FERRAMENTA DE AUXÍLIO DIAGNÓSTICO PARA O TRATAMENTO DE ACIDENTES VASCULARES CEREBRAIS. Elias Restum Antonio

Transcrição

1 FERRAMENTA DE AUXÍLIO DIAGNÓSTICO PARA O TRATAMENTO DE ACIDENTES VASCULARES CEREBRAIS Elias Restum Antonio TESE SUBMETIDA AO CORPO DOCENTE DA COORDENAÇÃO DOS PROGRAMAS DE PÓS-GRADUAÇÃO DE ENGENHARIA DA UNIVERSIDADE FEDERAL DO RIO DE JANEIRO COMO PARTE DOS REQUISITOS NECESSÁRIOS PARA A OBTENÇÃO DO GRAU DE DOUTOR EM CIÊNCIAS EM ENGENHARIA CIVIL. Aprovada por: Prof. Nelson Francisco Favilla Ebecken, D.Sc. Prof. Alexandre Gonçalves Evsukoff, D.Sc. Prof. Alair Augusto S. M. Damas dos Santos, D. Sc. Prof. Hélio José Corrêa Barbosa, D. Sc. Prof. Antonio Cesar Ferreira Guimarães, D. Sc. RIO DE JANEIRO, RJ BRASIL ABRIL DE 2008

2 ANTONIO, ELIAS RESTUM Ferramenta de Auxílio Diagnóstico para o Tratamento de Acidentes Vasculares Cerebrais [Rio de Janeiro] 2008 XIV, 128 p. 29,7 cm (COPPE/UFRJ, D.Sc., Engenharia Civil, 2008) Tese - Universidade Federal do Rio de Janeiro, COPPE 1. Radiologia 2. Redes Neurais 3. Interface I. COPPE/UFRJ II. Título (série) ii

3 A Deus, aos meus pais, à minha esposa e aos meus queridos filhos iii

4 AGRADECIMENTOS A Deus, por me confortar e me orientar em todos os instantes da vida, me dando ainda a saúde e a determinação necessárias ao desenvolvimento desse trabalho. Aos meus pais, pelo incentivo e contribuição na minha formação como pessoa e como profissional. A minha esposa Andréa pelo apoio, ajuda e paciência em todos os instantes. Ao professor Nelson, por todo o conhecimento e incentivo transmitidos, bem como pela confiança em mim depositada. Ao meu amigo Vincenzo pela ajuda e incentivo. A todos os professores, colegas e funcionários que, de alguma forma ajudaram no desenvolvimento desse trabalho. iv

5 Resumo da Tese apresentada à COPPE/UFRJ como parte dos requisitos necessários para a obtenção do grau de Doutor em Ciências (DSc.) FERRAMENTA DE AUXÍLIO DIAGNÓSTICO PARA O TRATAMENTO DE ACIDENTES VASCULARES CEREBRAIS Elias Restum Antonio Abril/2008 Orientador: Nelson Francisco Favilla Ebecken Programa: Engenharia Civil Perda súbita de movimentos e de fala não precedidas por cefaléia ou outros sintomas de doenças evolutivas podem significar a ocorrência de AVC - Acidente Vascular Cerebral. Relatos médicos revelaram que o tratamento clínico dos AVCs é dependente do tipo de lesão ocorrida. No caso de lesões hemorrágicas o tratamento clínico deverá se basear na administração de medicamentos com funções de inibir o fluxo sanguíneo e priorizar a coagulação. Em contrapartida, se tratando de lesões isquêmicas, o tratamento clínico emergencial deverá ser fundamentado no aumento do fluxo sanguíneo com a administração de medicamentos anticoagulantes. O principal objetivo deste trabalho é a aplicação de técnicas de inteligência computacional e processamento de imagens na identificação de áreas hiperdensas e/ou hipodensas anormais em exames de Tomografia Computadorizada de Crânio em conjunto com a história clínica do paciente, para ajuda na decisão de procedimento emergencial para o tratamento clínico de AVC. As inovações propostas são a utilização da técnica de redes neurais com entradas baseadas nas anamneses coletadas, em conjunto com as imagens dos exames, para detecção da ocorrência de AVC hemorrágico ou isquêmico e a disponibilização de uma ferramenta amigável para ajuda no processo de decisão do tratamento clínico. Os objetivos deste trabalho foram alcançados. Foram obtidos valores de sensibilidade e especificidade de 96% e 94%, respectivamente, que demonstraram o bom desempenho do método e da ferramenta. v

6 Abstract of Thesis presented to COPPE/UFRJ as a partial fulfillment of the requirements for the degree of Doctor of Science (DSc.) A COMPUTER-AIDED DIAGNOSIS TOOL TO HELP THE TREATMENT OF VASCULAR CEREBRAL ACCIDENTS Elias Restum Antonio April/2008 Advisor: Nelson Francisco Favilla Ebecken Department: Civil Engineering Sudden loss of movements and speak non preceded by headache or other symptoms of evolutive diseases can indicate a Cerebral Vascular Accident CVA. Medical reports revealed that the treatment of CVAs is dependant of the type of the lesion occurred. In case of hemorrhagic lesions, the clinical treatment must be based on the administration of medicines with the goal of inhibiting blood flow and priorizing coagulation. In the other hand, ischemic lesions require that the clinical treatment must be established considering the increasing of blood flow with the administration of anticoagulation medicines. The main objective of this work is the use of computational intelligence and image processing techniques in the identification of abnormal hyperdensive and/or hypodensive areas in Computed Tomography exams of the Brain together with the analysis of the patient s clinical history, to help in the decision of the emergency procedure of the CVA treatment. The main innovations proposed in this work are the use of neural networks and image processing with inputs based on the collected anamnesis and the images of the exams, with the goal of detecting hemorrhagic or ischemic CVA and to make available to physicians a tool suitable to help in the decision of the clinical treatment. The targets of this work were reached. Sensitivity and specificity values were 96% and 94%, respectively, which showed the good performance of both the method and the tool. vi

