlsten e K. M. Bishop. Relative size versus controlling for size:
interpretation of ratios in research on sexual dimorphism in the human corpus callosum. Current
Anthropology, v.46, p.249-273. 2005.
Smith, S. M., M. Jenkinson, M. W. Woolrich, C. F. Beckmann, T. E. J. Behrens, H. Johansen-Berg, P.
R. Bannister, M. D. Luca, I. Drobnjak, D. E. Flitney, R. Niazy, J. Saunders, J. Vickers, Y. Zhang, J.
M. Brady e P. M. Matthews. Advances in functional and structural MR image analysis and
implementation as FSL. Neuroimage, v.23, n.1, p.208-219. 2004.
Souza, A. S. D. Espectroscopia de prótons na demência de Alzheimer e no comprometimento
cognitivo. Psiquatria, Faculdade de Medicina da Universidade de São Paulo, São Paulo, 2005.
Styner, M., G. Gerig, C. Brechbuehler e G. Szekely. Parametric estimate of intensity inhomogeneities
applied to MRI. IEEE Transactions on Medical Imaging, v.19, n.3, p.153-165. 2000.
Sullivan, E. V., M. J. Rosenbloom, J. E. Desmond e A. Pfefferbaum. Sex differences in corpus
callosum size: relationship to age and intracranial size. Neurobiology Aging, v.22, n.4, p.603-611.
2001.
Talairach, J. e P. Tournoux. Co-planar stereotaxic atlas of the human brain. New York: Thieme
Medical Publisher. 1988
Testa, C., M. P. Laakso, F. Sabattoli, R. Rossi, A. Beltramello, H. Soininen e G. B. Frisoni. A
comparison between the accuracy of voxel-based morphometry and hippocampal volumetry in
Alzheimer's disease. Journal of Magnetic Resonance Imaging, v.19, n.3, p.274-282. 2004.
Thévenaz, P. e M. Unser. A pyramid approach to subpixel registration based on intensity. IEEE
Transactions on Image Processing, v.7, n.1, p.27-41. 1998.
Thompson, P. M. e A. W. Toga. Visualization and mapping of anatomic abnormalities using a
probablistic brain atlas based on random fluid transformations. Proceedings of the International
Conference on Visualization in Biomedical Computing, p.383-392. 1996.
Thurfjell, E. L., K. A. Lernevall e A. A. Taube. Benefit of independent double reading in a population-
based mammography screening program. Radiology, v.191, p.241-4. 1994.
Tzourio-Mazoyer, N., B. Landeau, D. Papathanassiou, F. Crivello, O. Etard, N. Deleroix, B. Mazoyer
e M. Joliet. Automated anatomical labeling of activations in SPM using a macroscopic anatomical
parcellation of the MNI MRI single-subject brain. Neuroimage, v.15, n.1, p.273-289. 2002.
Udupa, J. K., V. R. Leblanc, H. Schmidt, C. Imielinska, K. P. Saha, G. J. Grevera, Y. Zhuge, P.
Molholt, L. Currie e Y. Jim. A methodology for evaluating image segmentation algorithms.
Proceedings of SPIE Medical Imaging, v.4684, p.266-277. 2002.
Vedolin, L., E. Marchiori e C. Rieder. Avaliação da doença de Parkinson pela ressonância magnética.
Radiologia Brasileira, v.37, n.2, p.83-90. 2004.
Watson, C., F. Andermann e P. Gloor. Anatomic basis of amygdaloid and hippocampal volume
measurement by magnetic resonance imaging. Neurology, v.42, p.1743-1750. 1992.
Willendrup, P., L. H. Pinborg, S. G. Hasselbalch, K. H. Adams, K. Stahr e G. M. Knudsen.
Assessment of the precision in co-registration of structural MR images and PET images with localized
binding. Proceedings of the International Workshop on Quantification in Biomedical Imaging with
PET and MRI. Osaka: Elsevier 2004.
79
Winsberg, F., M. Elkin, J. Macy, V. Bordaz e W. Weymouth. Detection of radiographic abnormalities
in mammograms by means of optical scanning and computer analysis. Radiology, v.89, p.211-215.
1967.
Woods, R. P., M. Dapretto, N. L. Sicotte, A. W. Toga e J. C. Mazziotta. Creation and use of a
Talairach-compatible atlas for accurate, automated, nonlinear intersubject registration and analysis of
functional imaging data. Human Brain Mapping, v.8, n.2-3, p.73-79. 1999.
Woods, R. P., S. T. Grafton, C. J. Holmes, S. R. Cherry e J. C. Mazziotta. Automated image
registration. Journal Computer Assisted Tomography, v.22, n.1, p.139-152, 153-165. 1998.
Wright, I. C., P. K. Mcguire, J. B. Poline, J. M. Travere, R. M. Murray, C. D. Frith, R. S. J.
Frackiowiak e K. J. Friston. A voxel-based method for the statistical analysis of gray and white matter
density applied to schizophrenia. Neuroimage, v.2, p.244-252. 1995.
Yin, F. F., M. L. Giger, K. Doi, C. E. Metz, C. J. Vyborny e R. A. Schmidt. Computerized detection of
masses in digital mammograms: analysis of bilateral-subtraction images. Medical Physics, v.18. 1991.
Yoo, T. S., U. Neumann, H. Fuchs, S. M. Pizer, T. Cullip, J. Rhoades e R. T. Whitaker. Direct
visualization of volume data. IEEE Computer Graphics and Applications, v.12, n.4, p.63-71. 1992.
Zitová, B. e J. Flusser. Image registration methods: a survey. Image and Vision Computing, v.21,
p.977-1000. 2003.
Livros Grátis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas
Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
