Faculdade de Engenharia da Universidade do Porto
Segmentação Automática de Lesões de Esclerose Múltipla em Imagens de Ressonância Magnética
Rafaela Inês Pires Pinto
VERSÃO DE TRABALHO
Trabalho realizado no âmbito da Unidade Curricular “Trabalhos Práticos” do
Mestrado em Engenharia Biomédica
Orientador: Prof. Doutor João Manuel R. S. Tavares, Faculdade de Engenharia da Universidade do Porto
Co-orientador: Prof. Doutora Sandra Rua Ventura, Escola Superior de Tecnologia da Saúde do Porto
Porto, junho de 2016
i
Resumo
O presente relatório visa descrever o trabalho desenvolvido no âmbito da unidade curricular de
Trabalhos Práticos do Mestrado em Engenharia Biomédica da Faculdade de Engenharia da Universidade
do Porto e teve como principal finalidade, fazer uma pesquisa bibliográfica e um enquadramento
prático com as técnicas a usar no projeto de Dissertação.
A esclerose múltipla é o distúrbio neurológico mais comum diagnosticado em jovens adultos. As
suas causas ainda não são totalmente compreendidas e os investigadores continuam a procurar
respostas. Embora a doença não possa ser curada ou prevenida, neste momento, os tratamentos
disponíveis permitem reduzir a gravidade da mesma e retardar a sua progressão. Torna-se cada vez
mais necessário recorrer a técnicas de imagiologia e melhoramento de imagens para facilitar o
diagnóstico precoce e tratamento adequado por parte dos médicos para uma melhor qualidade de
vida do paciente.
O objetivo principal deste trabalho corresponde ao melhoramento de imagens de ressonância
magnética de doentes com esclerose múltipla, permitindo assim uma melhor análise e diagnóstico
eficaz por parte de especialistas. Assim, neste trabalho serão abordados conceitos fundamentais
acerca de Processamento e Análise de Imagem, uma revisão acerca das metodologias utilizadas por
vários autores para melhoramento de imagens e aplicação de vários algoritmos em MATLAB para
avaliação das mesmas.
iii
Abstract
This report intends to describe the work done within the the curricular unit of “Trabalhos
Práticos” of the master in Biomedical Engineering from the Faculdade de Engenharia da Universidade
do Porto and its main purpose, make a bibliographic research and a practical framework with the
techniques to use in the Dissertation project.
Multiple sclerosis is the most common neurological disorder diagnosed in young adults. Its causes
are not fully understood and researchers continue to search for answers. Although the disease can
not be cured or prevented, at this moment, the available treatments allow to reduce the severity of
it and slow its progression. It becomes increasingly necessary to use techniques of imaging and image
enhancement to facilitate early diagnosis and appropriate treatment by doctors for a better quality
of life of the patients.
The main objective of this work corresponds to the improvement of magnetic resonance imaging
in patients with multiple sclerosis, thus allowing a better analysis and effective diagnosis by
specialists. So, in this paper will discuss basic concepts about Image Processing and Analysis, a review
of the methodologies used by various authors for image enhancement and application of sereral
algorithms in MATLAB for evaluation.
v
Agradecimentos
A realização deste trabalho contou com importantes apoios, sem os quais não teria sido possível
a elaboração do mesmo.
Ao Professor Doutor João Manuel R. S. Tavares, pela sua disponibilidade, orientação, paciência e
compreensão demonstradas ao longo deste percurso.
À Professora Doutora Sandra Rua Ventura, pela ajuda, disponibilidade e supervisão prestada e por
todos os conselhos.
Ao técnico Vítor Silva, do Centro de Imagiologia do Hospital de São João, pela sua atenção,
disponibilidade e auxílio na compreensão do funcionamento da técnica de Ressonância Magnética.
vii
Índice
Resumo .............................................................................................. i
Abstract ............................................................................................ iii
Agradecimentos .................................................................................. iv
Índice ................................................................................................ v
Lista de figuras ................................................................................... vi
Lista de tabelas .................................................................................. vii
Abreviaturas e Símbolos ...................................................................... viii
Capítulo 1 ........................................................................................... 1
Introdução .......................................................................................... 1 1.1 - Enquadramento ........................................................................................ 1 1.2 - Objectivo ................................................................................................ 1 1.3 - Estrutura do trabalho ................................................................................. 2
Capítulo 2 ........................................................................................... 3
Esclerose Múltipla ................................................................................. 3 2.1 Descrição da doença .................................................................................. 3 2.2 Características epidemiológicas e clínicas ....................................................... 5 2.3 Diagnóstico ............................................................................................. 6 2.4 Tratamentos ........................................................................................... 8 2.5 Conclusões ............................................................................................. 8
Capítulo 3 ........................................................................................... 9
Processamento e Análise de Imagem .......................................................... 9 3.1 Enquadramento ........................................................................................ 9 3.2 Processamento e análise de imagem biomédica ............................................... 10 3.3 Representação da Imagem Digital ................................................................ 11 3.3.1 Pixel e Conectividade ........................................................................ 11 3.3.2 Região de interesse .......................................................................... 12
3.4 Principais etapas do Processamento de Imagem ............................................... 12
3.4.1 Aquisição ....................................................................................... 12 3.4.2 Pré-processamento ........................................................................... 14 3.4.3 Segmentação .................................................................................. 15 3.4.4 Análise e Reconhecimento .................................................................. 16
viii
3.5 Conclusões ............................................................................................ 17
Capítulo 4 ......................................................................................... 18
Trabalho Relacionado .......................................................................... 18 4.1 Introdução............................................................................................. 18 4.2 Pré-Processamento .................................................................................. 20 4.2.1 Remoção do crânio ........................................................................... 21 4.2.2 Correção e redução de ruído ............................................................... 22 4.2.3 Normalização inter-sujeito ................................................................. 23 4.2.4 Registo de Atlas ............................................................................... 23 4.3 Conclusões ............................................................................................ 24
Capítulo 5 ......................................................................................... 35
Trabalho Experimental ......................................................................... 25 5.1 Correção Gama ....................................................................................... 25
5.2 Filtragem Espacial .................................................................................. 25 5.2.1 Filtros de Realce ............................................................................. 26 5.2.2 Filtro de Média ............................................................................... 27 5.2.3 Filtro de Mediana ............................................................................ 27 5.2.4 Filtro Gaussiano ............................................................................... 27 5.2.5 Filtros Laplaciano ............................................................................. 28 5.3 Operadores de Gradiente .......................................................................... 28 5.3.1 Operador de Canny ........................................................................... 28 5.3.2 Filtros de Roberts ............................................................................ 28 5.3.3 Filtros de Sobel .............................................................................. 29 5.3.4 Filtros Prewitt................................................................................. 29
5.4 Equalização do Histograma ........................................................................ 29
5.5 Conclusões ............................................................................................ 30
Capítulo 6 ......................................................................................... 31
Implementação, Resultados e Discussão .................................................... 31 6.1 Aquisição de imagens de RM ....................................................................... 31 6.2 Melhoramento de Imagem .......................................................................... 33 6.2.1 Remoção do Crânio ........................................................................... 33 6.2.2 Correção Gama ............................................................................... 34 6.2.3 Filtragem Espacial ........................................................................... 35 a) Filtro de Média .............................................................................. 35 b) Filtro de Mediana ........................................................................... 36 c) Filtro Gaussiano .............................................................................. 37 d) Filtro Laplaciano ............................................................................. 38 6.2.4 Operadores de Gradiente .................................................................. 39 a) Operador de Canny ......................................................................... 39 b) Operador de Sobel e Prewitt ............................................................. 40 c) Operador de Roberts ........................................................................ 41 6.2.5 Equalização do Histograma ................................................................. 42 6.3 Sobreposição de cortes ............................................................................ 43 6.4 Conclusões ........................................................................................... 45
Capítulo 7 ......................................................................................... 46
Conclusões e Trabalho Futuro ................................................................ 46 7.1 Conclusões ........................................................................................... 46 7.2 Trabalho Futuro ...................................................................................... 47
Referências ......................................................................................... i
ix
Lista de figuras
Figura 2.1 - Evolução clínica esquemática das diferentes formas de EM (retirado de (mult-sclerosis 2008)).
............................................................................................................... 4
Figura 2.2 - Prevalência de esclerose múltipla no mundo. O número estimado de pessoas com EM aumentou
de 2,1 milhões em 2008 para 2,3 milhões em 2013. Retirado de (Federation, 2013) .................. 5
Figura 2.3 - Equipamento de Ressonância Magnética da Philips Medical. Retirado de (Westbrook, 2011). . ............................................................................................................... 8
Figura 3.1 –Diagrama geral do sistema de análise de imagem biomédica. Adaptado de (Dhawan, 2003).
..................................................................................................................... 11
Figura 3.2 - Exemplo de uma imagem monocromática de uma RM ao cérebro com destaque para uma
região de pequeno ROI da matriz de aquisição de 512×512 pixels. O número de pixels que compõem uma imagem determina a sua resolução. Retirada de (Manjon, 2012). .................................. 11
Figura 3.3 - Etapas fundamentais no processamento e análise de imagem e principais objetivos. ...... 12
Figura 3.4 - Imagem de Ressonância Magnética: (a) cérebro, retirada de (Dhawan, 2003) e (b) medula
espinhal, retirada de (Compston, 2002) ...................................................................... 13
Figura 3.5 - (a) Imagem de Raios-X com baixo nível de detalhes. (b) Imagem de uma TC com uma grande
quantidade de pormenor. Retirada de (Rangayyan, 2005). ............................................... 13
Figura 3.6 - Exemplo de um pré-processamento simples: (a) Imagem original destruída com ruído
gaussiano, (b) Imagem após aplicação de equalização do histograma para melhorar o contraste, e (c) Imagem após a aplicação de um filtro mediana para redução do ruído. Retirada de (Arshad, 2013). 14
Figura 3.7 - Exemplo de uma etapa de segmentação utilizando a técnica de modelo pontual de distribuição
(modelo geométrico). Adaptada de (Vasconcelos, 2003). ................................................. 15
Figura 4.1 – Imagens de RM de um corte axial do cérebro com lesões de EM: (a) imagem T1-W, (b) imagem
T2-W, (c) imagem DP-W, e (d) imagem FLAIR, respetivamente. Verifica-se que os tecidos moles são mais distinguíveis na imagem T1-W, enquanto que as lesões são usualmente melhor avaliadas na sequência FLAIR e T2-W, sendo estes dois tipos os mais utilizados para segmentação. Adaptada de (Lladó X, 2012). ................................................................................................. 19
Figura 4.2 - Diferentes imagens pré-processadas de ressonância magnética do cérebro: (a) Imagem T1-w,
(b) imagem T2-w, (c) imagem PD-w, (d) imagem FLAIR e a sua (e) segmentação do tecido: o fluído cefalorraquidiano (LCR) aparece a azul escuro, a substância cinzenta aparece a azul, a substância branca aparece a branco e as lesões aparecem a vermelho. Retirada de (Cabezas M., 2014). ...... 20
Figura 4.3 - Esquema da pipeline de pré-processamento usada por Cabezas e seus colaboradores. Retirado
de (Cabezas M., 2014). ......................................................................................... 21
x
Figura 5.1 - Esquema representativo de filtro passa-baixo, passa-alto e passa-banda. Retirado de
(Campilho, 2016). ............................................................................................... 26
Figura 5.2 - Esquema representativo de um filtro de mediana. Os valores dos pixels contidos na vizinhança
predefinida são ordenados. Retirado de (Campilho, 2016). ............................................... 27
Figura 5.3 – Máscaras dos gradientes de Roberts, Prewitt e Sobel. Retirado de (Campilho, 2016). ..... 29
Figura 6.1 – Imagens FLAIR de RM de indivíduos com lesões de EM, no plano axial, localizadas ao nível dos
ventrículos laterais: A) Indivíduo 1, género masculino, 36 anos; B) Indivíduo 2, género feminino, 43 anos; C) Indivíduo 3, género feminino, 39 anos; D) Indivíduo 4, género feminino, 57 anos; E) Indivíduo 5, género feminino, 50 anos; F) Indivíduo 6, género masculino, 40 anos. Observa-se a presença de lesões de EM periventriculares e com hipersinal (áreas brancas à volta dos ventrículos). ............ 32
Figura 6.2 - Fluxograma das diferentes técnicas aplicadas para melhoramento de imagem. ............. 33
Figura 6.3 – Aplicação do algoritmo BET para remoção do crânio às imagens originais de RM no plano axial
de indivíduos com EM: A) Indivíduo 1; B) Indivíduo 2; C) Indivíduo 3; D) Indivíduo 4; E) Indivíduo 5; F) Indivíduo 6. ....................................................................................................... 34
Figura 6.4 – Aplicação do algoritmo correção gama às imagens anteriormente obtidas de RM de indivíduos
com lesões de EM, no plano axial, localizadas ao nível dos ventrículos laterais: A) Indivíduo 1; B) Indivíduo 2; C) Indivíduo 3; D) Indivíduo 4; E) Indivíduo 5; F) Indivíduo 6. .............................. 35
Figura 6.5 – Aplicação do filtro de média às imagens anteriormente obtidas de RM de indivíduos com lesões
de EM, no plano axial, localizadas ao nível dos ventrículos laterais: A) Indivíduo 1; B) Indivíduo 2; C) Indivíduo 3; D) Indivíduo 4; E) Indivíduo 5; F) Indivíduo 6. ................................................ 36
Figura 6.6 – Aplicação do filtro de mediana às imagens anteriormente obtidas de RM de indivíduos com
lesões de EM, no plano axial, localizadas ao nível dos ventrículos laterais: A) Indivíduo 1; B) Indivíduo 2; C) Indivíduo 3; D) Indivíduo 4; E) Indivíduo 5; F) Indivíduo 6. ......................................... 37
Figura 6.7 – Aplicação do filtro Gaussiano às imagens anteriormente obtidas de RM de indivíduos com
lesões de EM, no plano axial, localizadas ao nível dos ventrículos laterais: A) Indivíduo 1; B) Indivíduo 2; C) Indivíduo 3; D) Indivíduo 4; E) Indivíduo 5; F) Indivíduo 6. ......................................... 38
Figura 6.8 – Aplicação do filtro Laplaciano às imagens anteriormente obtidas de RM de indivíduos com
lesões de EM, no plano axial, localizadas ao nível dos ventrículos laterais: A) Indivíduo 1; B) Indivíduo 2; C) Indivíduo 3; D) Indivíduo 4; E) Indivíduo 5; F) Indivíduo 6. ......................................... 39
Figura 6.9 – Aplicação do operador de gradiente Canny às imagens anteriormente obtidas de RM de
indivíduos com lesões de EM, no plano axial, localizadas ao nível dos ventrículos laterais: A) Indivíduo 1; B) Indivíduo 2; C) Indivíduo 3; D) Indivíduo 4; E) Indivíduo 5; F) Indivíduo 6. ....................... 40
Figura 6.10 – Aplicação do operador de gradiente Sobel às imagens anteriormente obtidas de RM de
indivíduos com lesões de EM, no plano axial, localizadas ao nível dos ventrículos laterais: A) Indivíduo 1; B) Indivíduo 2; C) Indivíduo 3; D) Indivíduo 4; E) Indivíduo 5; F) Indivíduo 6. ....................... 41
Figura 6.11 – Aplicação do operador de gradiente Roberts às imagens anteriormente obtidas de RM de
indivíduos com lesões de EM, no plano axial, localizadas ao nível dos ventrículos laterais: A) Indivíduo 1; B) Indivíduo 2; C) Indivíduo 3; D) Indivíduo 4; E) Indivíduo 5; F) Indivíduo 6. ....................... 42
Figura 6.12 – Aplicação do algoritmo de equalização do histograma às imagens anteriormente obtidas de
RM de indivíduos com lesões de EM, no plano axial, localizadas ao nível dos ventrículos laterais: A) Indivíduo 1; B) Indivíduo 2; C) Indivíduo 3; D) Indivíduo 4; E) Indivíduo 5; F) Indivíduo 6. ........... 43
Figura 6.13 – Aplicação do algoritmo para sobreposição dos cortes anteriores e posteriores ao corte central
correspondentes às imagens anteriormente obtidas de RM de indivíduos com lesões de EM, no plano axial, localizadas ao nível dos ventrículos laterais: A) Indivíduo 1; B) Indivíduo 2; C) Indivíduo 3; D) Indivíduo 4; E) Indivíduo 5; F) Indivíduo 6. .................................................................. 44
xi
Lista de tabelas
Tabela 2.1 – Tipos de Esclerose Múltipla. Tabela adaptada de (Courtney, 2006). ............................ 4
Tabela 2.2 – Critérios de McDonald para diagnóstico de EM. Adaptada de (Barkhof F, 2013) ................ 6
Tabela 3.1 – Algumas das técnicas de segmentação utilizadas em Processamento e Análise de Imagem. 16
Tabela 6.1 – Características das 6 imagens testadas. ............................................................ 33
xiii
Abreviaturas e Símbolos
Lista de abreviaturas
BET Brain Extraction Tool
BSE Brain Surface Extractor
CLAHE Equalização Adaptativa com Contraste Limitado
DICOM Digital Imaging and Communications in Medicine
EDSS Expanded Disability Status Scale
EM Esclerose Múltipla
EMB Esclerose Múltipla Benigna
EMM Esclerose Múltipla Maligna
EMRR Esclerose Múltipla Remitente-Recorrente
EMPP Esclerose Múltipla Progressiva Primária
EMPR Esclerose Múltipla Progressiva-Recorrente
EMPS Esclerose Múltipla Progressiva Secundária
FCM Fuzzy c-means
FLAIR Fluid-attenuated inversion recovery
IRM Imagens de Ressonância Magnética
ITK Insight Toolkit
kNN k-Nearest Neighbour
LCR Líquido cefalorraquidiano
MATLAB MATrix LABoratory
McStrip Minneapolis Consensus Strip
PDI Processamento Digital de Imagens
PEV Potenciais evocados
pixel Picture element
RF Radiofrequência
RM Ressonância Magnética
RNA Redes Neuronais Artificiais
xiv
ROI Region of interest
SNC Sistema Nervoso Central
SPM2 Statistical Parametric Mapping
TC Tomografia Computadorizada
T1-W Imagem T1-ponderada
T2-W Imagem T2-ponderada
DP-W Imagem Densidade Protónica-ponderada
Lista de símbolos
𝑎 Campo de polarização
β Ruído aditivo
σ Desvio padrão
T Tesla
1
Capítulo 1
Introdução 1.1 Enquadramento
A esclerose múltipla atinge cerca de 2,5 milhões de pessoas no mundo (Dua T., 2008). Considerada
uma doença autoimune que afeta o cérebro e a medula espinhal (SNC), é também a mais comum das
doenças desmielinizantes. A esclerose múltipla é incurável, crónica e progressiva, apresentando como
característica a presença de múltiplas placas na substância branca encefálica e medular,
manifestando-se a partir das lesões, por sinais e sintomas neurológicos que podem agravar-se com a
evolução da doença. Isso acontece porque o sistema imunológico do corpo confunde células saudáveis
com as "intrusas", e ataca-as provocando lesões no cérebro. O sistema imune do paciente corrói a
bainha protetora que reveste os nervos, conhecida como bainha de mielina (Minguetti, 2001).