7 INDICE 1 INTRODUÇÃO OBJETIVOS COMPOSIÇÃO DO TRABALHO SÍNDROME DE ACIDENTE VASCULAR CEREBRAL ACIDENTES VASCULARES ENCEFÁLICOS Abordagem Inicial do Paciente com Possível AVC Conceitos e Classificações Como Identificar a Topografia da Lesão? Como Identificar a Natureza da Lesão? Como Identificar a Fase de Evolução da Doença? Indicações da TC Cranioencefálica DOENÇA VASCULAR CEREBRAL ISQUÊMICA TC do Infarto Cerebral DOENÇA VASCULAR CEREBRAL HEMORRÁGICA HSA Hemorragia Subaracnóide HIP Hemorragia Intraparenquimatosa HIV - Hemorragia Intraventricular Aneurisma DICOM INTRODUÇÃO EVOLUÇÃO HISTÓRICA CONSTITUIÇÃO DA NORMA IMAGENS MÉDICAS ANÁLISE DE IMAGENS MÉDICAS IMAGENS MÉDICAS RX E TC PROCESSAMENTO DE IMAGENS LIMIARIZAÇÃO MORFOLOGIA MATEMÁTICA MORFOLOGIA BINÁRIA Aspecto Digital...38 vii

8 5.3.2 Erosão Binária Dilatação Binária Erosão em escala de cinza Dilatação em escala de cinza Abertura Fechamento MEDIDAS DE TAMANHO VISUALIZAÇÃO 3D CAD COMPUTER-AIDED DIAGNOSIS INTRODUÇÃO VISÃO COMPUTACIONAL E INTELIGÊNCIA ARTIFICIAL AUXÍLIO À DETECÇÃO AUXÍLIO AO DIAGNÓSTICO MEDIDAS DE DESEMPENHO E CARACTERÍSTICAS EXEMPLO DE CAD PARA CARACTERIZAÇÃO DE MICROCALCIFICAÇÕES EM MAMOGRAFIA EXEMPLO DE CAD PARA ANÁLISE DE NÓDULO PULMONAR UTILIZAÇÃO DA ANÁLISE DE COMPONENTES PRINCIPAIS E REDES NEURAIS ARTIFICIAIS PARA CLASSIFICAÇÃO DE NÓDULOS EM MAMOGRAFIAS DIGITALIZADOS RECUPERAÇÃO DE IMAGENS POR CONTEÚDO ATRAVÉS DE REGIÕES DETERMINADAS AUTOMATICAMENTE PELA ENERGIA EXTRAÇÃO DE CARACTERÍSTICAS DE IMAGENS MÉDICAS BASEADAS NA DISTRIBUIÇÃO DE COR NOS ESPAÇOS DE WAVELETS EXEMPLO DE CAD BASEADO EM DADOS CLÍNICOS METODOLOGIA INTRODUÇÃO CONSTRUÇÃO DO BANCO DE DADOS Busca de informações relevantes no Banco de Dados do RIS Imagens Anamnese PRE-PROCESSAMENTO Imagens Anamnese...96 viii

9 7.4 CODIFICAÇÃO Imagens Anamnese Conjunto de treinamento e testes REDE NEURAL RESULTADOS E DISCUSSÃO AVALIAÇÃO DO MODELO PARA DETECÇÃO DE AVCS Seleção de dados Testes para a escolha da melhor arquitetura de rede neural Teste da importância dos dados secundários da anamnese Teste da importância dos parâmetros clínicos e radiológicos Teste da importância dos filtros morfológicos A FERRAMENTA DIAGRAMA DO CONTEXTO DO SISTEMA CAD-BR DIAGRAMA DE FLUXO DE DADOS DO SISTEMA CAD-BR DIAGRAMA DE TRANSIÇÃO DE ESTADOS DO SISTEMA CAD-BR FUNCIONAMENTO DO SISTEMA CAD-BR TELAS DO PROGRAMA CONCLUSÃO REFERÊNCIAS BIBLIOGRÁFICAS ix

10 Lista de Abreviações AAPM ACR AIT AVC AVE CAD DEV DEVH DEVI DICOM DNIPR DNIR HIC HIP HIV HSA IC IOD ISO-OSI IT JPEG LCR MM NASA NEMA PACS PCA PI RIND RM RNA RSNA TC TCP/IP American Association of Physicists in Medicine American College of Radiology Ataque Isquêmico Transitório Acidente Vascular Cerebral Acidente Vascular Encefálico Computer Aided Diagnosis Doença encefalovascular Doença encefalovascular hemorrágica Doença encefalovascular isquêmica Digital Imaging and Communication in Medicine Déficit neurológico isquêmico parcialmente reversível Déficit neurológico isquêmico reversível Hemorragia intracraniana Hemorragia intraparenquimatosa Hemorragia intraventricular Hemorragia subaracnóidea Icto completo Objeto de informação International Standards Organization Open Systems Interconnection Icto transitório Joint Photographic Experts Group Líquido cefalorraquidiano Morfologia Matemática National Aeronautics and Space Administration National Electrical Manufactures Association Picture Archiving and Communication System Análise de Componentes Principais Pequeno icto Reversible Ischemic Neurologic Deficit Ressonância Magnética Rede Neural Artificial Radiological Society of North America Tomografia Computadorizada Transmission Control Protocol/Internet Protocol x

11 Índice de Figuras Figura Imagem de TC característica de AVC Isquêmico Figura Imagem de TC característica de AVC Hemorrágico Figura Vista inferior do cérebro e das artérias da base do cérebro Figura Representação esquemática do polígono de Willis, artérias do cérebro e tronco cerebral Figura Exemplo de escala de cinza Figura Quadrados de densidades diferentes Figura Inserção de área de baixa densidade Figura Inserção de áreas de baixa e alta densidades Figura Radiografia convencional Figura Atenuação resultante de raio-x de imagem heterogênea Figura Formação de uma imagem de Tomografia Figura 5.1 Imagem de um exame de Tomografia Computadorizada do Crânio Figura 5.2 Imagem após filtro por densidade (limiarização) entre 60 e 80 UH Figura 5.3 Representação do elemento estruturante Figura 5.4 Outra representação do elemento estruturante Figura 5.5 Elemento estruturante transposto Figura 5.6 Representação do conjunto X Figura 5.7 Exemplo de erosão de um conjunto X pelo elemento estruturante B Figura Exemplo de erosão com X e B Figura Pixel irrelevante resultante do conjunto erodido Figura Pixel relevante resultante do conjunto erodido Figura 5.11 Resultado da erosão Figura Exemplo de erosão com X e B Figura Pixel irrelevante resultante do conjunto erodido Figura Pixel relevante resultante do conjunto erodido Figura 5.15 Resultado da erosão Figura 5.16 Exemplo de erosão Figura 5.17 Exemplo de erosão Figura 5.18 Exemplo de dilatação de um conjunto X pelo elemento estruturante B.. 44 Figura 5.19 Exemplo de dilatação com X e B xi

12 Figura Pixel irrelevante resultante do conjunto dilatado Figura Pixel relevante resultante do conjunto dilatado Figura 5.22 Resultado da dilatação Figura 5.23 Exemplo de dilatação Figura 5.24 Exemplos de elementos estruturantes Figura 5.25 Exemplos de elementos estruturantes Figura Imagem após aplicação de filtro por erosão Figura Imagem após aplicação de filtro por dilatação Figura 5.28 Cabeçalho de um arquivo DICOM contendo, dentre outras informações, o tamanho do pixel Figura 5.29 Medições de distância realizadas em imagem DICOM Figura 5.30 Vistas frontal, superior e inferior na visualização 3D Figura Extração do parênquima pulmonar Figura 6.2 Aplicação da transformada de wavelets sobre uma imagem Figura 6.3 Gráficos da energia Figura Decomposição wavelet 2D. Imagem original, primeiro e segundo nível de decomposição Figura Uso dos dados da anamnese em conjunto com os dados das imagens Figura 7.2 Fluxo de separação das imagens dos exames Figura 7.3 Imagens de um exame de Tomografia Computadorizada - AVC Isquêmico Figura 7.4 Imagens de um exame de Tomografia Computadorizada - AVC Hemorrágico Figura 7.5 Cabeçalho DICOM mostrando alteração do nome do paciente Figura 7.6 Ficha de Anamnese Figura AVC Hemorrágico Figura AVC Isquêmico Figura AVC Isquêmico e imagem pós filtragem Figura AVC Hemorrágico e imagem pós filtragem Figura Erosão Figura Dilatação Figura 7.13 Exemplo da rede neural utilizada Figura 8.1 Variação da taxa de erro em relação à quantidade de épocas para rede neural Backpropagation com 7 neurônios na camada escondida xii

13 Figura 8.2 Gráfico comparativo das taxa de erro em relação à quantidade de neurônios na camada escondida para rede neural Figura 8.3 Gráfico comparativo da taxa de erro em relação ao valor de saída da rede neural Figura 8.4 Variação da taxa de erro em relação à quantidade de épocas para rede neural backpropagation com 7 neurônios na camada escondida Figura 8.5 Gráfico comparativo da taxa de erro em relação aos parâmetros utilizados Figura 8.6 Gráfico comparativo da importância dos parâmetros clínicos e radiológicos Figura 8.7 Gráfico comparativo da importância dos filtros morfológicos Figura 9.1 Diagrama do contexto do sistema CAD-BR Figura 9.2 Diagrama de Fluxo de Dados (DFD) do sistema CAD-BR Figura 9.3 Diagrama de Transição de Estados (DTE) do sistema CAD-BR Figura 9.4 Tela de abertura Figura 9.5 Tela de seleção da pasta onde estão as imagens do exame Figura 9.6 Seleção do arquivo de anamnese: importação ou preenchimento manual117 Figura 9.7 Tela de preenchimento da ficha de anamnese Figura 9.8 Tela de resultado xiii

14 Índice de Tabelas Tabela 2.1 Diagnóstico Clínico Diferencial entre DEVI e DEVH Tabela 2.2 Regra dos 80/ Tabela 6.1 Codificação das patologias Tabela 6.2 Registros utilizados como entrada da Rede Neural Tabela 7.1 Exemplo de quantificação para uma TC de Crânio Tabela 7.2 Parâmetros Clínicos - Grupo Primário Tabela 7.3 Parâmetros Clínicos - Grupo Secundário Tabela 7.4 Codificação dos parâmetros clínicos Tabela Registros da base de dados utilizados como entrada da rede neural Tabela 7.6 Codificação das Patologias Tabela Resultados dos testes com tamanho da camada intermediária da RN Tabela 8.2 Valores limite Tabela Resultados dos testes da influência do valor de saída na rede neural Tabela 8.4 Importância dos dados secundários da anamnese Tabela 8.5 Importância dos parâmetros clínicos e radiológicos Tabela 8.6 Importância dos filtros morfológicos Tabela 9.1 Exemplos de arquivos texto xiv

15 1 Introdução 1.1 Objetivos Este estudo tem por objetivo a identificação de áreas hiperdensas e/ou hipodensas anormais em exames de Tomografia Computadorizada de Crânio em conjunto com a história clínica do paciente, para ajuda na decisão de procedimento emergencial para o tratamento clínico de AVC Acidente Vascular Cerebral. De importância relevante está a identificação do posicionamento / mapeamento das regiões hiperdensas ou hipodensas na região intracraniana sugerindo a ocorrência de Acidentes Vasculares Cerebrais (AVCs) Hemorrágicos ou Isquêmicos, respectivamente. A associação da história clínica do paciente e o tipo de componente encontrado (alta ou baixa densidade) são de fundamental importância para a descrição do achado. Perda súbita de movimentos e de fala não precedidas por cefaléia ou outros sintomas de doenças evolutivas podem significar a ocorrência de AVC - Acidente Vascular Cerebral. Relatos médicos revelaram que a tratamento clínico dos AVCs é dependente do tipo de lesão ocorrida. No caso de lesões hemorrágicas o tratamento clínico deverá se basear na administração de medicamentos com funções de inibir o fluxo sanguíneo e priorizar a coagulação. Em contrapartida, se tratando de lesões isquêmicas, o tratamento clínico emergencial deverá ser fundamentado no aumento do fluxo sanguíneo com a administração de medicamentos anticoagulantes. Em função do antagonismo existente entre os dois casos e de seus respectivos tratamentos clínicos, faz-se necessária a realização de exame de diagnóstico por imagens para definição da conduta médica. Considerando-se a necessidade de interpretação das imagens resultantes do referido exame (geralmente Tomografia Computadorizada TC do Crânio), da urgência na identificação do tipo de lesão e da possível indisponibilidade momentânea de médico radiologista, torna-se de grande utilidade um sistema de suporte ao tratamento clínico dos casos em questão. Segundo TARR RW, os objetivos do estudo por imagens do encéfalo em pacientes com sintomas compatíveis com síndrome de AVC são vários: Documentar a presença ou ausência de hemorragia. Esta informação é fundamental, pois a anticoagulação é um tratamento padrão para acidentes vasculares cerebrais isquêmicos trombóticos ou embólicos. 1