Os sintomas variam amplamente, dependendo da quantidade de danos e dos nervos que são
afetados. A EM caracteriza-se por ser uma doença potencialmente debilitante podendo deixar
sequelas irreversíveis. Pessoas com casos graves de esclerose múltipla podem perder a capacidade de
andar ou falar claramente (Clanet M., 1998).
O diagnóstico desta doença pode ser difícil de detetar precocemente, uma vez que os sintomas
aparecem com intervalos e o paciente fica meses sem qualquer sinal da doença. Este é basicamente
clínico e deve ser complementado por ressonância magnética.
A Ressonância Magnética é uma tecnologia médica de imagem que utiliza um forte campo
magnético e ondas de radiofrequência para produzir imagens detalhadas dos órgãos internos e tecidos.
Neste caso, a RM produz imagens detalhadas do cérebro e medula espinhal, revelando a existência de
anomalias.
Assim, torna-se cada vez mais necessário recorrer a técnicas de imagiologia e melhoramento das
imagens para facilitar o diagnóstico precoce e tratamento adequado por parte dos médicos para que
o paciente consiga viver sem grandes complicações, como as decorrentes desta doença.
2
Neste capítulo apresentam-se os objetivos principais deste trabalho e a sua estruturação.
1.2 Objetivos
Este trabalho teve como objetivo introduzir o tema de dissertação e desenvolver a aplicação
prática de algumas técnicas importantes para a mesma. O principal objetivo deste Trabalho Prático
consiste em utilizar técnicas de pré-processamento de imagem para melhorar as imagens de
ressonância magnética provenientes de doentes com esclerose múltipla. Assim, pretende-se uma
primeira abordagem com a temática de processamento e análise de imagem de modo a melhorar as
mesmas para um diagnóstico mais eficaz por parte de técnicos e para posterior estudo. No final,
pretende-se comparar a imagem original com as imagens melhoradas através de várias técnicas e
identificar quais os métodos mais eficientes análise da doença de esclerose múltipla.
Será ainda avaliado o efeito da projeção numa única imagem das lesões obtidas em vários cortes.
As técnicas desenvolvidas foram implementadas em MATLAB e referem-se a casos reais obtidos no
Hospital de São João, Porto.
1.3 Estrutura do Trabalho
Este trabalho está organizado em 7 capítulos, seguidos das referências bibliográficas.
No capítulo seguinte é apresentada uma breve abordagem à doença de esclerose múltipla,
apresentando algumas das suas características e métodos de diagnóstico e tratamento. O terceiro
capítulo faz relevância ao processamento e análise de imagem, com destaque para alguns
fundamentos essenciais para a realização do trabalho, bem como as principais etapas de
processamento de imagem. O capítulo seguinte apresenta uma Revisão Bibliográfica acerca das
técnicas utilizadas e descritas para melhoramento de imagens no âmbito deste estudo, de modo a
fornecer uma visão geral do que tem sido realizado. No quinto capítulo é descrito o trabalho
experimental realizado bem como as técnicas e métodos utilizados. No sexto capítulo são
apresentados os resultados obtidos na componente prática e é feita uma discussão sobre os mesmos.
Por fim, são descritas as conclusões e perspetivas de trabalho futuro.
Esclerose Múltipla 3
Capítulo 2
Esclerose Múltipla
O presente capítulo aborda a temática central deste estudo, a doença de esclerose múltipla. Neste
capítulo procede-se à sua descrição, causas e predominâncias e formas de manifestação, são descritos
os critérios de diagnóstico, fazendo uma pequena referência à técnica de Ressonância Magnética e
por fim são apresentados os tratamentos utilizados por profissionais de saúde.
2.1 Descrição da Doença
A Esclerose Múltipla é uma enfermidade do Sistema Nervoso Central inflamatória, desmielinizante,
idiopática e frequentemente incapacitante que afeta a substância branca e acomete
predominantemente mulheres na faixa etária dos 20 aos 40 anos (2013).
Caracteriza-se por ser uma doença progressiva com lesões que evoluem ao longo do tempo. As
lesões aparecem no sistema nervoso central, no encéfalo especialmente na substância branca, na
medula espinhal e nos nervos óticos. Este processo desmielinizante faz com que a esclerose múltipla
seja considerada uma doença autoimune, induzida quando células específicas do sistema imunológico,
os linfócitos T helper tipo 1 (Th1) reconhecem componentes da bainha de mielina, levando ao
recrutamento de macrófagos e ativação da microglia (Hafler DA, 2004).
Na evolução natural a EM, de acordo com a forma de instalação e progressão dos sintomas
neurológicos, pode ser classificada, segundo o consenso de Lublin e Reingold (1996) nas seguintes
formas clínicas presentes na tabela 2.1.
A EMRR caracteriza-se pela presença de surtos definidos por manifestações neurológicas de
instalação aguda ou subaguda indicativas de comprometimento de substância branca, com duração
mínima de 24 horas com recuperação total ou parcial. Quando ocorre progressão de sintomas ao longo
da doença, trata-se da forma secundariamente progressiva (EMPS). A EMPP tem início progressivo com
eventual ocorrência de surtos. A EMB é diagnosticada em pacientes EMRR que após 10 anos de
Esclerose Múltipla 4
evolução permanecem com índice de incapacidade avaliado pela Expanded Disability Status Scale
(EDSS) (Kurtzke J.F., 1983) com nível abaixo de 3.
Tipos de Esclerose Múltipla Características
Esclerose Múltipla Remitente-
Recorrente (EMRR)
Sintoma de surtos seguidos de recuperação; estável entre
ataques.
Esclerose Múltipla Progressiva
Secundária (EMPS)
Segunda fase de EMRR; piora progressiva dos sintomas com ou
sem recaídas sobrepostas; tratamentos podem retardar esta
fase.
Esclerose Múltipla Progressiva Primária
(EMPP)
Acumulação gradual, mas constante aparecimento de
problemas neurológicos.
Esclerose Múltipla Progressiva-
Recorrente (EMPR)
Evolução progressiva desde o início, às vezes combinada com
sintoma agudo de surtos ocasionais.
Esclerose Múltipla Benigna (EMB) Alguns ataques e pouca ou nenhuma deficiência depois de 20
anos.
Esclerose Múltipla Maligna (EMM) Evolução da doença de forma rapidamente progressiva.
Tabela 2.1 – Tipos de Esclerose Múltipla. Tabela adaptada de (Courtney, 2006).
Na figura 2.1 encontra-se presente a evolução clínica esquemática das formas mais comuns de EM.
Figura 2.1 - Evolução clínica esquemática das diferentes formas de EM (retirado de (mult-sclerosis 2008)).
As duas formas mais comuns da doença são a EMRR, doença com presença de surtos claramente
definidos, com recuperação total ou com sequelas residuais após recuperação, em que os períodos
entre os surtos da doença são caracterizados por ausência de progressão, e a EMPP que é progressiva
desde o início, com ocasional platô e melhoria mínima ao longo do tempo, sem ocorrência de surtos
definidos.
Esclerose Múltipla 5
2.2 Características epidemiológicas e clínicas
Demonstrou-se que a prevalência de esclerose múltipla sofre influência de fatores biológicos,
geográficos, demográficos e socioculturais. Estudos de prevalência tendem a demonstrar
características regionais de manifestação fenotípica, fundamentais para o entendimento na interação
desses fatores.
O estudo da história natural da esclerose múltipla também tem ajudado a compreender as
características da doença, relativas à razão de género e idade de início dos sintomas (Rudge P., 1999).
A esclerose múltipla é entre duas a três vezes mais comum em mulheres do que em homens, mas
os homens têm tendencionalmente um início da doença mais tardio com um prognóstico pior. A
incidência de EM é baixa na infância (2,7 a 5% em idades abaixo de 16 anos), (Hauser, 1982) (Patel
Y., 2009), aumenta rapidamente após os 18 anos de idade atingindo um pico entre 25 e 35 anos e
depois diminuindo lentamente, tornando-se rara em indivíduos com idades superiores a 50 anos.
Estima-se que existam entre 1,3 e 2,5 milhões de casos de EM no mundo, com cerca de 350.000 casos
na Europa Ocidental (Dua T., 2008). Segundo os últimos estudos epidemiológicos, a prevalência e
incidência de EM tem vindo a aumentar em todo o mundo.
De uma maneira geral, países situados em grandes latitudes apresentam maior prevalência de
esclerose múltipla. É relativamente comum na Europa, Estados Unidos, Canadá, Nova Zelândia e
partes da Austrália, mas raro na Ásia e nas regiões tropicais e subtropicais de todos os continentes.
Dentro de regiões de clima temperado, a incidência e prevalência de EM aumenta com a latitude -
norte e sul do equador (Dua T., 2008).
Figura 2.2 – Prevalência de esclerose múltipla no mundo. O número estimado de pessoas com EM aumentou de
2,1 milhões em 2008 para 2,3 milhões em 2013. Retirado de (Federation, 2013).
Além dos fatores geográficos, verificou-se que o fator hereditário também se aplica. Cerca de 15%
dos pacientes com esclerose múltipla possuem um parente afetado. Contudo, devido à dificuldade
em determinar um padrão hereditário, a EM pode ser considerada como uma doença com
complexidade genética, na qual indivíduos suscetíveis encontram condições ambientais
desencadeantes do processo de desmielinização e degeneração (Hafler DA, 2004).
Esclerose Múltipla 6
Os fatores ambientais, aos quais os indivíduos geneticamente suscetíveis estariam expostos
propiciando a manifestação fenotípica da esclerose múltipla, ainda não são completamente
compreendidos. A exposição à luz solar e a agentes infeciosos, assim como a imunização são sugeridos
como fatores imunológicos desencadeantes (Ebers GC, 2008).
2.3 Diagnóstico
O diagnóstico desta doença pode ser difícil de detetar precocemente, uma vez que os sintomas
aparecem com intervalos de tempo variados. O diagnóstico é realizado por avaliação clínica e
utilização de exames complementares como a ressonância magnética (RM), estudo do líquido
cefalorraquiano (LCR) e de potenciais evocados (PEV), com ênfase na disseminação no tempo e no
espaço (McDonald WI, 2001; Polman CH, 2005). Segundo esses critérios, o paciente pode ser
diagnosticado como “sem esclerose múltipla”, “possível esclerose múltipla” ou “esclerose múltipla”.
Os critérios de McDonald presentes na Tabela 2.2 fazem uso de avanços nas técnicas de ressonância
magnética que permitem que o diagnóstico seja feito num estágio mais inicial e, portanto, oferece o
potencial de tratamento e apoio mais cedo.
Ataques Lesões Critério adicional para diagnóstico de EM
≥ 2 surtos
Evidência clínica
de ≥ 2 lesões Nenhum. A evidência clínica é suficiente.
≥ 2 surtos Evidência clínica
de 1 lesão
Disseminação espacial de EM: ≥1 lesão T2 em pelo menos 2 de 4 regiões típicas de EM no SNC (periventricular, justacortical, infratentorial, medula espinhal).
1 surto Evidência clínica
de 2 lesões
Disseminação no tempo de EM: aguardar a ocorrência de mais um ataque clínico num local diferente do SNC.
1 surto Evidência clínica
de 1 lesão
Disseminação no espaço e no tempo de EM: aguardar a ocorrência de mais um ataque clínico num local diferente do SNC.
0 surtos
(progressão
desde o início)
1 ano de progressão da doença (retrospetiva ou prospetiva) determinada por pelo menos 2 dos 3 critérios:
Evidência de disseminação espacial no cérebro;
Evidência de disseminação espacial na medula espinhal, baseada em ≥2 lesões em T2;
Evidência de bandas oligoclonais e/ou aumento do índice IgG (CSF positiva).
Tabela 2.2 – Critérios de McDonald para diagnóstico de EM. Adaptada de (Barkhof F, 2013).
Tal como acontece com os critérios de diagnóstico anteriores, os indivíduos devem ter um mínimo
de dois ataques, afetando mais de um local anatómico, mas assumindo uma sugestiva apresentação
inicial de esclerose múltipla, a segunda lesão não tem necessariamente de ser clinicamente expressa.