16 Determinar a localização e a extensão da lesão encefálica. Principalmente no estágio subagudo, excluir outras condições tais como massas intra-axiais ou extra-axiais que podem imitar a síndrome de acidente vascular cerebral. 1.2 Composição do Trabalho Além do capítulo introdutório com os objetivos da pesquisa e conceitos básicos de radiologia, esta proposta conta com outros oito capítulos e está dividida conforme se segue: Capítulo 2 Este capítulo visa apresentar os principais aspectos relativos à síndrome de acidente vascular cerebral. Capítulo 3 Descreve as principais características do protocolo DICOM, um breve histórico e a constituição da norma. Capítulo 4 Apresenta conceitos sobre imagens médicas e a Tomografia Computadorizada. Capítulo 5 Este capítulo tem por objetivo apresentar as técnicas de processamento de imagens utilizadas neste trabalho. Capítulo 6 Descreve os principais objetivos de ferramentas CAD, bem como apresenta estudos de casos na utilização da ferramenta e medidas de desempenho. Capítulo 7 Apresenta a metodologia que será empregada para o desenvolvimento da ferramenta auxiliar para o tratamento de pacientes com suspeita de acidente vascular cerebral. Capítulo 8 Descreve os testes e as discussões sobre a técnica proposta. Capítulo 9 Apresenta a ferramenta desenvolvida no trabalho. Capítulo 10 Apresenta a conclusão e sugestões de trabalhos futuros. 2

17 2 Síndrome de Acidente Vascular Cerebral 2.1 Acidentes Vasculares Encefálicos Os acidentes vasculares encefálicos, também conhecidos como acidentes vasculares cerebrais ou pelas siglas AVE e AVC, são lesões vasculares que ocorrem no interior do encéfalo e dividem-se basicamente em lesões isquêmicas e hemorrágicas. A apresentação clínica dessas entidades é muito semelhante, pois apresentam início súbito e são, geralmente, manifestas por déficit motor e sensorial de um lado do corpo, associado à dificuldade de fala. A importância da parte de imagem está essencialmente na detecção dessas lesões e principalmente na diferenciação do evento isquêmico para o evento hemorrágico. O principal método de diferenciação é a tomografia computadorizada que permite um exame rápido, com boa capacidade de diferenciação entre eventos isquêmicos e hemorrágicos, permitindo também fazer o diagnóstico de outras entidades que podem simular os acidentes vasculares encefálicos como eventualmente tumores. Segundo MODIC M T, em um estudo envolvendo 756 casos de AVC, 82% tiveram origem tromboembólica 1 (isquêmica) enquanto 18% tiveram origem hemorrágica. Os acidentes vasculares encefálicos, por serem eventos emergenciais, podem ocorrer em situações e momentos onde o médico não está no momento da execução do exame tomográfico, tornando-se, portanto, importante o desenvolvimento de um método que permita a caracterização e principalmente diferenciação dos eventos isquêmicos e hemorrágicos. Atualmente várias clínicas e hospitais mantém operante o serviço de Tomografia Computadorizada ao longo do dia, porém não necessariamente têm um médico em associação para execução e interpretação do laudo tomográfico. Quanto ao aspecto de imagem, a lesão isquêmica se manifesta por áreas hipodensas, ou seja, de menor densidade que o parênquima adjacente, e as lesões hemorrágicas se apresentam com imagens hiperdensas, ou seja, de maior densidade que o parênquima cerebral encefálico adjacente. 1 É denominada embolia ou embolismo a obstrução de um vaso (seja ele venoso, arterial ou linfático) pelo deslocamento de um êmbolo até o local da obstrução, que pode ser um coágulo (denominando-se então tromboembolia), tecido adiposo (embolia gordurosa), ar (embolia gasosa) ou um corpo estranho (como embolias iatrogênicas por pontas de cateter). 3

18 A síndrome de acidente vascular cerebral pode ser definida como a ocorrência de um déficit neurológico focal súbito, não convulsivo. É a doença neurológica com risco de vida mais comum e é a terceira principal causa de morte nos Estados Unidos, superada apenas pelo câncer e pela cardiopatia. A incidência anual de novos acidentes vasculares cerebrais é de aproximadamente Há múltiplas possíveis etiologias da síndrome de acidente vascular cerebral. Para o objetivo deste estudo, as doenças são, de maneira geral, classificadas como isquêmicas ou hemorrágicas. Há cerca de três décadas o "rótulo diagnóstico" de AVC, especialmente o hemorrágico, implicava para a maioria dos médicos uma situação altamente desfavorável, da qual a saída inevitável era a morte ou seqüelas severas. Daquele tempo aos dias de hoje, dois aspectos básicos contribuíram decisivamente para modificar a referida situação: o primeiro deles é o melhor conhecimento da doença e a adequação de métodos de tratamento (dentre os quais, destacam-se os estudos dos fatores de risco e a imediata aplicação de profilaxia de AVC); o segundo aspecto refere-se à maior possibilidade de difusão, entre os próprios médicos, do conhecimento médico. De modo geral, pode-se dizer que o prognóstico de um doente com AVC depende de três fatores básicos: condições prévias, gravidade do AVC e adequação do tratamento empregado. É apenas neste último fator que se pode atuar quando se atende um paciente com AVC instalado Abordagem Inicial do Paciente com Possível AVC Usualmente o que sugere um AVC é a apresentação de um quadro agudo, no qual o paciente encontra-se com depressão do estado de consciência e/ou déficits motores. Deve-se, portanto, ter sempre em mente a possibilidade de diagnósticos diferenciais, em alguns dos quais os pacientes podem ser tratados com melhores resultados, e que a falta de tratamento adequado pode representar a diferença entre a recuperação completa e a morte ou seqüelas graves. Frente a um paciente com possível AVC, a rotina de atendimento é análoga à adotada para um doente com depressão do estado de consciência: Se não há parada cardíaca (fato que requer medidas específicas como massagem cardíaca, adrenalina etc.), a ventilação do doente deve ser mantida adequadamente (mesmo que os parâmetros respiratórios sejam bons). O rápido exame da cavidade orofaríngea deve ser feito e retirados possíveis obstáculos mecânicos, como próteses dentárias móveis. Existem protocolos 4

19 que sugerem que qualquer paciente com depressão de estado de consciência abaixo de 8 ou 10 na Escala de Glasgow 2 deve ser submetido à intubação endotraqueal; a prática diária mostra que nem sempre se está habilitado para tal procedimento (se assim for, pelo menos deve-se manter o paciente em decúbito lateral para evitar aspiração de vômitos). Punciona-se uma veia periférica para colheita de exames (se for possível, deve-se fazer avaliação da glicemia por glicosímetro) e administram-se 40ml de glicose a 50%. Inicia-se tratamento para crise hipertensiva ou choque. Não se deve corrigir hipertensão arterial, a menos que os níveis sejam acima de 200/l20mm de Hg. Esta rotina de conduta visa tratar dois tipos básicos de diagnósticos diferenciais com o AVE: a hipoglicemia e as depressões de estado de consciência devidas a depressores do sistema nervoso central. Devem-se procurar sistematicamente sinais indicativos de trauma. Não é suficiente uma inspeção da cabeça, sendo necessária a palpação do couro cabeludo à procura de hematoma subgaleal. Hematoma intracraniano traumático pode simular AVC. A partir deste momento deve-se preocupar com dados de anamnese e com o exame detalhado do enfermo, visando programar condutas específicas caso a caso. Na maioria das vezes, uma anamnese bem conduzida identifica a instalação súbita não traumática de sintomas de disfunção encefálica e sugere fortemente a hipótese de AVE Conceitos e Classificações Na área médica, o nome AVC é habitualmente o mais utilizado. Entretanto, é necessário enfatizar que "cérebro" é a designação de uma das partes do encéfalo, a qual não inclui o tronco encefálico nem o cerebelo. Quando se utiliza o termo AVE, excluem-se cerca de 20% dos casos que comprometem o tronco e/ou o cerebelo. As designações "doença cerebrovascular", "acidente vascular cerebral", "icto cerebral" e "apoplexia cerebral" são as que usualmente compreendem-se como sinônimos. Os termos acidente, icto e apoplexia geralmente refletem a instalação 2 A Escala de Coma de Glasgow é uma escala neurológica que mostra uma forma confiável e objetiva de avaliar o estado de consciência de uma pessoa, de modo inicial ou na avaliação contínua. Seu valor também é utilizado no prognóstico do paciente. 5

20 abrupta de um processo (apoplexia refere-se mais especificamente à paralisia e perda de consciência causadas por hemorragia). Outra restrição deve ser aplicada ao termo "derrame", freqüentemente utilizado para dar informações aos pacientes e/ou familiares. Este termo significa extravasamento e seria aplicável às hemorragias; se utilizado genericamente, poderiam ser excluídos cerca de 80% dos casos de DEV, que são de natureza isquêmica. Prefere-se a utilização de termos como "isquemia", "infarto", "trombose", "embolia", "hemorragia" ou "hematoma". Entende-se por DEV todas as alterações onde uma área encefálica é, transitória ou definitivamente, afetada por isquemia e/ou sangramento, ou na qual um ou mais vasos encefálicos são envolvidos num processo patológico. Classificações que consideram a fase de evolução da DEV são mais úteis, pois levam consigo as implicações terapêuticas com ênfase na profilaxia. São elas: Paciente assintomático de alto risco Icto transitório Pequeno icto Icto completo Icto em evolução Icto em regressão Seqüela Icto Transitório (IT) A situação clínica, sintomatologia de duração menor do que 24 horas, nos anos 1970 foi definida com o termo icto isquêmico transitório ou ataque isquêmico transitório (AIT). Entretanto, desde então, inúmeros autores destacam que patogenias não vasculares podem levar a tal sintomatologia; além disso, dados de Ressonância Magnética (RM) têm demonstrado que pode haver área de infarto estabelecido. Estudos recentes demonstram que a maioria dos pacientes com IT recupera-se em menos de uma hora; média de 14 minutos para a circulação carotídea e de oito minutos para a vertebrobasilar. O IT é definido como um déficit neurológico de causa vascular, de duração menor do que 24 horas. Em grande parte dos casos de IT, a disfunção é de natureza 6

21 isquêmica e a patogenia baseia-se em fenômenos tromboembólicos. Os êmbolos (usualmente plaquetários) que se originam de placas ulceradas têm sido responsabilizados em muitos casos. As placas ulceradas são mais freqüentes na artéria carótida, em especial na região da bifurcação. Uma situação clínica rara é praticamente patognomônica de placa ulcerada da artéria carótida; trata-se da cegueira monocular transitória, na qual os êmbolos originam-se de fragmentação do trombo que se pode formar nesta placa e promovem a obstrução da artéria oftálmica deste mesmo lado. Os êmbolos podem originar-se, entretanto, em outras artérias e também a partir do coração. Em outros casos o IT pode ser causado por fenômenos de "roubo", conseqüentes à suboclusão de vasos extracranianos. Outras situações que podem ocasionar IT são as compressões vasculares extrínsecas. Assim é que a presença de costela cervical pode, por compressão da artéria vertebral, causar tontura ou perda de consciência quando o indivíduo faz movimento de rotação da cabeça. É necessário lembrar novamente que o IT pode ser decorrente de fenômeno hemorrágico, tanto em conseqüência de aneurismas ou malformações arteriovenosas congênitas que se rompem no interior do parênquima encefálico quanto de hemorragia por ruptura de aneurismas adquiridos (os de Charcot Bouchard da hipertensão arterial, os micóticos), assim como por qualquer outra causa de hemorragia intraparenquimatosa espontânea. Uma situação de diagnóstico clínico especialmente difícil ocorre quando o icto isquêmico transitório decorre de embolia a partir de aneurisma parcialmente trombosado ou de fenômeno de roubo em malformação arteriovenosa Pequeno Icto Pequeno icto é a designação para uma situação na qual há recuperação funcional completa. Ele deve ser separado conceitualmente do IT, pois na realidade tem causas diferentes (as mesmas que podem ocasionar o icto completo) e também tem evolução natural diferente: os pacientes que apresentaram IT (especialmente quando a duração foi de menos de cinco minutos) têm risco maior de desenvolver icto completo do que os que tiveram PI (especialmente os que apresentaram duração da sintomatologia acima de três semanas). A designação usualmente encontrada na língua inglesa, RIND (Reversible Ischemic Neurologic Deficit), deve ser vista com restrições, pois a hemorragia pode ser 7