As investigações são feitas por quatro razões principais em doentes com esclerose múltipla:
permitem que os médicos vejam a evolução anatómica das lesões no tempo e no espaço (imagem),
permitem a avaliação da inflamação intratecal (análise do líquido espinhal), mostram se a condução
alterou num determinado padrão consistente com a desmielinização (potenciais evocados) e
permitem a exclusão de condições que mimetizam a doença (Compston, 2002).
Esclerose Múltipla 7
As técnicas convencionais de imagem por ressonância magnética, tais como sequências ponderadas
em T2 e sequências ponderadas em T1 com gadolínio, são altamente sensíveis na deteção de placas
de EM e podem fornecer uma avaliação quantitativa da atividade inflamatória e da carga das lesões.
As técnicas de IRM tornaram-se a ferramenta paraclínica mais importante para o diagnóstico de EM,
para a compreensão da história natural da doença e para monitorizar a eficácia de tratamentos
experimentais (Hashemi R.H., 2010).
Os critérios de diagnóstico que incluem a imagem por ressonância magnética como método
auxiliar, são os de F. Barkhof que permitem aumentar a sensibilidade e a especificidade da IRM na
deteção da EM. Estes preceitos salientam que um paciente sofre de esclerose múltipla se pelo menos
três dos seguintes parâmetros são encontrados (Clanet M., 1998):
Uma lesão que reforça após a administração de produto de contraste paramagnético, (Doyon
D., 2001) ou na ausência de lesão que capte produto de contraste paramagnético, de nove
lesões hiperintensas em T2.
Uma ou mais lesões infratentoriais;
Uma ou mais lesões justacorticais;
Três ou mais lesões periventriculares.
Ressonância Magnética
Nos últimos trinta anos, a Imagem por Ressonância Magnética tem sido cada vez mais utilizada
como uma técnica de imagem de radiação não ionizante com elevada sensibilidade em diferenciar
tecidos. Desta forma, a sua escolha torna-se preferencial face a outras técnicas de diagnóstico
(Bushberg, 2002).
O princípio físico de RM tem por base a interação de campos magnéticos, pulsos de radiofrequência
(RF) e núcleos atómicos. Mas só são átomos “ativos” em RM os que possuem núcleos magnéticos, ou
seja, que podem ser considerados como pequenos ímanes, sem orientação específica na ausência de
um campo magnético (Gil, 1987).
De todos os isótopos nucleares que dão sinal de ressonância magnética – 1H, 13C, 19F, 23Na e 31P
– o hidrogénio é o elemento preferencial para a aquisição de imagens, não só devido à sua abundância
por todo o corpo (quer sob a forma de água, quer na forma de gordura), mas também por transmitir
o maior sinal de IRM (Prasad, 2006).
O equipamento de RM, tal como qualquer equipamento de imagem médica é composto por um
computador para programação e armazenamento de dados e um monitor para visualização das
imagens. Possui um campo magnético principal, bobines de gradientes e bobines transmissoras e
recetoras de RF. O equipamento de RM é constituído por um magnete e uma mesa de exames. A
maioria dos magnetes são do tipo supercondutor, ou seja, são eletromagnetes compostos por fio
condutor capazes de produzir um campo magnético uniforme, para evitar distorções geométricas na
imagem e perda de resolução espacial e um campo homogéneo permitindo a obtenção de imagens
com elevada intensidade. Em alguns casos, são utilizadas antenas ou bobines dedicadas (de vários
Esclerose Múltipla 8
tipos) para determinadas regiões anatómicas que permitem obter uma melhor SNR, podendo ser
transmissoras e/ou recetoras de RF (Lufkin, 1999). A Figura 2.3 ilustra um equipamento de RM.
Figura 2.3 – Equipamento de Ressonância Magnética da Philips Medical. Retirado de (Westbrook, 2011).
Para fins clínicos, a potência de campo magnético dos equipamentos de RM disponíveis varia entre
0.2 a 3.0 Tesla (T); já para fins de investigação são utilizadas potências de campo magnético acima
de 7.0 T (Lufkin, 1999; Westbrook, 2011).
2.4 Tratamento
Não existe nenhuma “cura” para a doença de EM. O tratamento medicamentoso da esclerose
múltipla ainda é motivo de discussão, contudo, as formas de tratamento propostas baseiam-se na
redução da atividade inflamatória e regulação do sistema imunológico, na tentativa de reduzir os
danos e controlar a progressão da doença.
Durante as crises, os medicamentos mais utilizados são os corticosteróides (metilprednisolona e
prednisona) em doses e intervalos de tempo variados. Para a forma remitente-recorrente, o uso do
interferon-B, com finalidade de retardar a história natural da doença, vem apresentando bons
resultados. Para os pacientes com a forma progressiva, os agentes imunossupressores como a
ciclofosfamida e mitoxantrona podem ser prescritos. No entanto, estes agentes apresentam uma
eficácia modesta e estão associados a altos níveis de toxicidade (Hafler DA, 2004).
2.5 Conclusões
A esclerose múltipla é cada vez mais uma doença que preocupa a população devido aos inúmeros
efeitos adversos e o facto de não possuir qualquer tipo de cura. O diagnóstico pode ser difícil de
detetar precocemente, uma vez que os sintomas são múltiplos e aparecem com intervalos de tempo
variados. A avaliação clínica e a utilização de exames complementares como a RM, surgem como o
meio mais eficaz para deteção e diagnóstico de lesões, permitindo aos médicos conclusões mais
precisas e atempadas acerca da doença. Deste modo, a aplicação de técnicas de processamento de
imagem surge como ferramenta importante para auxílio às técnicas imagiológicas.
Processamento e Análise de Imagem 9
Capítulo 3
Processamento e Análise de Imagem
As técnicas de processamento e análise de imagem têm-se evidenciado como ferramentas
extremamente úteis num vasto leque de aplicações. Uma das maiores vantagens da análise de imagem
reside na capacidade de eliminar a subjetividade da análise humana e na possibilidade de extrair
informações que seriam difíceis ou até mesmo impossíveis de se obter de outra forma. Acresce a este
facto também, a possibilidade de se evitarem tarefas extremamente tediosas ou demoradas para os
investigadores (Amaral, 2014). Nos últimos anos, tem-se verificado um grande desenvolvimento de
técnicas de análise de imagem em aplicações médicas, principalmente para diagnóstico de doenças.
O objetivo da análise de imagem é extrair informações úteis das imagens e relevantes para a
aplicação desejada. Em geral, as imagens adquiridas pelos dispositivos de captura e técnicas
especializadas, tais como Tomografia Computadorizada (TC), Ressonância Magnética (RM),
Ultrassonografia, entre outras, necessitam de transformações e realces para que se tornem mais
adequadas e se possa extrair o conteúdo de informação desejada com maior eficiência. Os
diagnósticos por imagem baseiam-se em medidas de volume, área, diâmetro ou análise da forma e
textura das estruturas (Siqueira, 2010).
O Processamento Digital de Imagens (PDI) é uma área da eletrónica/teoria de sinais em que as
imagens são convertidas em matrizes de números inteiros. Resumidamente, processar uma imagem
consiste em transformá-la sucessivamente com o objetivo de extrair a sua informação mais facilmente
(Siqueira, 2010), (Gonzalez RC, 2002). Este capítulo tem como objetivo apresentar alguns conceitos
sobre processamento e análise de imagem, fundamentais para o projeto de dissertação.
3.1 Enquadramento
A visão é o sentido mais avançado de todos os seres vivos tendo as imagens um papel muito
importante na perceção humana, melhorando a sua sobrevivência e condições de vida. A importância
deste sistema prende-se com a riqueza de informação que este faculta, não só em termos
Processamento e Análise de Imagem 10
quantitativos mas também qualitativos. Contudo, ao contrário da visão humana que é limitada à banda
visível do espectro eletromagnético, os computadores e aparelhos imagiológicos cobrem quase todo
o espectro. Assim, os aparelhos imagiológicos podem processar imagens geradas a partir de ultrassons,
microscopia eletrónica, imagens geradas por computador, entre outras técnicas. Nos últimos anos,
têm-se realizado vários estudos no sentido de implementação de sistemas computacionais que sejam
capazes de executar funções do sistema de visão que são normalmente encontradas nos sistemas
equivalentes dos seres vivos, e em especial no sistema visual humano. Assim sendo, o processamento
digital de imagem comporta um largo e variado campo de aplicações tais como: medicina, deteção
remota, astronomia, inspeção industrial, defesa, biometria, biologia, vigilância, exploração espacial,
análise de documentos e investigação criminal (Gonzalez RC, 2002) (Tavares, 2013).
Em Processamento e Análise de Imagem são normalmente consideradas quatro áreas principais de
atuação:
• Melhoramento ou realce de imagens: consiste na tentativa de melhorar e realçar
subjetivamente certas características de uma dada imagem, como por exemplo melhorar o
contraste e reduzir o ruído;
• Restauração de imagens: consiste na tentativa de restaurar a qualidade das imagens que
tenham sido degradadas por qualquer processo, como por exemplo distorção geométrica ou
movimento;
• Compressão de imagens: consiste na tentativa de representar uma imagem original de forma
mais simples e leve sem que ocorra perda de informação, requerendo assim menos recursos;
• Análise de imagens: consiste em descrever ou interpretar uma dada imagem ou sequência
de imagens de modo a medir, reconhecer e classificar uma imagem ou conjunto de imagens.
As três primeiras áreas costumam ser agrupadas na designação de Processamento de Imagem
enquanto que a última está mais ligada à Análise de Imagem, aparecendo muitas vezes associada à
área de Visão Computacional (Tavares, 2013). A visão computacional é uma técnica da computação
gráfica que tem por objetivo analisar e manipular uma imagem de modo a extrair informações
relevantes da mesma e classificá-la (Conci, 2008).
3.2 Processamento e análise de imagem biomédica
O sistema geral de processamento e análise de imagem biomédica deve ter três componentes
básicos: um sistema de aquisição de imagem, um computador digital e um ambiente de imagem -
Figura 3.1. O sistema de aquisição de imagem geralmente converte um sinal biomédico ou radiação
transportando a informação de interesse para uma imagem digital. Uma imagem digital é
representada por uma série de números digitais que podem ser lidos pelo computador de
processamento e exibidos como uma imagem multidimensional. A segunda parte do sistema de
processamento e análise de imagem biomédica é um computador usado para armazenar imagens
Processamento e Análise de Imagem 11
digitais para posterior processamento. Por fim, deve possuir um meio de exibição de imagem, onde
as imagens de saída podem ser visualizadas após o requerido processamento (Dhawan, 2003).
Figura 3.1 – Diagrama geral do sistema de análise de imagem biomédica. Retirado de (Dhawan, 2003).
3.3 Representação da Imagem Digital
Uma imagem monocromática é uma função bidimensional f(x,y) da intensidade luminosa, onde x
e y denotam coordenadas espaciais, que por convenção: x = [1,2,...,M] e y = [1,2,...,N], e a amplitude
de f em qualquer par de coordenadas (x,y) é chamada intensidade da imagem nesse ponto e é
proporcional ao brilho (ou nível de cinza) da imagem nesse ponto. Quando x,y e os valores de f são
quantidades discretas e finitas a imagem é chamada de digital (Gonzalez RC, 2002). As imagens
digitais são representações de uma imagem bidimensional, composta por um número finito de
elementos que representam todos os seus pontos. Cada elemento da imagem é chamado de pixel
sendo representativo de um valor e uma localização particular - Figura 3.2. A imagem digital pode ser
binária, monocromática, multi-banda ou colorida dependendo do teor de cada um dos pontos que a
compõem, em relação à sua descrição pode ser vetorial ou matricial (Conci, 2008).
Figura 3.2 - Exemplo de uma imagem monocromática de uma RM ao cérebro com destaque para uma região de
pequeno ROI da matriz de aquisição de 512×512 pixels. O número de pixels que compõem uma imagem determina
a sua resolução. Retirado de (Manjon, 2012).
3.3.1 Pixel e Conectividade
Um pixel é o elemento básico de dimensões finitas na representação de uma imagem digital.
Frequentemente, a organização de uma imagem sob a forma de uma matriz de pixels é feita numa
simetria quadrada. Quando um pixel não apresenta as mesmas propriedades em todas as direções
Processamento e Análise de Imagem 12
designa-se por anisotrópico. Esta propriedade faz com que um pixel tenha quatro vizinhos de borda e
quatro vizinhos de diagonal, possuindo conectividade B4 (considerando apenas os vizinhos de borda)
ou B8 (considerando os vizinhos de borda e os de diagonal). Como consequência, as distâncias entre
um ponto e as vizinhanças não é a mesma para qualquer tipo de vizinhança, é igual a 1 para vizinhos
de borda e √2 para os da diagonal (Gonzalez RC, 2002).
3.3.2 Região de Interesse
Entende-se como região de interesse (ROI - "Region Of Interest") a região definida
automaticamente a partir de parâmetros obtidos na própria imagem onde o processamento é
realizado. Podemos, por exemplo, definir uma região de interesse onde sabemos por antecedência
que a iluminação de fundo é constante ou foi corrigida (Gonzalez R.C., 1987).
3.4 Principais Etapas do Processamento de Imagem
Para a manipulação de imagens através de ferramentas computacionais é necessária a aplicação
de algumas etapas de processamento de imagens antes que o problema de reconhecimento e análise
de padrões seja abordado. Podemos considerar 4 etapas fundamentais no processamento e análise de
imagem: a aquisição, o pré-processamento, a segmentação e a análise de imagem - Figura 3.3
(Pedrini, 2007).
Figura 3.3 - Etapas fundamentais no processamento e análise de imagem e principais objetivos.
3.4.1 Aquisição
Para visualização e processamento de imagem é necessário que a imagem seja representada de
forma apropriada, como uma função contínua f(x,y) de duas coordenadas no plano numa matriz de M
linhas e N colunas (Sonka, 1998).
A aquisição de imagens médicas consiste em obter imagens do corpo humano através de
dispositivos de captura de imagens (scanners) que variam conforme o tipo de imagens de interesse,
Tomografia Computadorizada, Ressonância Magnética (Figura 3.4), Ultra-som, Raios-X, entre outras.
Esta etapa do processamento não é implementada em software e necessita de hardware
especializado.
Aquisição
• Obtenção das imagens a serem processadas
Pré-Processamento
• Melhoramento da qualidade da imagem e na sua adequação às fases posteriores
Segmentação
• Identificação de regiões similares
Análise e Reconhecimento
• Interpretação das informações das imagens
Processamento e Análise de Imagem 13
Figura 3.4 - Imagem de Ressonância Magnética: (a) cérebro, retirada de (Dhawan, 2003) e (b) medula espinhal,
retirada de (Compston, 2002).
Cada tipo de imagem é adquirido utilizando diferentes sensores e técnicas. Com poucas
exceções, todas as técnicas imagiológicas envolvem um mapeamento de uma cena 3D num
espaço 2D. O resultado final da maioria dos sensores utilizados para produção de imagem é
uma tensão contínua em forma de onda cuja amplitude e comportamento espacial estão
relacionadas com o fenómeno físico estudado. Para criar uma imagem, é necessária a conversão da
informação contínua adquirida em formato digital. O número de pixels usados para representar a
imagem e o número de níveis de quantificação usados para representar a intensidade dos mesmos são
as principais características de uma imagem (Acharya T, 2005).
Dependendo da necessidade da aplicação, as imagens podem ser adquiridas em preto e branco,
nível de cinza ou coloridas. As imagens a preto e branco são pobres em detalhes, mas têm a vantagem
de requerer pouco espaço de armazenamento e procedimentos de trabalho geralmente simples e
rápidos. As imagens em níveis de cinza têm uma escala que varia de 2 até 256 tonalidades. Quanto
maior a escala de níveis de cinza, maior é a riqueza de detalhes da imagem, porém também maior a
necessidade de espaço para o armazenamento e os procedimentos tendem a ser mais complexos e
lentos. As imagens coloridas ainda oferecem algumas restrições, devido a espaço de armazenamento
e velocidade de processamento (Sonka, 1998). Na Figura 3.5 podemos observar o nível de detalhes
presentes nos diferentes tipos de imagem. As imagens médicas apresentam grandes quantidades de
detalhes.
Figura 3.5 - (a) Imagem de Raios-X com baixo nível de detalhes. (b) Imagem de uma TC com uma grande
quantidade de pormenor. Retirada de (Rangayyan, 2005).
a) b)
a
)
b)
Processamento e Análise de Imagem 14
Embora existam vários cuidados na aquisição das imagens, ocorre sempre o aparecimento de
alguma informação indesejável. Quanto melhor a qualidade da imagem adquirida, mais fáceis e
rápidos serão os processamentos das fases posteriores.
3.4.2 Pré-processamento
As técnicas de pré-processamento abrangem as operações necessárias antes do processamento
de imagem, de modo a melhorar a qualidade da imagem ou suprimir informação irrelevante. Nesta
etapa, procura-se modificar e preparar valores dos pixels da imagem com o objetivo de facilitar as
operações subsequentes e obtenção de melhores resultados (Awcock, 1996).
O pré-processamento pode ser dividido em duas abordagens: realce e restauração de imagens. O
realce de imagens é utilizado para melhorar a qualidade da imagem ou enfatizar algum aspeto
particular na imagem. Os resultados podem produzir uma imagem muito diferente da original, alguns
aspetos poder ser sacrificados de forma a melhorar outros, exemplos são o aumento do contraste e
manipulação do histograma. A restauração consiste na reconstrução ou recuperação de uma imagem
que foi degradada usando algum conhecimento do fenómeno que originou a degradação e aplicando
o processo inverso para recuperar a imagem original. As funções de redução de ruído ou suavização
são consideradas técnicas de restauração porque envolvem a extração de características da imagem
(Awcock, 1996) (Gonzalez RC, 2002).
Estas técnicas envolvem duas categorias principais: métodos que operam no domínio espacial,
baseados em filtros que manipulam o plano da imagem e métodos que operam no domínio da
frequência, baseados em filtros que atuam sobre o espectro da imagem. Alguns exemplos deste tipo
de técnica é a subtração da imagem por uma imagem referência, a utilização de cores-falsas, a
utilização de filtros espaciais, a correção de deformações espaciais devido a ótica ou devido a uma
variação das diferentes iluminações de fundo, entre outras.
A Figura 3.6 ilustra um pré-processamento simples, a aplicação de equalização do histograma para
obtenção de melhor contraste e a aplicação de um filtro mediana para redução de ruído.
Figura 3.6 - Exemplo de um pré-processamento simples: (a) Imagem original destruída com ruído gaussiano, (b)
Imagem após aplicação de equalização do histograma para melhorar o contraste, e (c) Imagem após a aplicação
de um filtro mediana para redução do ruído. Retirada de (Arshad, 2013).
c) a) b)
Processamento e Análise de Imagem 15
3.4.3 Segmentação
A segmentação de imagem tem como finalidade subdividir uma imagem nos objetos ou regiões
que a constituem e que se diferenciam entre si, para que os pixels em cada região possuam um
conjunto idêntico de propriedades ou atributos (Acharya T, 2005). É usual denominar “objetos” da
imagem ao conjunto de pixels de interesse, ou que fornecem alguma informação para o
processamento de imagem e “fundo” ao grupo de pixels que podem ser desprezados ou que não têm
utilidade para o processamento. Estes atributos podem incluir níveis de contraste, valores espectrais
ou propriedades de textura (Gonzalez RC, 2002).
A segmentação é considerada a fase mais crítica do tratamento de informação, uma vez que é
nesta etapa que são definidas as regiões de interesse para posterior processamento e análise.
Quaisquer erros ou distorções refletem-se nas etapas seguintes e no resultado final. Esta etapa pode
ser muito simples se a imagem de interesse possuir poucos objetos bem definidos e com um bom
contraste em relação ao fundo, e muito complexa quando o objetivo é separar diversas regiões com
muito ruído e pouco contraste, como acontece normalmente em imagens médicas (Pedrini, 2007).
Os algoritmos clássicos utilizados em segmentação de imagem são baseados em duas
propriedades básicas dos valores de intensidade, a similaridade entre pixels, baseada em mudanças
bruscas nos valores de intensidade dos pixels da imagem e a descontinuidade, baseada na sua partição
em regiões semelhantes de acordo com um conjunto de características predefinidas (Pedrini, 2007).
Na Figura 3.7 observa-se a técnica de segmentação de modelo pontual de distribuição.
Figura 3.7 - Exemplo de uma etapa de segmentação utilizando a técnica de modelo pontual de distribuição
(modelo geométrico). Retirada de (Vasconcelos, 2003).
Deve ser ressaltado que não existe um modelo concreto e único para a segmentação de imagens,
cada processo é adaptativo às características particulares de cada tipo de imagem e aos objetivos
pretendidos. Apesar da existência de variadas técnicas de segmentação de imagens, existe na
atualidade uma constante procura e interesse no desenvolvimento de novas técnicas.
Algumas das técnicas utilizadas encontram-se descritas resumidamente na tabela 3.1.
Processamento e Análise de Imagem 16
Algumas das técnicas de
segmentação usadas: Descrição
Deteção de pontos e linhas;
Consiste na aplicação de uma máscara de convolução em que são
calculadas as diferenças ponderadas entre o ponto central e os seus
vizinhos. Pressupõe-se que um ponto isolado, cujo nível de cinza é
significativamente diferente dos seus vizinhos, será muito diferente da
sua vizinhança e por isso facilmente detetável (Edges, 2002).
Deteção de contornos e bordas;
Utiliza operadores que sejam sensíveis à mudança e consigam suprimir
áreas de níveis de cinza constante. A deteção de contornos requer uma
operação de filtragem que dê realce a mudanças nos valores de cada
pixel e que anulem áreas com valores constante (Edges, 2002).
Crescimento de regiões;
Consiste em indicar um ou mais pixels que serão usados como “semente”
(ponto inicial do processo) e determinar o valor da intensidade usando-o
para comparação (Siqueira, 2010).
Clustering;
É um método não supervisionado de classificação de pixels em
grupos ou “clusters” [54, 55], recorrendo à sua classificação a
partir da informação existente na imagem e de propriedades comuns
(Ashwini Gulhane PLP, 2012).
Operadores de Gradiente;
Os operadores de gradiente detetam contornos calculando o máximo e o
mínimo na primeira derivada da imagem. A derivada mostra o máximo
localizado no centro do contorno no sinal/imagem original. Este método
de localização de contorno ou orla é característico dos filtros de
gradiente (Green).
Binarização ou Thresholding;
Utiliza um ou mais valores limiares de valores de cinza para segmentar a
imagem. Estes valores são normalmente obtidos com a análise do
histograma da imagem em questão (Siqueira, 2010).
Processo de divisão e fusão
(split and merge);
Consiste na procura por homogeneidade na imagem. Uma imagem ou
região é homogénea quando todos os pixels possuem intensidade
semelhante ou igual ao valor médio de intensidade daquela região
(Siqueira, 2010).
Tabela 3.1 – Algumas das técnicas de segmentação utilizadas em Processamento e Análise de Imagem.
3.4.4 Análise e Reconhecimento
A etapa de análise e reconhecimento de imagens tem como objetivo a interpretação e
identificação automática dos objetos segmentados na imagem. O termo análise está relacionado com
o tratamento da informação presente na imagem. Esta fase é chamada de parametrização e é nela
Processamento e Análise de Imagem 17
que várias medidas quantitativas (parâmetros) são utilizadas para descrever diferentes informações
dentro de uma imagem (Portes de Albuquerque M., 2008).
Podemos dividir o processo de classificação em dois tipos: os métodos supervisionados e não
supervisionados. No método supervisionado, o classificador recebe informações de como as classes
devem ser identificadas, age sob a supervisão de um outro sistema de reconhecimento que identificou
anteriormente os objetos testes e permitirá a construção correta do seu espaço de medida e da sua
função discriminante. No método não supervisionado, o classificador receberá os objetos
desconhecidos e a partir da medida dos diferentes parâmetros (atributos dos objetos presentes na
imagem) tenta alocá-los em diferentes classes. A identificação de classes é usualmente realizada a
partir da identificação de agrupamentos em “clusters” de objetos (Esquef, 2003).
A maioria das metodologias computacionais existentes para seguir e analisar o movimento e/ou
deformação de objetos a partir de sequências de imagem são baseadas em procedimentos estatísticos,
estocásticos ou físicos. Exemplos de tais técnicas são as baseadas em modelações estatísticas
(modelos de distribuição pontual), filtragens estocásticas (filtro de Kalman e filtros derivados) e
modelações físicas (método dos elementos finitos) (Tavares, 2013).
3.5 Conclusões
As técnicas de processamento e análise de imagem têm-se evidenciado como ferramentas
extremamente úteis em várias aplicações. Na área médica, tem-se verificado nos últimos anos um
elevado desenvolvimento das mesmas para diagnóstico de doenças. O objetivo da análise de imagem
é extrair informações úteis das imagens e relevantes de modo a auxiliar os especialistas médicos. A
aquisição, o pré-processamento, a segmentação e a análise de imagem constituem as 4 etapas
fundamentais no processamento e análise de imagem. A aquisição consiste em obter imagens do corpo
humano através de dispositivos de captura de imagens (scanners) que variam conforme o tipo de
imagens de interesse. No pré-processamento o tamanho e intensidade da imagem são normalizados e
o ruído da imagem é reduzido. A fase de segmentação permite a identificação das lesões, a fim de
facilitar a deteção. Por fim, é possível detetar e analisar a localização da lesão.
Trabalhos Relacionados 18
Capítulo 4
Trabalhos Relacionados
Este capítulo aborda uma revisão do designado “estado da arte”, que consiste no conhecimento
científico e técnico existente acerca da temática. O capítulo apresenta alguns dos métodos e técnicas
utilizadas até ao momento por outros autores e disponíveis na literatura na etapa de pré-
processamento das imagens, essencial para a aplicação da segmentação. São apresentadas algumas
estratégias, com o objetivo de apontar os seus pontos fortes e fracos e sugerir novas técnicas.
4.1 Introdução
A deteção automática e segmentação de lesões de esclerose múltipla pode ajudar os médicos no
diagnóstico e acompanhamento do paciente, proporcionando a avaliação quantitativa da atividade
inflamatória e a carga das lesões. As imagens de ressonância magnética tornaram-se a ferramenta
paraclínica mais importante para o diagnóstico de EM, para a compreensão da história natural da
doença e monitorização da eficácia dos tratamentos experimentais (Rovira A, 2008). A segmentação
de lesões de forma precisa e robusta desempenha um papel fundamental, no entanto, o método
manual de deteção de lesões é muito demorado uma vez que o tamanho dos dados envolvidos na
maioria dos estudos é grande.
As lesões de EM aparecem com diferentes intensidades e formas de acordo com a sequência/corte
apresentada pela imagem de ressonância magnética. Deste modo, fazer segmentação automática
destas lesões é uma tarefa desafiadora. Várias técnicas de segmentação automatizadas têm sido
desenvolvidas, incluindo alguns algoritmos baseados em intensidade de vizinhanças k-mais próximos
(Lladó X, 2012). Tradicionalmente, estas abordagens baseadas em intensidade foram
computacionalmente desenvolvidas para resolver este problema e necessitadas para uma redução do
conjunto de aprendizagem e redução do tempo de computação (Petronella Anbeek, 2004).
Trabalhos Relacionados 19
A Figura 4.1 mostra exemplos de exames de ressonância magnética de um paciente com lesões de
esclerose múltipla.
Figura 4.1 – Imagens de RM de um corte axial do cérebro com lesões de EM: (a) imagem T1-W, (b) imagem T2-
W, (c) imagem DP-W, e (d) imagem FLAIR, respetivamente. Verifica-se que os tecidos moles são mais distinguíveis
na imagem T1-W, enquanto que as lesões são usualmente melhor avaliadas na sequência FLAIR e T2-W, sendo
estes dois tipos os mais utilizados para segmentação. Adaptada de (Lladó X, 2012).
Várias revisões de segmentação de RM ao cérebro foram apresentadas no passado. Por exemplo,
Bezdek e a sua equipa (Bezdek J.C., 1993) analisaram 90 trabalhos sobre segmentação de IRM
utilizando técnicas de reconhecimento de padrões. Os autores sugeriram dividir os algoritmos em duas
categorias: métodos supervisionados (tais como classificadores de Bayes com estimadores rotulados
de máxima verossimilhança, regra do vizinho k-mais próximo (kNN) e redes neuronais artificiais (RNA))
e métodos não supervisionados (ou seja, classificadores de Bayes sem estimadores rotulados de
probabilidade máxima ou algoritmos fuzzy C-means (FCM)). Clarke e colaboradores (Clarke L.P. ,
1995) revisaram não apenas métodos de segmentação de ressonância magnética, mas também
algoritmos gerais de pré-processamento, métodos de validação e registo entre as diferentes imagens
de RM. Mais tarde, Souplet e colaboradores (Souplet J., 2009) apresentaram uma revisão de métodos
semi-automáticos e automáticos de segmentação de lesões, analisando as lesões de EM, etapas de
pré-processamento e técnicas de segmentação.
Mais recentemente, vários autores (Lladó X, 2012), (García-Lorenzo D, 2013), (Cabezas M., 2014)
têm analisado o estado da arte de técnicas de segmentação na esclerose múltipla, concluindo que o
uso de um conhecimento a priori melhora os resultados. Esta informação é normalmente introduzida
de duas formas diferentes. Por um lado, uma estratégia comum consiste em integrar os tecidos
previamente para cada voxel da imagem através do registo de um modelo com cada imagem de teste,
denominada por atlas (Cabezas et al., 2011). Esse atlas define uma segmentação suave do cérebro
fornecendo uma probabilidade para cada voxel pertencer a uma determinada estrutura ou tecido. No
entanto, devido à variabilidade em termos de forma, tamanho e localização das lesões, a aproximação
Trabalhos Relacionados 20
pode ser feita através de um mapa de intensidades da imagem para ajudar na segmentação da lesão
de EM como proposto por Schmidt et al. (Schmidt P, 2012).
O efeito do pré-processamento da imagem é importante na segmentação, e muitas vezes não é
mencionado na literatura. No entanto, os efeitos de cada passo de pré-processamento pode afetar
cada método de forma diferente tornando difícil qualquer generalização. Alguns autores (García-
Lorenzo, 2008; Wei X., 2002) avaliaram os seus métodos, sob diferentes guias de pré-processamento
e verificaram que a sua interação é bastante complexa.
Por exemplo, a Figura 4.2 ilustra as diferentes sequências pré-processadas normalmente adquiridas
na realização dos exames, juntamente com a máscara de anotação das lesões contidas apenas no
corte demonstrado.
Figura 4.2 - Diferentes imagens pré-processadas de ressonância magnética do cérebro: (a) Imagem T1-w, (b)
imagem T2-w, (c) imagem PD-w, (d) imagem FLAIR e a sua (e) segmentação do tecido: o fluído cefalorraquidiano
(LCR) aparece a azul escuro, a substância cinzenta aparece a azul, a substância branca aparece a branco e as
lesões aparecem a vermelho. Retirado de (Cabezas M., 2014).
4.2 Pré-Processamento de Imagem
O pré-processamento refere-se a todas as alterações feitas à imagem antes da segmentação.