22 causa de um PI. Neste sentido, acredita-se que a conceituação clínica de PI deve ser mantida. Do ponto de vista conceitual, desde que seja possível estabelecer com clareza a natureza isquêmica da lesão, justifica-se utilizar os termos AIT e RIND; entretanto, parece-nos importante manter a conceituação fundamentalmente clínica de IT e PI quando os pacientes que apresentam um DEV não têm a possibilidade de utilizar o recurso da RM, da TC e do líquido cefalorraquidiano (LCR) Icto Completo (IC) Icto completo é a denominação de um processo de disfunção encefálica de causa vascular, cuja sintomatologia persiste por período superior a 24 horas e em cuja recuperação exista algum grau de seqüela. O IC pode ser isquêmico (DEVI) ou hemorrágico (DEVH). O DEVI é, em última análise, decorrente de um infarto isquêmico pela obstrução de um vaso; tal obstrução pode ser causada por trombose ou por embolia. Os fatores subjacentes mais freqüentes no DEVI trombótico são a arteriosclerose e a hipertensão arterial sistêmica. A causa potencialmente mais freqüente de DEVI por embolia cardiogênica é a estenose mitral com fibrilação atrial; entretanto, êmbolos não se originam necessariamente do coração, podendo ser decorrentes de fragmentos de placas (ou de trombos que se formam em placas ulceradas) em artérias extracranianas ou mesmo intracranianas. Outras causas menos freqüentes de DEVI, como arterites (lues, outras doenças infecciosas, lúpus, arterite temporal etc.) também devem ser lembradas. As outras causas que não a aterosclerose e a hipertensão arterial devem ser especialmente lembradas em pacientes jovens. Entre estas, destacam-se as desordens cardíacas, as arterites, o uso de anticoncepcionais orais, alcoolismo, uso de drogas ilícitas e a trombose traumática da carótida (esta última situação pode passar despercebida à primeira vista; a trombose traumática pode ser imediata e, então, a relação de causa e efeito torna-se clara; entretanto, um trauma pode causar uma lesão endotelial e a partir daí uma trombose tardia, horas ou dias após o trauma). O DEVH pode ser subdividido em hemorragia intraparenquimatosa (HIP) e hemorragia subaracnóidea (HM). A causa mais freqüente de HIP é a hipertensão arterial sistêmica (ruptura dos microaneurismas de Charcot-Bouchard, que se formam em decorrência da hipertensão). Outras causas são menos freqüentes, como aneurismas e malformações arteriovenosas 8

23 congênitos, aneurismas micóticos, tumores cerebrais metastáticos ou primários, tratamento com drogas anticoagulantes, discrasias sangüíneas, malformações arteriovenosas críticas, abuso de álcool, uso de drogas ilícitas e angiopatia amilóide cerebral primária familiar. Nota-se que três quartos dos HIPs ocorrem nos gânglios da base. A quarta parte restante é uniformemente distribuída entre a região subcortical dos lobos (com predomínio da região temporal), o cerebelo (com evidente predomínio nos lobos cerebelares em relação ao verme) e o tronco cerebral (no qual a ponte é a região onde ocorre a maioria dos casos). Embora a sintomatologia decorrente de um HIP numa determinada região varie, especialmente em decorrência de tamanhos diversos, existem alguns aspectos que são peculiares à localização da HIP. Na HIP putaminal ocorre moderada depressão do estado de consciência, hemiparesia completa contralateral à HIP, desvio ocular horizontal ipsilateral; caracteristicamente, a estimulação dolorosa do hemicorpo parético provoca reação com hipertonia flexora (decorticação) ou extensora (descerebração) no membro superior e extensora no membro inferior. Na HIP talâmica ocorre moderada/acentuada depressão do estado de consciência, reação em descerebração contra ou bilateralmente, desvio ocular para baixo e pupilas mióticas. A HIP pontina acompanha-se de acentuada depressão do estado de consciência, descerebração bilateral, miose puntiforme bilateral e oftalmoplegia extrínseca também bilateral. A hemorragia cerebelar pode acarretar a tríade de Ou, caracterizada por ataxia cerebelar apendicular, paralisia facial periférica e paralisia de olhar conjugado lateral, os três sinais ipsilaterais à HIP. Em relação às HIPs da região subcortical dos lobos, apenas a da região occipital pode proporcionar um quadro clínico altamente sugestivo: cefaléia súbita na região órbito-frontal associada à hemianopsia contralateral. Deve-se insistir que o padrão sintomatológico descrito para a HIP de cada região citada não necessariamente ocorre; mas o encontro de tal sintomatologia num caso suspeito de HIP é altamente sugestivo da localização citada. 9

24 A causa mais freqüente de HM é a ruptura de aneurisma 3 congênito; a segunda causa é malformação arteriovenosa congênita. Com exceção da hipertensão arterial, as outras causas apontadas para a HIP eventualmente podem ocasionar HM. Os aneurismas congênitos apresentam-se predominantemente na região da base do polígono de Willis. Uma das regiões mais freqüentes é na emergência da artéria comunicante posterior da carótida (neste aspecto, um quadro de HM que se acompanha de paralisia completa do terceiro nervo craniano sugere fortemente a topografia do aneurisma). Menos freqüentes são os aneurismas da carótida, na porção intracavernosa (aqui há também um quadro de HM associado à paralisia dos nervos cranianos III, IV, VI e do primeiro ramo do V, que aponta para a topografia do aneurisma). Outras regiões menos freqüentes de aneurismas são a da comunicante anterior, da divisão principal da artéria cerebral média e, por último, o território arterial dependente das vertebrais e da basilar. O diagnóstico de HM é facilmente identificado quando se caracteriza na anamnese a instalação abrupta, não traumática, de cefaléia Icto em Evolução (IE) A sintomatologia de um paciente com DEV pode agravar-se, dependendo de dois mecanismos básicos: aumento da área de infarto 4 ou processo expansivo intracerebral (seja ele HIP ou mesmo edema cerebral crescente). Deve-se, evidentemente, considerar se os aspectos sistêmicos não foram determinantes na piora do quadro. A trombose 5 retrógrada é um dos mecanismos de aumento da área de infarto e pode originar quadro de sintomatologia crescente. A trombose progressiva ou em evolução (outro mecanismo de aumento da área de infarto e geralmente localizada na artéria carótida, na cerebral média ou na basilar), a HIP e o edema cerebral crescente geralmente ocasionam sintomatologia que piora de maneira contínua e não escalonada, como na trombose retrógrada. Um procedimento é tentar conduzi-lo pelas linhas horizontais, evitando-se as oblíquas e especialmente as verticais. Isto implica impedir a evolução para a piora do paciente com DEV. Pode-se, didaticamente, dividir esta fase em etapas diferentes, que na realidade são imbricadas: identificar a topografia da lesão; identificar a natureza da 3 Um aneurisma é uma dilatação vascular de uma artéria. 4 Um infarto ou enfarte é definido como uma lesão tecidual isquêmica irreversível, isto é, devida à falta de oxigênio e nutrientes, geralmente associado a um defeito da perfusão sanguínea (oclusão do suprimento arterial ou da drenagem venosa). 5 Trombose é a formação de um trombo (coágulo de sangue) no interior de um vaso sangüíneo. 10