Para a maior parte, o objetivo de pré-processamento é o de minimizar o efeito de artefactos da
imagem e alinhar as diferentes sequências no mesmo espaço. A segmentação de imagens cerebrais de
RM é difícil devido aos parâmetros variáveis da imagem tais como intensidades que se sobrepõem,
ruído, volume parcial, gradientes, movimento, ecos, bordas confusas, variações anatómicas normais
e artefactos de suscetibilidade (Seghier M.L., 2008). Por conseguinte, antes da aplicação de qualquer
abordagem para a segmentação de lesões de EM, há geralmente duas etapas de pré-processamento
que são realizadas: em primeiro lugar, a remoção dos artefactos da imagem e em segundo lugar, a
remoção de tecido não-cerebral, tal como o crânio, a partir da imagem. Outras etapas de pré-
processamento opcionais podem ser aplicadas, tais como a equalização dos tecidos cerebrais suaves
ou de registo entre as diferentes imagens de RM. Nesta seção, essas etapas são descritas
resumidamente (Lladó X, 2012).
O próprio processo de captura de imagens através de ressonância magnética acarreta vários
artefactos (tais como artefactos de fluxo e movimento, artefactos de suscetibilidade, efeitos de
volume parcial, a função de ponto de propagação de diferentes sequências de pulsos, etc), conduzindo
Trabalhos Relacionados 21
a uma segmentação imprecisa. No entanto, do ponto de vista do processamento de imagem, é comum
para simplificar todos estes problemas (Sled J., 1998), definir as intensidades, Y de cada voxel como:
Y = aX + β ,
(4.1)
onde X é a intensidade real, 𝑎 é um campo de polarização multiplicador suave que provoca falta de
homogeneidade de intensidade devido à sensibilidade da bobina de receção e β representa o ruído
aditivo. Enquanto se assume muitas vezes que β segue uma distribuição Gaussiana, tem havido
abordagens diferentes para a correção do campo de polarização de 𝑎. Esta é uma questão importante,
pois pixels pertencentes a diferentes tecidos podem ser atribuídos com o mesmo valor de nível de
cinza quando variando este termo. Dois estudos diferentes foram recentemente revistos como
diferentes maneiras de superar este problema da etapa de pré-processamento (Hou Z., 2006) (Vovk
U., 2007). Ambos os estudos classificam esses métodos em vários grupos: baseados em segmentação,
filtragem, superfície de adaptação, histograma e outras técnicas específicas. No entanto, tal como
apontado por Hou (Hou Z., 2006), nenhum dos métodos se tem demostrado ser superior a outros e
exclusivamente aplicável.
No estudo de Cabezas e colaboradores, foi utilizada a pipeline de pré-processamento apresentada
na Figura 4.3 antes da aplicação da técnica de segmentação (Cabezas M., 2014). Em primeiro lugar,
o crânio é removido; em segundo lugar, o ruído e a heterogeneidade de intensidades são reduzidos;
depois, um atlas é registado para as imagens corrigidas; e finalmente, as imagens são normalizadas
para todos os pacientes.
Figura 4.3 – Esquema da pipeline de pré-processamento usada por Cabezas e seus colaboradores. Retirado de
(Cabezas M., 2014).
4.2.1 Remoção do crânio
A presença de tecidos não-cerebrais afeta distribuições de intensidade na imagem (Roura E,
2014). A remoção do crânio é mais um passo de pré-processamento importante visto que a gordura,
crânio, pele e outros tecidos não-cerebrais podem causar erros de classificação em algumas
Trabalhos Relacionados 22
abordagens devido às semelhanças de intensidade com estruturas do cérebro (Datta S., 2011). Este é
também o caso de estruturas subcorticais do cérebro, onde a análise avançada não é facilmente
aplicável uma vez que as características de intensidade que se sobrepõem entre as diferentes
estruturas pode reduzir a fiabilidade dos métodos de segmentação automatizados. Não é ainda clara
como a função de densidade de probabilidade de cada tecido principal é alterada por essas
intensidades externas, mas os resultados de segmentação são geralmente melhorados quando esses
voxels são mascarados. Assim, decidiram aplicar o algoritmo BET para remover estes tecidos. O
algoritmo BET é uma ferramenta da toolbox FSL (Jenkinson M, 2012), disponível livremente com base
em imagens de T1-w e é amplamente utilizado no processamento de RM.
Duas obras foram recentemente analisadas e comparadas para extrair regiões do cérebro a partir
de imagens de RM. O primeiro estudo, realizado por Boesen et al. (Boesen K., 2004), compararam
quatro sistemas: Statistical Parametric Mapping (SPM2) (Ashburner J., 2000), Brain Extraction Tool
(BET) (Smith S.M., 2002), Brain Surface Extractor (BSE) (Shattuck D.W., 2001) e Minneapolis
Consensus Strip (McStrip) (Rehm K., 2004). Os sistemas foram validados através de três conjuntos de
dados de imagens T1-w. O segundo estudo, realizado por Hartley et al. (Hartley S.W., 2006),
compararam apenas a precisão da BET e BSE em 296 imagens PD-W. Em ambos os estudos, as
segmentações manuais foram usadas como o ''padrão de ouro''. Boesen et al. (Boesen K., 2004)
concluiu que a McStrip - que é um algoritmo híbrido que incorpora limiar de intensidade, deformação
não-linear e deteção de borda - consistentemente superou SPM2, BET, e BSE. Outros estudos (Johnston
B., 1996) (Wu Y., 2006) também sugerem executar a tarefa de remoção de regiões antes de aplicar a
correção de não-homogeneidade. Deste modo, a correção seria realizada apenas nos voxels
pertencentes aos tecidos cerebrais internos.
4.2.2 Correção e redução de ruído
Seguindo este modelo, o primeiro passo para recuperar os valores de intensidade real é eliminar
(reduzir) o sinal de ruído. Portanto, após a remoção do crânio, utiliza-se um filtro de difusão
anisotrópica, que tende a preservar bordas sobre as regiões mais suaves de acordo com a magnitude
do gradiente em cada ponto. Este filtro está publicamente disponível como parte do software Insight
Toolkit (ITK) e implementado como uma versão dimensional N da equação de difusão anisotrópica
clássica de Perona e Malik para imagens escalares (Perona P, 1990).
Tal como Lladó et al., Cabezas et al. usa o mesmo método para definição de intensidades e
análise de homogeneidade de intensidades. Após a redução de ruído, a única questão a partir da
Equação 1 que resta é o campo de polarização multiplicativo. Entre os vários algoritmos de correção
que lidam com este campo multiplicativo suave, o mais conhecido é a normalização não-uniforme
não-paramétrica (N3) (Sled J., 1998) e que se tornou num padrão para uma variedade de estratégias
de aquisição de imagem. Recentemente, Tustison et al. propuseram duas melhorias para este método
e uma nova implementação designada de Nick´s N3 (N4) baseado na biblioteca ITK (Tustison NJ,
Trabalhos Relacionados 23
2010). Estas duas grandes mudanças afetam a modelação B-splines e o esquema de otimização
iterativo. Deste modo, foi utilizado o filtro de correção N4 fornecido como parte da biblioteca ITK,
combinado com o filtro de difusão anisotrópica para recuperar a intensidade original da imagem (Y).
4.2.3 Normalização inter-sujeito
Em cada abordagem de classificação, os conjuntos de dados devem ser normalizados, a fim de
manter os dados no mesmo intervalo. Neste caso, são obtidas imagens de diferentes pacientes com
diferenças de intensidade iniciais que são intensificadas após a aplicação da redução de ruído e
correção de influências. Estas diferenças entre os perfis de intensidade podem causar erros de
classificação das lesões, uma vez que estas não têm os mesmos valores de intensidade para cada
paciente. Assim, Cabezas et al. propuseram a aplicação de um algoritmo de normalização inter-
sujeito focado no histograma de intensidade de cada paciente. Inicialmente, uma imagem do modelo
é escolhida aleatoriamente, a imagem correspondente ao histograma vai ser utilizada como um
modelo para as outras imagens na mesma base de dados. Posteriormente, todas as outras distribuições
da imagem são comparados com este histograma usando o método proposto por Nyúl et al. (Nyúl LG,
2000) e implementado como parte da biblioteca ITK. Este algoritmo calcula os pontos de referência
do histograma (que podem ser tanto picos, vales ou um valor concreto) para as imagens a serem
combinadas e cria uma tabela de consulta para transformar as intensidades a partir de uma imagem
para outra. Enquanto a anatomia e lesões do cérebro podem alterar de paciente para paciente, as
percentagens de tecido são basicamente as mesmas para cada paciente e o volume relativo das lesões
em comparação com o cérebro inteiro é pequeno. Portanto, a forma de histogramas é basicamente a
mesmo entre indivíduos diferentes e nenhum artefacto é criado a partir deste procedimento (Cabezas
M., 2014).
4.2.4 Registo de Atlas
O registo é o processo de transformação das diferentes imagens no mesmo sistema de
coordenadas, de tal modo que o voxel localizado nas mesmas coordenadas em todas as imagens
represente o mesmo local físico (Diez et al., 2014). Além disso, o atlas contém uma segmentação
probabilística dos tecidos do cérebro e, portanto, uma vez que as imagens tenham sido registadas, a
probabilidade de pertencer a cada tecido cerebral é atribuída a cada voxel.
O registo rígido é geralmente suficiente quando se lida com aplicações médicas intra-sujeito,
tais como estudos temporais do mesmo sujeito (Lladó X, 2012) (Ganiler O, 2014) . No entanto, quando
se trata de aplicações inter-sujeitos, como o atlas de correspondência, os algoritmos não-rígidos
podem explicar as variações locais anatómicas entre o modelo e o cérebro, assunto que os métodos
globais não conseguem reproduzir (Klein A, 2009). Cabezas et al., decidiram implementar com ITK
um dos métodos mais comuns com base numa abordagem multi-resolução (Rueckert D, 1999) com um
Trabalhos Relacionados 24
alinhamento inicial usando transformações globais para alinhar o modelo de atlas e fazer a varredura
do paciente, seguido por uma transformação B-spline multi-resolução.
4.3 Conclusões
Através deste capítulo pode-se concluir que este é um tema bastante estudado e com grande
evolução. A deteção automática e segmentação de lesões de EM pode ajudar os médicos no
diagnóstico e acompanhamento do paciente. Estas surgem como uma técnica desafiadora uma vez
que as lesões de esclerose múltipla possuem diferentes intensidades e formas de acordo com a
sequência/corte apresentada pela imagem de ressonância magnética. Vários métodos têm sido
descritos e avaliados ao longo dos anos. A etapa de pré-processamento revela-se como uma das mais
importantes para vários investigadores, uma vez que o seu objetivo é minimizar os efeitos de
artefactos da imagem e obter a melhor informação possível da imagem. A remoção dos artefactos da
imagem e a remoção de tecido não-cerebral são algumas das técnicas fundamentais.
Trabalho Experimental 25
Capítulo 5
Trabalho Experimental
Neste capítulo será apresentada uma breve descrição das diferentes metodologias
implementadas no Trabalho Experimental para melhoramento das imagens de ressonância magnética.
As operações de imagem são usadas para a realização de várias técnicas de processamento tais como:
realce de imagem, eliminação de ruído, binarizacao, deteção de orlas, cálculo de histograma e
projeções, cálculo de transformadas, entre outras.
5.1 Correção Gama
A correção gama é utilizada, na área da computação gráfica, para corrigir o brilho,
principalmente, de imagens que são exibidas num ecrã de computador. Este é um método
desenvolvido para manter a claridade ou escurecimento de uma imagem conforme o que seja
pretendido. É uma correção em que a intensidade do valor de cada cor é ajustada a uma curva que
compensa irregularidades, permitindo o ajuste do contraste da imagem. O valor gama especifica o
formato da curva descrita entre a relação dos novos e antigos valores mapeados. O valor gama pode
ser maior ou menor do que 1, caso seja menor do que 1, o resultado do mapeamento será mais
luminoso, se o valor gama for superior a 1, a imagem torna-se mais escura (Gonzalez RC, 2002).
5.2 Filtragem Espacial
A filtragem no domínio espacial é uma técnica de processamento de imagens que normalmente
manipula os valores de uma vizinhança para modificar a imagem digital, atuando diretamente nos
pixels de uma imagem. A filtragem espacial pode ser dividida em dois grupos: operadores lineares,
tais como passa-alto, passa-baixo e de realce, e operadores não-lineares, tais como filtro de média,
mediana, Gaussiano, entre outros.
Trabalho Experimental 26
Quando uma imagem f(x,y) é convoluída com um operador linear h(x,y), a imagem resultante é
dada por:
g(x, y) = h(x, y) ∗ f(x, y) (5.1)
O teorema de convolução diz que a convolução no domínio espacial é equivalente à multiplicação
no domínio das frequências (Acharya T, 2005). Isto implica que:
G(u, v) = H(u, v)F(u, v)
(5.2)
onde G(u,v), H(u,v), e F(u,v) são as transformadas de Fourier de g(x,y), h(x,y), e f(x,y)
respetivamente.
A melhoria de imagem no domínio das frequências faz-se através de filtragem passa-baixo, passa-
alto e passa-banda da imagem original, através da computação da Transformada de Fourier da imagem
original (Gonzalez RC, 2002).
5.2.1 Filtros de Realce
Filtro Passa-Baixo – As altas frequências na imagem são atenuadas através de uma
operação de média, produzindo um efeito de suavização. Este tipo de filtragem é útil na remoção de
ruído visual, que normalmente surge como pontos de alto brilho na imagem, e estruturas subtis
provocando nas imagens uma perda de precisão.
Filtro Passa-Alto – Neste tipo de filtros, obtém-se uma imagem em que as
componentes espaciais baixas são atenuadas. Este tipo de filtragem é utilizado para realce de bordos
ou contornos uma vez que estes estão relacionados com as altas frequências da imagem (Gonzalez
RC, 2002) (Acharya T, 2005).
Filtro Passa-Banda - Seleciona um intervalo de frequências do sinal (banda de
frequência) para ser realçado, removendo, ou atenuando componentes fora da faixa selecionada.
Figura 5.1 - Esquema representativo de filtro passa-baixo, passa-alto e passa-banda. Retirado de (Campilho,
2016).
Trabalho Experimental 27
5.2.2 Filtro de Média
O filtro de média é implementado através de uma operação local de média onde o valor de cada
pixel é substituído pela média de todos os valores na sua vizinhança local. Em geral, num filtro de
média, as ponderações utilizadas são valores iguais representado por:
g(m, n) =1
𝑁 ∑ ∑ f (m − k, n − 1), (k, 1) ∈ W (5.3)
onde N é o número de pixels na vizinhança de W.
Este tipo de filtro também pode ser implementado como um filtro de convolução, sendo que os
pesos dos coeficientes da máscara de convolução têm que ter obrigatoriamente valores idênticos. O
tamanho da vizinhança N controla a quantidade de filtragem. Quanto maior for o grau de filtragem,
mais influência da vizinhança o pixel sofre e consequentemente maior a quantidade de redução de
ruído e de perda de detalhes na imagem (Gonzalez RC, 2002).
5.2.3 Filtro Mediana
O filtro de mediana consiste em substituir a intensidade de cada pixel pela mediana das
intensidades na sua vizinhança, permitindo uma atenuação dos ruídos presentes na imagem. Este
filtro realiza uma operação não linear, sendo designado de operador de ordem, Figura 5.2, devido ao
facto de estabelecer uma ordem nos valores da imagem abrangidos pela máscara de filtragem
(Gonzalez RC, 2002).
Figura 5.2 - Esquema representativo de um filtro de mediana. Os valores dos pixels contidos na vizinhança
predefinida são ordenados. Retirado de (Campilho, 2016).