25 lesão; identificar a tendência de evolução do doente (se para melhora ou para piora). A partir daí, deve-se iniciar tratamento específico caso a caso Como Identificar a Topografia da Lesão? A primeira preocupação topográfica é o reconhecimento da lesão como supratentorial ou infratentorial (na fossa posterior, abaixo da tenda). Nesse sentido, a avaliação do estado de consciência não contribui decisivamente, pois um enfermo pode estar em coma tanto por uma lesão infra quanto por uma lesão supratentorial. A avaliação das funções motoras é mais específica: na maioria das vezes, uma hemiparesia 6 completa (que envolve o membro superior, o inferior e o território facial do mesmo lado) implica uma lesão supratentorial; já o encontro de hemiparesias alternas (que envolvem os membros de um lado e um território craniano do outro lado) indica uma lesão infratentorial. Uma vez identificado o território como supratentorial, pode-se tentar estabelecer se a lesão é capsular ou cortical. As hemiparesias capsulares costumam ser mais intensas e proporcionadas (igual intensidade de déficit nos membros e na hemiface), ao passo que as decorrentes de lesão cortical tendem a ser desproporcionadas. Além disso, nas lesões corticais com déficits motores discretos ou moderados pode haver comprometimento do estado de consciência, ao passo que nas lesões capsulares, com déficit motor acentuado ou moderado, usualmente não há comprometimento de consciência. Na fossa posterior, é de interesse separar as lesões cerebelares das lesões do tronco encefálico. Nas fases iniciais, as lesões cerebelares não provocam depressão do estado de consciência (que poderá ocorrer quando esta lesão expandir-se para diante, comprimindo o tronco); o encontro de ataxia apendicular cerebelar usualmente sugere a topografia cerebelar. Nas lesões de tronco encefálico é mais freqüente a depressão do estado de consciência; o encontro de disfunções de nervos cranianos distantes (no sentido longitudinal) sugere fortemente lesão primária de tronco. 6 Hemiparesia é a paralisia parcial de um lado do corpo. 11

26 2.1.4 Como Identificar a Natureza da Lesão? Todos os estudiosos do assunto apontam para a grande dificuldade em determinar, apenas com dados clínicos, o diagnóstico diferencial em hemorragia e isquemia. Entretanto, alguns aspectos usualmente apontados estão na Tabela 2.1. Tabela 2.1 Diagnóstico Clínico Diferencial entre DEVI e DEVH Isquemia Hemorragia Idade acima de 55 anos Sexo Masculino História de angina ou DEV ou diabetes Apresentação com cefaléia e/ou vômitos Déficit ao despertar Coma ou depressão do estado de consciência desde o início Apresentação inicial com déficit focal Pressão arterial inicial acima de 220/120mmHg Nestas duas etapas, de identificação da topografia e da natureza da lesão, a TC é o primeiro exame de escolha. Embora, na fase inicial do processo, a TC possa não definir a topografia e/ou extensão de uma área de isquemia, ela identifica com muita clareza um sangramento dentro do parênquima encefálico. A TC é o exame mais fidedigno para o diagnóstico da HIP; realizado na fase aguda e sem a utilização do contraste, o exame mostra a área de hemorragia com um alto coeficiente de atenuação, apenas menor do que o de lesões calcificadas. O exame pode inclusive sugerir a presença de aneurismas, mal-formações arteriovenosas ou tumores. É necessário, porém, que se considere a possibilidade de erro diagnóstico através de TC quando se trata de HM pura (sem que haja sangramento para o interior do parênquima). A TC pode identificar a presença de sangue no líquido cefalorraquiadino (LCR) quando há um hematócrito igual ou superior a 16%. Neste sentido o exame do LCR é muito mais elucidativo, visto que a olho nu um residente de neurologia pode identificar sangue no LCR a partir de 1 % de hematócrito Como Identificar a Fase de Evolução da Doença? Determinar num momento estanque em que fase de evolução da DEV o paciente se encontra é impossível apenas com o exame do enfermo. São os dados da anamnese detalhada ou o exame seqüencial do paciente que nos permitem esta identificação. Com as dificuldades de se estabelecer este roteiro diagnóstico, topografia, natureza da lesão e fase de evolução, alguns aspectos estatísticos podem ser utilizados. 12

27 A análise de outros estudos permite a utilização da chamada "a regra dos 80/20", resumida na Tabela 2.2. Tabela 2.2 Regra dos 80/20 Supratentorial 80% Infratentorial 20% Isquemia 80% Hemorragia 20% Território carotídeo 80% Território vertebrobasilar 20% Trombose 80% Embolia Cardiogênica 20% Hemorragia intraparenquimatosa (HIP) 80% Hemorragia meníngea (HM) 20% HIP nos gânglios da base 80% HIP nos outros locais 20% HM no território carotídeo 80% HM no território vertebrobasilar 20% Icto completo 80% Icto em evolução 20% A abordagem do paciente com DEV pode, portanto, ser resumida em identificar a topografia e a natureza da lesão e identificar a tendência de evolução do doente. A partir daí, programa-se a conduta caso a caso Indicações da TC Cranioencefálica A TC deve ser realizada em todos os pacientes com DEV na fase aguda. O método é extremamente seguro e as complicações eventuais relacionam-se com a possibilidade de reação de tipo alérgico ao contraste, que costuma ser facilmente contornável. A TC é, inquestionavelmente, um exame de grande utilidade. É necessário que seja realizado o exame sem e com contraste (o qual pode ser iônico ou não iônico). A etapa com contraste pode demonstrar particularidades que não são identificadas sem ele (como malformações arteriovenosas, aneurismas, suspeita de tumores e outros focos menores de lesão não suspeitados, como pode ocorrer em embolias múltiplas, vasculites, granulomas e metástases). O exame em questão também se presta para o acompanhamento temporal da lesão. Neste sentido, uma lesão isquêmica não identificada num primeiro exame pode tornar-se evidente após alguns dias. Outra utilidade da TC seqüencial é a análise da evolução do tamanho de uma HIP e da absorção que está ocorrendo. A análise seqüencial também pode contribuir para identificar a progressão de compressão do encéfalo e herniações. 13