Esta operação pode ser representada por:
v(m, n) = median [y(m − k, n − 1), (k, 1) ∈ W ]
(5.4)
Uma das vantagens deste tipo de filtragem é manter os principais detalhes da imagem, sendo útil
na remoção de pontos isolados. O filtro considera cada pixel da imagem e compara-o com os pixels
vizinhos de forma a determinar se o seu valor é representativo ou não para a vizinhança (Acharya T,
2005).
5.2.4 Filtro Gaussiano
Os filtros Gaussianos são filtros passa-baixo em convolução 2D, usados para suavizar as imagens e
remover o ruído e detalhe, dado pela expressão:
H(u, v) = 𝑒−𝐷2 (u,v)/2𝜎 2 (5.5)
Trabalho Experimental 28
onde D(u,v) é a distância da origem da transformada de Fourier e σ é o desvio padrão da curva
Gaussiana (Gonzalez RC, 2002).
5.2.5 Filtro Laplaciano
O Laplaciano L(x,y) de uma imagem com valores de intensidade de pixels f(x,y) é dado por:
L(x, y) = ∂2
f
∂x2 + ∂
2f
∂y2 (5.6)
O filtro Laplaciano enfatiza regiões de descontinuidade e suaviza regiões de variação lenta de
níveis de intensidade, é dado pela expressão:
g(x, y) = f(x, y) + c [∇2 f(x, y)]
(5.7)
em que f(x, y) e g(x, y) são as imagens de entrada e saída, c é uma constante (c = −1 se o centro da
máscara for negativo e c = 1, caso contrário) (Gonzalez RC, 2002).
5.3 Operadores de Gradiente
Para deteção de contornos e orlas é necessário a utilização de operadores que sejam sensíveis às
mudanças, deste modo são usados filtros de gradiente tais como Sobel, Canny, Prewitt e Roberts, de
forma a extrair as derivadas da imagem. Estes operadores requerem o uso de duas máscaras, uma
para obter o gradiente na direção X e outra para obter o gradiente na direção Y (Daponte J., 1988).
Os operadores de gradiente detetam contornos calculando o máximo e o mínimo na primeira
derivada da imagem. A derivada mostra o máximo localizado no centro do contorno no sinal/imagem
original. Um pixel estará localizado num contorno ou orla se o valor do seu gradiente excede um dado
limite (Thomé, 2016).
5.3.1 Operador de Canny
O filtro de Canny é um filtro de convolução que usa a primeira derivada, com o objetivo de suavizar
o ruído e localizar os contornos, combinando um operador diferencial com um filtro Gaussiano. Este
operador é regulado através da maximização da razão sinal/ruído do gradiente, do fator de
localização do contorno que assegura uma deteção o mais eficaz possível, e minimizando o número
de respostas a um único contorno. O tamanho do filtro Gaussiano e os limiares (Thresholds) usados
afetam diretamente os resultados deste operador (Canny, 1986).
5.3.2 Operador de Roberts
O operador de Roberts é o mais antigo e simples algoritmo de deteção de bordas, utilizando 2
máscaras de convolução 2x2 (Figura 5.3). O operador de Roberts calcula o gradiente cruzado, isto é,
em vez de calcular as diferenças de valores de brilho na direção vertical e horizontal, fá-lo numa
Trabalho Experimental 29
direção de rotação de 45º. Como resultado da sua aplicação, obtém-se uma imagem com altos valores
de nível de cinza, em regiões de contrastes bem definidos e valores baixos em regiões de pouco
contraste, sendo 0 para regiões de nível de cinza constante. Uma desvantagem deste operador é a
sua assimetria, uma vez que se verifica que certas bordas são mais realçadas que outras, mesmo tendo
magnitude igual (Thomé, 2016).
5.3.3 Operador de Sobel
O operador de Sobel calcula o gradiente da intensidade da imagem em cada ponto, dando
a direção da maior variação de claro para escuro e a quantidade de variação nessa direção. Tem a
particularidade de realçar linhas verticais e horizontais mais escuras que o fundo, sem realçar pontos
isolados (Thomé, 2016). Este operador utiliza 2 máscaras de convolução 3x3, sendo uma das máscaras
para estimar o gradiente na direção de x e outra em y, Figura 5.3.
5.3.4 Operador de Prewitt
O operador de Prewitt
é muito semelhante ao de Sobel, além de diferenciar, suaviza a imagem, atenuando os efeitos
negativos do ruído. Este encontra as bordas utilizando uma aproximação da derivada e retorna as
mesmas onde o gradiente da imagem é máximo (Thomé, 2016).
Figura 5.3 – Máscaras dos gradientes de Roberts, Prewitt e Sobel. Retirado de (Campilho, 2016).
5.4 Equalização do histograma
O histograma é uma representação da distribuição da frequência de ocorrência de diferentes
níveis de cinza numa imagem. O histograma de uma imagem digital com níveis de cinza no intervalo
[0, L-1] é uma função discreta h(rk)=nk, onde rk é o kº nível de cinza e nk é o número de pixels na
imagem com esse valor de intensidade. Existem algumas informações que podem ser retiradas do
histograma, tais como o nível de intensidades, gama dinâmica, contraste, informação estática (média,
desvio padrão), entre outras (Gonzalez RC, 2002).
O histograma fornece primariamente a descrição global da imagem. Se o histograma da imagem
é estreito, significa que a imagem é pouco visível, pois a diferença nos níveis de cinza presente na
imagem é baixa. Uma distribuição uniforme dos níveis de cinza significa um maior contraste e uma
melhor visibilidade (Acharya T, 2005).
A equalização de histograma é uma técnica que consiste numa redistribuição dos níveis de cinza
a fim de obter um histograma tão uniforme quanto possível. Sendo a variável r, um valor variável no
Trabalho Experimental 30
intervalo de [0:1], que indica o nível de cinza de uma imagem, sendo r = 0 correspondente ao preto
e r = 1 correspondente ao branco, a transformação (5.8):
𝑠 = 𝑇(𝑟) (5.8)
produz um nível s para cada pixel na imagem original. É assumido que T(r) é uma função
de valor único, tomando valores e aumentando uniformemente no intervalo de [0:1], preservando a
ordem da cor preta para o branco na escala de cinza e garantindo consistência ao longo do intervalo
(Acharya T, 2005).
A Equalização Adaptativa com Contraste Limitado (CLAHE) é uma técnica em que há a
possibilidade de sobre melhoramento da imagem. Esta técnica particiona a imagem em várias regiões
e aplica a equalização do histograma localmente a cada região e não à imagem total, permitindo um
melhoramento do ruído existente (Acharya T, 2005).
5.5 Conclusões
As técnicas apresentadas neste capítulo têm como principal objetivo o melhoramento das
imagens adquiridas. A técnica de correção gama permite o ajuste do contraste da imagem, para que
a imagem não seja demasiadamente clara nem escura e para que seja homogénea. A aplicação de
diferentes filtros para remoção de ruído bem como a avaliação das intensidades dos pixels através do
método de equalização do histograma são algumas das etapas escolhidas e essenciais para aplicação
da etapa de pré-processamento.
Implementação, Resultados e Discussão 31
Capítulo 6
Implementação, Resultados e Discussão
Neste capítulo vai ser apresentada a aplicação prática da teoria apresentada nos capítulos
anteriores referentes ao melhoramento de imagens para uma melhor análise e estudo. Foram
utilizadas imagens de RM provenientes de doentes com esclerose múltipla e estudadas através do
programa MATLAB. Para todas as imagens foram aplicados vários algoritmos, como correção gama,
equalização do histograma, operações de filtragem e deteção de orlas, a fim de avaliar o seu
desempenho. Os algoritmos estudados foram testados para diversas imagens, contudo neste relatório
serão apresentados apenas seis casos.
6.1 Aquisição de imagens de RM
No âmbito deste trabalho e como um primeiro contacto com a temática proposta para a
dissertação, foi-me possível deslocar à Unidade de Ressonância Magnética do Hospital de São João,
Porto para uma melhor compreensão da técnica e monitorização dos instrumentos de RM, bem como
análise de casos relacionados com esclerose múltipla.
Para o presente estudo, foram estudados vários casos reais de esclerose múltipla, de imagens de
RM nas diversas ponderações (T1-w, T2-w, PD-w e FLAIR) e nos planos axial, sagital e coronal,
gentilmente cedidas pelo Hospital de São João, Porto.
As imagens utilizadas encontram-se no formato de ficheiros DICOM (Digital Imaging and
Communications in Medicine) que consiste numa norma internacional que define os formatos e
processos de armazenamento e transmissão de imagem médica digital. As imagens DICOM contêm
informações tais como: tamanho, dimensão, modalidade utilizada para a criação da imagem,
parâmetros utilizados na formação, tipo de estudo efetuado e informações sobre o paciente.
Implementação, Resultados e Discussão 32
Os algoritmos foram estudados e implementados no sistema MATLAB, MATrix LABoratory, que
consiste numa linguagem de computação de alto-nível e ambiente de desenvolvimento de algoritmos,
análise e visualização de dados, e computação numérica (Matlab, 2016).
Dos vários casos analisados, neste relatório serão apenas apresentados seis casos reais, Figura
6.1. Para cada paciente, foram selecionados os cortes centrais correspondentes ao plano axial, onde
as lesões de esclerose múltipla se tornam mais evidentes nas zonas adjacentes aos ventrículos laterais
(periventriculares). Nas imagens, verifica-se a presença de lesões de EM periventriculares e a
presença de hipersinal representado pelas áreas brancas em torno dos ventrículos.
Figura 6.1 – Imagens FLAIR de RM de indivíduos com lesões de EM, no plano axial, localizadas ao nível dos
ventrículos laterais: A) Indivíduo 1, género masculino, 36 anos; B) Indivíduo 2, género feminino, 43 anos; C)
Indivíduo 3, género feminino, 39 anos; D) Indivíduo 4, género feminino, 57 anos; E) Indivíduo 5, género feminino,
50 anos; F) Indivíduo 6, género masculino, 40 anos. Observa-se a presença de lesões de EM periventriculares e
com hipersinal (áreas brancas à volta dos ventrículos).
Na seguinte tabela 6.1 estão representadas as características principais das 6 imagens
apresentadas, ou seja, dos 6 casos reais de pacientes com esclerose múltipla.
A B
D E
C
F
Implementação, Resultados e Discussão 33
Imagens Género Idade Largura Altura Bits por
pixel
Espessura
de corte
Espessura
entre cortes
Força do
Campo
Magnético
1 Masculino 36 anos 424 512 16 bits 5 mm 6 mm 3 T
2 Feminino 51 anos 464 512 16 bits 5 mm 6 mm 3 T
3 Feminino 39 anos 408 512 16 bits 5 mm 6 mm 3 T
4 Feminino 57 anos 464 512 16 bits 5 mm 6 mm 3 T
5 Feminino 50 anos 464 512 16 bits 5 mm 6 mm 3 T
6 Masculino 40 anos 424 512 16 bits 5 mm 6 mm 3 T
Tabela 6.1 – Características das 6 imagens testadas.
6.2 Melhoramento de Imagem
Existem vários tipos de lesões ao nível da esclerose múltipla: periventricular, justacortical,
infratentorial ou da medula espinhal; neste estudo são exploradas as lesões periventriculares. Estas
lesões são difíceis de detetar devido aos parâmetros variáveis da imagem tais como intensidades que
se sobrepõem, ruído, volume parcial, gradientes, movimento, ecos, bordas confusas, variações
anatómicas normais e artefactos de suscetibilidade.
O aperfeiçoamento/melhoria de imagem consiste num conjunto de técnicas que visam melhorar
a aparência visual de uma imagem ou para convertê-la para uma forma mais adequada para análise
humana ou computacional. As técnicas a seguir descritas correspondem a alguns dos algoritmos mais
comuns e utilizados para melhorar as imagens e as suas características para posterior segmentação.
Na figura seguinte, Figura 6.2, apresenta-se um fluxograma representativo das diferentes
técnicas aplicadas para melhoramento de imagem.
Imagem 6.2 – Fluxograma das diferentes técnicas aplicadas para melhoramento de imagem.
Implementação, Resultados e Discussão 34
6.2.1 Remoção do Crânio
Tal como mencionado no capítulo Estado da Arte, uma das primeiras etapas de pré-
processamento das imagens de RM é a remoção de tecidos não-cerebrais. Deste modo, através do
algoritmo BET presente na toolbox FSL foi aplicada a extração dos mesmos, nomeadamente do crânio.
Inicialmente são estimados alguns parâmetros simples da imagem, de modo a avaliar a
intensidade mínima e máxima da imagem. É realizada a técnica de histograma e de binarização da
imagem de modo a averiguar os valores externos correspondentes aos tecidos que não se pretendem
na imagem. De seguida é aplicada a operação morfológica de erosão à imagem binarizada. Os
resultados obtidos para este algoritmo encontram-se presentes na Figura 6.3.
Figura 6.3 – Aplicação do algoritmo BET para remoção do crânio às imagens originais de RM no plano axial de
indivíduos com EM: A) Indivíduo 1; B) Indivíduo 2; C) Indivíduo 3; D) Indivíduo 4; E) Indivíduo 5; F) Indivíduo 6.
Através da figura 6.3 observa-se que este algoritmo permite a extração dos tecidos não cerebrais
presentes na imagem, bem como de algum ruído presente nas mesmas. Verifica-se que esta técnica
fornece uma imagem mais nítida com menor ruído e melhores resultados para posterior segmentação.
E
A
D F
B C
Implementação, Resultados e Discussão 35
6.2.2 Correção Gama
Após remoção do crânio, o primeiro algoritmo utilizado foi a Correção Gama, que permitiu ajustar
o brilho da imagem de acordo com a luminosidade pretendida de modo a que não ficassem muito
esbranquiçadas nem muito escuras. Como o objetivo é identificar as lesões representadas nas imagens
pela cor branca, utilizou-se o valor de gama superior a 1 tornando a imagem mais escura e as lesões
mais percetíveis. Verificou-se que após a aplicação da correção gama às imagens, estas ficaram com
melhor qualidade e evidência das lesões, tornando-se bastante útil para o melhoramento da imagem
original.
A figura 6.4 demonstra a aplicação deste algoritmo com valor de gama igual a 1.7.
Figura 6.4 – Aplicação do algoritmo correção gama às imagens anteriormente obtidas de RM de indivíduos com
lesões de EM, no plano axial, localizadas ao nível dos ventrículos laterais: A) Indivíduo 1; B) Indivíduo 2; C)
Indivíduo 3; D) Indivíduo 4; E) Indivíduo 5; F) Indivíduo 6.
6.2.3 Filtragem Espacial
A filtragem no domínio espacial é uma técnica que manipula os valores de uma vizinhança para
modificar a imagem. No sentido de suavizar e remover o ruído da imagem, foram aplicados os filtros
de média, mediana, Gaussiano e Laplaciano de modo a avaliar o seu desempenho e eficácia.
BA
A
D E
C A
A
F
Implementação, Resultados e Discussão 36
a) Filtro de Média
O filtro de média é implementado através de uma operação local onde o valor de cada pixel é
substituído pela média de todos os valores na sua vizinhança. Alterando a dimensão da janela
utilizada, único parâmetro, verifica-se que quanto menor for a janela utilizada melhores são os
resultados e maior é a aproximação à imagem original. À medida que aumenta a janela, aumenta o
número de pixels que vão contribuir para a obtenção do resultado final e verifica-se alguma distorção
e perda de nitidez à imagem, causando uma grande redução de informação.
A Figura 6.5 representa a aplicação do filtro de média às imagens de RM com uma dimensão de
janela de 3.
Figura 6.5 – Aplicação do filtro de média às imagens anteriormente obtidas de RM de indivíduos com lesões de
EM, no plano axial, localizadas ao nível dos ventrículos laterais: A) Indivíduo 1; B) Indivíduo 2; C) Indivíduo 3; D)
Indivíduo 4; E) Indivíduo 5; F) Indivíduo 6.
b) Filtro Mediana
O filtro de mediana atribui a cada ponto o valor mediano para uma determinada janela utilizada,
permitindo uma atenuação dos ruídos presentes na imagem. O resultado da sua aplicação é a
F E D
C
A
B
A A
A
Implementação, Resultados e Discussão 37
suavização da imagem original, que se acentua quanto maior for o tamanho da janela utilizado. Com
o filtro de mediana obtém-se melhores resultados que com o de média. Este, além de contribuir para
a eliminação do ruído, preserva melhor as orlas que o filtro de média, como se pode verificar pelas
imagens.
Verifica-se que este filtro permite a remoção de alguns pontos ou linhas isoladas, preservando a
resolução espacial da imagem. Os resultados obtidos para este filtro com uma dimensão de janela de
3 encontram-se presentes na Figura 6.6.
Figura 6.6 – Aplicação do filtro de mediana às imagens anteriormente obtidas de RM de indivíduos com lesões de
EM, no plano axial, localizadas ao nível dos ventrículos laterais: A) Indivíduo 1; B) Indivíduo 2; C) Indivíduo 3; D)
Indivíduo 4; E) Indivíduo 5; F) Indivíduo 6.
c) Filtro Gaussiano
Este tipo de filtro recebe como parâmetros a dimensão da janela e um valor para o desvio padrão
máximo (sigma). Este filtro aplica uma suavização à imagem original que é tanto mais visível quanto
maior for o desvio padrão sigma considerado, não dependendo muito do tamanho da janela utilizado.
Observa-se que quanto maior o sigma, maior o número de pixels cujo valor é diferente de zero,
refletindo-se numa maior suavização da imagem.
A
A B
A
C
A
D
A
E
A F
A
Implementação, Resultados e Discussão 38
A aplicação do filtro Gaussiano com dimensão da janela de 3 e sigma de 6 encontra-se presente na
Figura 6.7.
Figura 6.7 – Aplicação do filtro Gaussiano às imagens anteriormente obtidas de RM de indivíduos com lesões de
EM, no plano axial, localizadas ao nível dos ventrículos laterais: A) Indivíduo 1; B) Indivíduo 2; C) Indivíduo 3; D)
Indivíduo 4; E) Indivíduo 5; F) Indivíduo 6.
d) Filtro Laplaciano
Este filtro tem como único parâmetro alpha, que controla a forma dos coeficientes do filtro
Laplaciano. Verifica-se que a diminuição do valor de alpha se traduz numa ligeira melhoria na
obtenção dos contornos dos objetos, funcionando como um bom método para obtenção dos mesmos.
Os resultados obtidos para o filtro Laplaciano com alpha igual a 0.2 são apresentados na Figura 6.8.
Verifica-se através da Figura 6.8 que a aplicação deste filtro produz uma imagem mais escura e
bastante esbatida, resultando em perda de alguma informação e grande atenuação das intensidades.
O efeito deste filtro é salientar os contornos de objetos presentes na imagem.
A
A
B
A
C
D
A
E
A
F
A
Implementação, Resultados e Discussão 39
Figura 6.8 – Aplicação do filtro Laplaciano às imagens anteriormente obtidas de RM de indivíduos com lesões de
EM, no plano axial, localizadas ao nível dos ventrículos laterais: A) Indivíduo 1; B) Indivíduo 2; C) Indivíduo 3; D)
Indivíduo 4; E) Indivíduo 5; F) Indivíduo 6.
6.2.4 Operadores de Gradiente
No sentido de detetar os contornos presentes na imagem foram aplicados os operadores de
gradiente Canny, Sobel, Prewitt e Roberts de modo a avaliar o seu desempenho e eficácia.
a) Operador de Canny
Este operador aceita como parâmetro de entrada, um valor sigma que representa o desvio padrão
do filtro gaussiano, sendo o tamanho da matriz calculado automaticamente com base neste valor. O
método de Canny usa dois thresholds diferentes para detetar os contornos fortes e os fracos.
A Figura 6.9 apresenta os resultados da aplicação de um filtro Canny com sigma igual a 1.
Verifica-se que este método se revela mais resistente ao ruído que os outros filtros e deteta melhor
as orlas mais suaves. É possível detetar o contorno bem delineados do córtex cerebral e das diversas
estruturas, bem como das lesões.
A
A
B
A
C
A
D E
A
F
A
Implementação, Resultados e Discussão 40
Figura 6.9 – Aplicação do operador de gradiente Canny às imagens anteriormente obtidas de RM de indivíduos
com lesões de EM, no plano axial, localizadas ao nível dos ventrículos laterais: A) Indivíduo 1; B) Indivíduo 2; C)
Indivíduo 3; D) Indivíduo 4; E) Indivíduo 5; F) Indivíduo 6.
b) Operador de Sobel e Prewitt
Este tipo de filtros não recebe nenhum parâmetro, uma vez que as matrizes para efetuar a
convolução já se encontram pré-definidas. Este processo consiste na convolução de uma máscara para
detetar as orlas horizontais. Este tipo de filtros permite obter alguns contornos da imagem sendo
considerada uma boa ferramenta para deteção dos mesmos, no entanto verifica-se que alguns não
são completamente fechados.
Comparativamente, verifica-se que o resultado entre ambos é bastante semelhante, sendo o filtro
de Sobel mais imune ao ruído. A Figura 6.10 apresenta os resultados da aplicação do operador de
gradiente Sobel, uma vez que os resultados são idênticos e este é mais utilizado.
A
A
B
A
C
A
E
A
D F
A
Implementação, Resultados e Discussão 41
Figura 6.10 – Aplicação do operador de gradiente Sobel às imagens anteriormente obtidas de RM de indivíduos
com lesões de EM, no plano axial, localizadas ao nível dos ventrículos laterais: A) Indivíduo 1; B) Indivíduo 2; C)
Indivíduo 3; D) Indivíduo 4; E) Indivíduo 5; F) Indivíduo 6.
c) Operador de Roberts
Este filtro apresenta uma configuração similar à anterior, sendo desta vez aplicado o método de
Roberts. Este tipo de método apenas apresenta os contornos mais fortes obtendo-se uma imagem
menos carregada e pormenorizada. Verifica-se também através da Figura 6.11 que os contornos com
o operador de Roberts não são bem fechados.
A
A
B
A
C
A
D
A
E F
A
Implementação, Resultados e Discussão 42
Figura 6.11 – Aplicação do operador de gradiente Roberts às imagens anteriormente obtidas de RM de indivíduos
com lesões de EM, no plano axial, localizadas ao nível dos ventrículos laterais: A) Indivíduo 1; B) Indivíduo 2; C)
Indivíduo 3; D) Indivíduo 4; E) Indivíduo 5; F) Indivíduo 6.
6.2.5 Equalização do histograma
Tal como visto anteriormente, esta técnica é utilizada na normalização das imagens, uma vez
que esta se baseia no histograma de intensidade de cada paciente. É uma técnica básica para avaliar
os perfis de intensidade. Contudo, tal como proposto, uma imagem será escolhida aleatoriamente e
vai será utilizada como um modelo para as outras imagens na mesma base de dados. Na Figura 6.12
encontra-se a aplicação desta técnica às imagens do estudo.
Após aplicação da equalização do histograma às imagens verificou-se que as lesões têm uma
forma mais definida e se encontram salientadas na imagem. Contudo, esta técnica permite o
agrupamento de pixels com elevada intensidade em classes, sendo os que possuem maiores
intensidades agrupados às lesões e causando o aparecimento de falsas áreas que não correspondem
às lesões. Pode-se concluir que apesar de trazer vantagem ao destacar a lesão, esta é confundida
através de falsos negativos funcionando apenas para avaliar a intensidade dos mesmos.
A
A
B
A
C
A
D
A
E
A F
A
Implementação, Resultados e Discussão 43
Figura 6.12 – Aplicação do algoritmo de equalização do histograma às imagens anteriormente obtidas de RM de
indivíduos com lesões de EM, no plano axial, localizadas ao nível dos ventrículos laterais: A) Indivíduo 1; B)
Indivíduo 2; C) Indivíduo 3; D) Indivíduo 4; E) Indivíduo 5; F) Indivíduo 6.
Após aplicação da equalização do histograma às imagens verificou-se que as lesões têm uma
forma mais definida e se encontram salientadas na imagem. Contudo, esta técnica permite o
agrupamento de pixels com elevada intensidade em classes, sendo os que possuem maiores
intensidades agrupados às lesões e causando o aparecimento de falsas áreas que não correspondem
às lesões. Pode-se concluir que apesar de trazer vantagem ao destacar a lesão, esta é confundida
através de falsos negativos funcionando apenas para avaliar a intensidade dos mesmos.
6.3 Sobreposição de cortes
Neste trabalho foi realizado um teste de aplicação de um algoritmo que permitisse
sobrepor/somar os cortes centrais de um dado paciente num mesmo plano da imagem, onde as lesões
de esclerose múltipla se tornam mais evidentes ao nível dos ventrículos. Uma vez que as imagens
adquiridas por RM são obtidas em vários cortes, a sua sobreposição pode-nos permitir criar estruturas
e pontos mais concretos que permitam definir uma determinada lesão. Assim, aos cortes de imagens
FE D D
F
C B A
Implementação, Resultados e Discussão 44
anteriormente estudadas e após o melhoramento das mesmas, foram adicionados os 2 cortes
anteriores e 2 posteriores de modo a obter a sua sobreposição. Selecionou-se estes cortes, uma vez
que após análise das imagens se verificou que as lesões eram mais representativas nos cortes centrais,
sendo os restantes irrelevantes uma vez que estas não são percetíveis. Deste modo, foram utilizados
no total 5 cortes de modo a fazer uma projeção das lesões presentes. Os parâmetros das imagens
adicionadas verificaram-se bastante idênticos.
Através da aplicação deste algoritmo, obtêm-se uma imagem com maior abundância de zonas de
lesão. Verifica-se através da Figura 6.13 que a aplicação deste algoritmo após as técnicas
anteriormente aplicadas reduz alguma qualidade da imagem.
Figura 6.13 – Aplicação do algoritmo para sobreposição dos cortes anteriores e posteriores ao corte central
correspondentes às imagens anteriormente obtidas de RM de indivíduos com lesões de EM, no plano axial,
localizadas ao nível dos ventrículos laterais: A) Indivíduo 1; B) Indivíduo 2; C) Indivíduo 3; D) Indivíduo 4; E)
Indivíduo 5; F) Indivíduo 6.
No entanto, verifica-se que a sobreposição de cortes em RM é uma das principais causas de
artefacto nas imagens. Os artefactos correspondem a efeitos visuais presentes numa imagem e que
não correspondem ao objeto real em estudo, podendo surgir sob a forma de linhas, pontos, padrões
repetidos, imagens em espelho ou distorções.
A B C
D E F
Implementação, Resultados e Discussão 45
Pode-se concluir que uma das causas que pode levar à presença de artefactos é a necessidade
de realizar um alinhamento das imagens anteriormente, outros fatores como o sistema de aquisição
ou movimento do paciente durante a aquisição podem-se traduzir nestes resultados.
6.4 Conclusões
Neste trabalho foi feito um estudo sobre alguns dos principais algoritmos para melhoramento de
imagem, como correção gama, equalização do histograma, filtros e operadores de gradiente. Os filtros
implementados foram o filtro de média, mediana, Gaussiano e Laplaciano e os operadores de
gradiente estudados foram o Canny, Sobel, Prewitt e Roberts. Todas as técnicas foram implementadas
através do software MATLAB como ferramenta computacional a fim de comprovar a eficácia das
mesmas.
Verifica-se que a aplicação da correção gama às imagens permite a obtenção de um melhor
contraste das imagens e que o algoritmo de remoção dos tecidos não cerebrais permite a remoção de
algum ruído das mesmas.
Após a análise da funcionalidade de cada um dos filtros implementados, recorrendo a diversos
testes com várias imagens e variando os parâmetros de entrada para cada filtro, verificou-se que o
filtro Gaussiano foi o que se revelou mais eficaz para suavizar a imagem. Este preserva mais os
contornos da imagem e permite um maior controlo do resultado final através dos seus parâmetros de
entrada. O filtro mediano é o segundo melhor porque também conserva alguns dos contornos da
imagem suavizando-a corretamente. O que apresentou piores resultados foi o filtro de média porque
degrada bastante os contornos da imagem tornando-a bastante desfocada.
Através da aplicação dos diversos operadores de gradiente verificou-se que o Canny é o que
apresenta melhores resultados visto que revela ser o mais resistente ao ruído e permite detetar
melhor as orlas. Verificou-se que o operador de Sobel e Prewitt apresentaram resultados bastante
semelhantes. O operador de Roberts não permite obter contornos fechados, considerando-se este
uma má aplicação nestas imagens e para deteção de orlas.
Conclui-se ainda através do algoritmo realizado para sobrepor as imagens dos cortes centrais
onde se evidenciam as lesões, que este agrupa as lesões e torna-as mais percetíveis, no entanto causa
alguma distorção e perda de qualidade na mesma. Verifica-se que este teste não é satisfatório para
o estudo das lesões de esclerose múltipla, visto que alguns fatores podem interferir com os resultados,
nomeadamente a necessidade de alinhamento das imagens anteriormente.
Os resultados obtidos podem ainda ter sido influenciados por erros do equipamento de aquisição,
condições de exame, movimento do paciente durante a realização do exame, erros sistemáticos ou
aleatórios, entre outros.
Conclusões e Trabalhos Futuros 46
Capítulo 7
Conclusões e Trabalhos Futuros
O último capítulo do presente relatório apresenta primeiramente uma análise global de todo
o trabalho desenvolvido. Por fim, é feita uma referência ao trabalho futuro, que consiste na tese a
desenvolver durante o próximo ano letivo.
7.1 Conclusão
A esclerose múltipla é a doença neurológica mais comum diagnosticado em jovens adultos. Existem
diversos tipos de EM, mas esta caracteriza-se por ser uma doença debilitante podendo deixar sequelas
irreversíveis.
Embora a doença não possa ser curada ou prevenida, o diagnóstico atempado permite um
tratamento mais rápido de modo a reduzir a gravidade da mesma e retardar a sua progressão. A
ressonância magnética surge como uma técnica de imagiologia para facilitar o diagnóstico precoce
para uma melhor qualidade de vida do paciente.
As lesões de EM são detetadas através de RM, contudo são difíceis de detetar devido ao reduzido
tamanho variedade de formas e distribuição. Neste sentido, as técnicas de processamento têm
contribuído para o melhoramento e análise das imagens. Várias técnicas de processamento de imagem
para realce, deteção, segmentação e classificação têm vindo a ser estudadas como solução.
Através do presente trabalho foi possível conhecer a problemática que afeta milhões de pessoas
no mundo, como esta se caracteriza e manifesta e os meios de diagnóstico utilizados. Foram
adquiridos alguns conceitos fundamentais sobre a temática de Processamento e Análise de Imagem
bem como as etapas principais. Como revisão bibliográfica, foi apresentado o que tem sido
desenvolvido por vários investigadores neste âmbito.
Conclusões e Trabalhos Futuros 47
Na aplicação prática, foi possível um contacto direto com a técnica de ressonância magnética e
de todo o processo para aquisição das imagens. Foram aplicadas várias técnicas de pré-processamento
para melhoramento das imagens através de vários algoritmos como algoritmo de correção gama,
equalização do histograma, filtragem e operadores de gradiente. Observa-se que estes fornecem
resultados bastante positivos. A aplicação da correção gama às imagens permite a obtenção de um
melhor contraste e o algoritmo de remoção de tecidos não cerebrais fornece uma imagem com menos
ruído. O filtro que obteve melhores resultados foi o filtro Gaussiano e operador de Canny revelou-se
como o mais indicado para obtenção dos contornos das orlas definidas na imagem.
Conclui-se ainda através do algoritmo realizado para sobrepor as imagens dos cortes centrais onde
se evidenciam as lesões, que este agrupa as lesões e torna-as mais percetíveis, no entanto causa
alguma distorção e perda de qualidade na mesma.
Conclui-se através deste estudo que as técnicas de pré-processamento são fundamentais para a
obtenção de melhores resultados nas posteriores etapas, nomeadamente na etapa de segmentação.
Verifica-se também que esta etapa se torna uma mais-valia para médicos e doentes pois é possível
detetar mais facilmente e precocemente a existência de lesões.
7.2 Trabalho futuro
Este trabalho permite confirmar que as técnicas de processamento e análise de imagem são
bastante úteis para deteção de lesões de esclerose múltipla e assim ajudar profissionais de saúde no
diagnóstico da mesma. Como trabalho futuro pretende-se dar continuidade ao trabalho até aqui
desenvolvido e reformulá-lo tendo como finalidade auxiliar o diagnóstico desta problemática tão atual
na nossa sociedade. Neste sentido, será tida em conta a etapa de melhoramento de imagem para
aplicação de qualquer técnica posterior, uma vez que esta se revelou fundamental.
Pretende-se desenvolver no futuro algoritmos capazes de identificar automaticamente as lesões
de esclerose múltipla e classificá-las de acordo com características específicas, tais como dimensões
e número de lesões referentes a um dado paciente.
Referências i
Referências
Acharya T, R. A. (2005). Image Segmentation. Image Processing - Principles an applications. New Jersey: John Willey & Sons, Inc;, 131-156. Amaral, A. L. A., M.; Mota, M.; Ferreira, E. C. (2014). Aplicações de Técnicas de Processamento e Análise de Imagem em Processos Biotecnológicos. 1-7. Arshad, N. (2013). Digital radiographic image enhancement for improved visualization. HITEC University Taxila, Department of Electrical Engineering. Ashburner J., F. K. J. (2000). Voxel-based morphometry: the methods. NeuroImage 11 (6), 805-821. Ashwini Gulhane PLP, D. S. C. (2012). A Review of Image Data Clustering Techniques. International Journal of Soft Computing and Engineering Volume-2. Awcock, G. J. T., R. (1996). Applied Image Processing. New York: McGraw-Hill. Barkhof F, S. R., Hazewinkel M. (2013). Radiology Assistant: Multiple Sclerosis. Disponível em http://www.radiologyassistant.nl/en/p4556dea65db62/multiple-sclerosis.html Acesso em 27/Abril/2016. Bezdek J.C., H. L. O., Clarke L.P.. (1993). Review of MR image segmentation techniques using pattern recognition,. Med. Phys. 20 (4), 1033-1048. Boesen K., R. K., Schaper K., Stoltzner S., Woods R., Luders E., Rottenberg D.,. (2004). Quantitative comparison of four brain extraction algorithms. NeuroImage 22 (3), 1255-1261. Bushberg, J. T. (2002). The essential physics of medical imaging. 2nd ed. Philadelphia:Lippincott Williams & Wilkins, xvi, , 933 p. Cabezas M., O. A., Valverde S., Beltran B., Freixenet J., Vilanova J. C. , Ramió-Torrentà L., Rovira A., Lladó X. (2014). BOOST: A supervised approach for multiple sclerosis lesion segmentation. Journal of Neuroscience Methods, 237, 108-117. Campilho, A. (2016). Image Enhancement (Part 2) - Biomedical Image Analysis. Canny, J. (1986). A Computational Approach to Edge Detection. IEEE Trans. Pattern Analysis and Machine Intelligence, 8:679-714, . Clanet M., L.-C. O. (1998). La sclérose en plaques. John Libbey Eurotext. Clarke L.P. , V. R. P., Camacho M.A. , Heine J.J. ,Vaidyanathan M. , Hall L.O., Thatcher R.W., Silbiger M.L.,. (1995). MRI segmentation: methods and applications. Magn. Reson. Imag. 13 (3), 343-368.
Referências i
Compston, A. C., A. (2002). Seminar: Multiple sclerosis. Lancet, 359: 1221–31. Conci, A. A., Eduardo. Leta, Fabiana R. . , 2008. 407 p. 2 v. (2008). Computação Gráfica: Teoria e Prática. Rio de Janeiro: Campus, 2, 407. Courtney, W. S. (2006). All About Multiple Sclerosis. Multiple Sclerosis Association of America, Third Edition. Datta S., N. P. A. (2011). Automated brain extraction from T2-weighted magnetic resonance images. J. Magn. Reson. 33 (4), 822-829. Dhawan, A. P. (2003). Medical Image Analysis. IEEE Press Series on Biomedical Engineering, John Wiley & Sons. Doyon D., C. E. A. e. a. (2001). IRM: imagerie par résonance magnétique. Masson. Dua T., R. P. (2008). Atlas: Multiple Sclerosis Resources in the World 2008. World Health Organization. Ebers GC. (2008). Environmental factors and multiple sclerosis. Lancet Neurol, 7:268-277. Edges, J. B. (2002). Digital Image Processing. 5 ed, Berlin: Springer-Verlag; , 315-338. Federation, M. S. I. (2013). Atlas of MS 2013: Mapping Multiple Sclerosis Around the World. Ganiler O, O. A., Diez Y, Freixenet J, Vilanova JC, Beltran B, et al. (2014). A subtraction pipeline for automatic detection of new appearing multiple sclerosis lesions in longitudinal studies. Neuroradiology, 56:363-374. García-Lorenzo D, F. S., Narayanan S, Arnold DL, Collins DL. . (2013). Review of automatic segmentation methods of multiple sclerosis white matter lesions on conventional magnetic resonance imaging. Med Image Anal; 17, 1-18. García-Lorenzo, D., Prima, S., Parkes, L., Ferré, J.C., Morrissey, S.P., Barillot, C.,. (2008). The impact of processing workflow in performance of automatic white matter lesion segmentation in Multiple Sclerosis. . In: MICCAI Workshop in Medical Image Analysis for Multiple Sclerosis (MIAMS), New York, USA, 104-112. Gil, V. M. G., C.F. (1987). Ressonância Magnética Nuclear: Fundamentos, Métodos e Aplicações. Lisboa: Fundação Calouste Gulbenkian. Gonzalez R.C., W. P. (1987). Digital Image Processing, Second Edition. Addison-Wesley, Reading, MA,. Gonzalez RC, W. R. (2002). Introduction. Digital Image Processing, 2nd Edition. New Jersey: Prentice-Hall, Inc., 1-33. Green, W. E. Edge Detection Tutorial. Drexel Autonomous Systems Lab. Hafler DA. (2004). Multiple sclerosis. J Clin Invest, 113:788-794. Hartley S.W., S. A. I., Korf E.S.C.,White L.R. , Launer L.J., . (2006). Analysis and validation of automated skull stripping tools: A validation study based on 296 MR images from the Honolulu Asia aging study. NeuroImage 30 (4), 1179-1186. Hashemi R.H., B. J. W. G., Lisanti C.J.,. (2010). MRI: the basics. Lippincott Williams & Wilkins, Philadelphia, PA., third ed.
Referências i
Hauser, S. l., Bresnan, M.J., Reinherz, E.L. & Weiner, H.L. . (1982). Childhood multiple sclerosis: clinical features and demonstration of changes in T cell subsets with disease activity. Annals of Neurology, 11, 463-468. Hou Z. (2006). A review on MR image intensity inhomogeneity correction. Int. J. Biomed. Imag. 2006, 1-11. Jenkinson M, B. C., Behrens TEJ, Woolrich MW, Smith SM. (2012). FSL. NeuroImage 62:782-790. Johnston B., A. M. S., Mackiewich B., Anderson M.,. (1996). Segmentation of multiple sclerosis lesions in intensity corrected multispectral MRI. IEEE Trans. Med. Imag.15 (2), 154-169. Kantarci, H. O. W. G. B. (2013). Natural history of multiple sclerosis. Neurologic Clinics,, 23(1), 17-38. Klein A, A. J., Ardekani BA, Ashburner J, Avants BB, Chiang M, et al. (2009). Evaluation of 14 nonlinear deformation algorithms applied to human brain MRI registration. NeuroImage, 46:786-802. Kurtzke J.F. (1983). Rating neurologic impairment in multiple sclerosis: an expanded disability status scale (EDSS). Neurology,, v. 33, n. 11, p. 1444-1452. Lladó X, O. A., Cabezas M, Freixenet J , Vilanova JC, Quiles A, Valls L, Ramió L , Rovira A. (2012). “Segmentatión of multiple sclerosis lesions in brain MRI: A review of automated approaches,”. Information Sciences, vol. 186, no. 1(pp. 164-185). Lufkin, R. B. (1999). Manual de Ressonância Magnética. 2ª Edição. Rio de Janeiro: Guanabara Koogan. Manjon, J. V. C., P.; Buades, A.; Collins, D. L.; Robles M.. . (2012). New Methods for MRI Denoising based on Sparseness and Self-Similarity. Medical Image Analysis, 16(1), 18-27. Matlab, I. a. K. F. (2016). Disponível em http://www.mathworks.com/products/matlab/description1.html. Acesso em 28/Abril/2016. McDonald WI, C. A., Edan G, Goodkin D, Hartung HP, Lublin FD, et al. (2001). Recommended diagnostic criteria for multiple sclerosis: guidelines from the International Panel on the diagnosis of multiple sclerosis. . Ann Neurol.50(1), 121-127. Minguetti, G. (2001). Ressonância Magnética na Esclerose Múltipla. Arq Neuropsiquiatr v. 59 nº 3, 563-569. Nyúl LG, U. J., Xhang X. . (2000). New variants of a method of MRI scale standardization. IEEE Trans Med Imaging, 19:143-150. Patel Y., B. V., Krupp L. (2009). Pediatric multiple sclerosis. Annals of the Indian Academy of Neurology, 12 (4), 238-245. Pedrini, H. S., W. R.. (2007). Análise de Imagens Digitais: Princípios, Algoritmos e Aplicações. 1 ed. São Paulo. SP: Thomson Learning Edições., 1, 508. Perona P, M. J. (1990). Scale-space and edge detection using anisotropic diffusion. IEEE Trans Pattern Anal Mach Intell, 12:629-639. Petronella Anbeek, K. L. V., Matthias J.P. van Osch, Robertus H.C. Bisschops, and Jeroen van der Grond. (2004). “Probabilistic segmentation of white matter lesions in MR imaging,” NeuroImage, vol. 21, no. 3,, pp.1037 - 1044.
Referências i
Polman CH, R. S., Edan G, Filippi M, Hartung HP, Kappos L, et al. (2005). Diagnostic criteria for multiple sclerosis: 2005 revisions to the "McDonald Criteria". Ann Neurol.50(1), 58(6):840-6. Prasad, P. V. (2006). Magnetic resonance imaging : methods and biologic applications. Methods in molecular medicine. . Totowa, N.J.: Humana Press., xv, 447 p. Rangayyan, R. M. (2005). Biomedical Image Analysis. CRC Press LLC. Rehm K., S. K., Anderson J., Woods R., Stoltzner S., Rottenberg D.,. (2004). Putting our heads together: a consensus approach to brain/non-brain segmentation in T1-weighted MR volumes. NeuroImage 22 (3), 1262-1270. Roura E, O. A., Cabezas M, Vilanova JC, Ramió-Torrentà L, Rovira À, et al. . (2014). MARGA: multispectral adaptive region growing algorithm for brain extraction on axial MRI. . Comput Methods Progr Biomed. Rovira A, L. A. (2008). MR in the diagnosis and monitoring of multiple sclerosis: an overview. Eur J Radiol, 67:409-414. Rudge P. (1999). The value of natural history studies of multiple sclerosis. . Brain., 122(Pt 4):591-2. Rueckert D, S. L., Hayes C, Hill DLG, Leach MO, Hawkes DJ. . (1999). Nonrigid registration using free-form deformations: application to breast MR images. IEEE Trans Med Imaging, 18:712-721. Schmidt P, G. C., Arsic M, Buck D, Forschler A, Berthele A, et al. . (2012). An automated tool for detection of FLAIR-hyperintense white-matter lesions in multiple sclerosis. NeuroImage, 59:3774-3783. Seghier M.L., R. A. J., Criniona A.P.L., Pricea C.J.. (2008). Lesion identification using unified segmentation-normalisation models and fuzzy clustering. NeuroImage 41 (4), 1253-1266. Shattuck D.W., S.-L. S. R., Schaper K.A., Rottenberg D.A., Leahy R.M., . (2001). Magnetic resonance image tissue classification using a partial volume model,. NeuroImage 13 (5), 856-876. Siqueira, M. L. (2010). Reconhecimento Automático de Padrões em Imagens Ecocardiográficas. Tese de Doutoramento. Universidade Federal do Rio Grande do Sul. Programa de Pós-Graduação em Computação, Porto Alegre, BR-RS., 108. Sled J., Z. A., Evans A., . (1998). A nonparametric method for automatic correction of intensity nonuniformity in MRI data. IEEE Trans. Med. Imag., 17 (1), 87-97. Smith S.M. (2002). Fast robust automated brain extraction. Hum. Brain Map. 17 (3), 143-155. Sonka, M. H., V.; Boyle, R. . (1998). Image processing, analysis and machine vision. . Pacific Grove: PWS Publishing. Souplet J., L. C., Chanalet S., Ayache N., Malandain G.,. (2009). Revue des approches de segmentation des lesions de sclerose en plaques dans les sequences conventionnelles IRM. Rev. Neurol. 165 (1), 7-14. Tavares, J. M. R. S. (2013). Relatório Pedagógico e Científico da Unidade Curricular: Processamento e Análise de Imagens em Engenharia. Faculdade de Engenharia da Universidade do Porto, 12-20. Thomé, A. G. (2016). Processamento de Imagens: Tratamento da Imagem - Filtros Universidade Federal do Rio de Janeiro - IM/DCC & NCE.
Referências i
Tustison NJ, A. B., Cook PA, Zheng Y, Egan A, Yushkevich PA, et al. (2010). N4ITK: improved N3 bias correction. IEEE Trans Med Imaging, 29:1310-1320. Vasconcelos, M. J. (2003). Seminário: Modelos Pontuais de Distribuição em Visão por Computador , Mestrado em Estatística Aplicada e Modelação, FEUP. Vovk U., P. F., Likar B.,. (2007). A review of methods for correction of intensity inhomogeneity in MRI. IEEE Trans. Med. Imag. 26 (3), 405-421. Wei X., W. S. K., Zou K.H., Wu Y., Li X., Guimond A., Mugler J.P., Benson R.R., Wolfson L., Weiner H.L., Guttmann C.R.G.,. (2002). Quantitative analysis of MRI signal abnormalities of brain white matter with high reproducibility and accuracy. . Journal of Magnetic Resonance Imaging 15, 203-209. Westbrook, C. R., C. K.; Talbot, J. (2011). MRI: In practice, 4th Edition. Wiley-Blackwell. Wu Y., W. S. K., Tan I.L., Wells W., Meier D., van Schijndel R. , Barkhof F., Guttmann C., . (2006). Automated segmentation of multiple sclerosis lesion subtypes with multichannel MRI. NeuroImage 32 (3), 1205-1215.
Top Related