28 2.2 Doença Vascular Cerebral Isquêmica A isquemia cerebral pode ser focal em conseqüência de doença arterial, embolização, doença venosa, ou distúrbios hematológicos. A isquemia cerebral também pode ser global, em conseqüência de diminuição do débito cardíaco, redução da resistência periférica, ou distúrbios metabólicos. O espectro clínico de isquemia/infarto cerebral inclui ataques isquêmicos transitórios (AIT), déficit neurológico isquêmico reversível (DNIR), déficit neurológico isquêmico parcialmente reversível (DNIPR), e acidente vascular cerebral. Os AIT são curtos episódios de disfunção neurológica que comumente cessam em minutos, mas podem durar até 24 horas. Os DNIR são episódios de disfunção neurológica que duram mais de 24 horas e cessam completamente em vários dias. Um acidente vascular cerebral implica em um elemento de déficit neurológico fixo. A pressão de perfusão do encéfalo é a diferença entre a pressão intra-arterial quando os vasos entram no espaço subaracnóide e a pressão nas veias de paredes finas no espaço subaracnóide imediatamente antes de sua entrada nos seios venosos durais mais rígidos. Em circunstâncias habituais, a vascularização cerebral possui a surpreendente capacidade de auto-regulação. Isto é, na presença de alteração das pressões de perfusão, o fluxo sangüíneo cerebral é mantido constante em virtude de vasoconstrição ou vasodilatação cerebral. Nas circunstâncias fisiológicas habituais, o fluxo sangüíneo cerebral permanece constante entre os limites da pressão de perfusão de 50 e 130 mm Hg. Além destes limites, os mecanismos autorreguladores são incapazes de manter o fluxo sangüíneo cerebral constante, e o fluxo sanguíneo modifica-se com alterações da pressão de perfusão. O fluxo sangüíneo cerebral normal para o córtex encefálico é de aproximadamente 50 a 60ml/100g/minuto. Quando a pressão de perfusão cerebral cai abaixo de níveis críticos, ocorre isquemia tecidual. A evolução de um estado reversível de isquemia para um estado irreversível de infarto depende tanto do grau de redução do fluxo sangüíneo quanto do período em que o tecido cerebral é submetido a fluxo sangüíneo reduzido. Em geral, o limiar do fluxo sangüíneo cerebral para atividade elétrica dos neurônios é de aproximadamente 18 m1/100 g/minuto. A isquemia cerebral pode ser focal em conseqüência de doença arterial, embolização, doença venosa, ou distúrbios hematológicos. Ela pode também ser global, em conseqüência de diminuição do débito cardíaco, redução da resistência periférica ou distúrbios metabólicos. O espectro clínico de isquemia/infarto cerebral inclui ataques 14

29 isquêmicos transitórios (AIT), déficit neurológico isquêmico reversível (DNIR), déficit neurológico isquêmico parcialmente reversível (DNIPR), e acidente vascular cerebral. Os AIT são curtos episódios de disfunção neurológica que comumente cessam em minutos, mas podem durar até 24 horas. Os DNIR são episódios de disfunção neurológica que duram mais de 24 horas e cessam completamente em vários dias. Um acidente vascular cerebral implica em um elemento de déficit neurológico fixo. A aparência microscópica do infarto encefálico depende do momento do exame após o ictus inicial. Nenhuma alteração é observada microscopicamente por até 6 horas após o ictus. As alterações microscópicas iniciais consistem em tumefação das mitocôndrias neuronais e vacuolação citoplasmática, o que leva a tumefação neuronal generalizada. Após 24 a 48 horas, os neurônios tornam-se retraídos e picnóticos. Os astrócitos e oligodendrócitos sofrem tumefação e fragmentação, e as bainhas de mielina degeneram. No estágio subagudo, três zonas distintas tornam-se visíveis: a zona central de necrose de coagulação demonstra perda de todos os tipos celulares; a zona reativa (localizada na periferia da zona central) contém axonios tumefeitos, infiltrados mononucleares e leucocíticos, e capilares em regeneração; e a zona marginal contém astrócitos reativos, fibras astrogliais depositadas e coloração neuronal variável. No estágio crônico, o material necrótico é reabsorvido por elementos da microglia e resta uma cavidade. A cavidade é atravessada por elementos gliais e fibrovasculares TC do Infarto Cerebral O aspecto do infarto cerebral a TC é mostrado na Figura 2.1 e reflete as alterações patológicas previamente descritas e é, assim, tempo-dependente. Alterações iniciais em imagens de TC sem contraste de infartos mesmo grandes freqüentemente são discretas, e embora possam ser detectadas dentro de 6 a 8 horas após o ictus, podem não ser evidentes até 24 horas após o ictus. Estes achados incluem ligeira hipodensidade, efeito de massa mínimo (frequentemente observado como assimetria dos sulcos dos hemisférios), e perda da distinção entre as densidades das substâncias cinzenta e branca. Especificamente, a perda da faixa insular foi descrita como sendo um sinal precoce de infarto agudo da artéria cerebral média. Estes achados iniciais em imagens de TC sem contraste resultam do desenvolvimento de edema citotóxico. Ocasionalmente, cortes de TC através da cisterna supra-selar demonstrarão uma artéria cerebral média hiperdensa, indicativa de trombo dentro da artéria, na fase aguda. O sinal da artéria cerebral média 15

30 hiperdensa é observado em cerca de 35% dos pacientes com sintomas de infarto agudo da artéria cerebral média e pode prever um maior volume de infarto. Figura Imagem de TC característica de AVC Isquêmico Vinte e quatro horas após o ictus, o efeito de massa e a diminuição do coeficiente de atenuação aumentam por uma combinação de edema citotóxico e vasogênico. O edema citotóxico é caracterizado por tumefação de todos os elementos celulares do encéfalo e é secundário à falência das bombas iônicas celulares energia-dependentes, resultando em um fluxo de água osmoticamente influenciado para o interior das células. O edema vasogênico é caracterizado por um aumento do volume de líquido extracelular em virtude de uma alteração da integridade funcional de células endoteliais capilares, resultando em uma ruptura. O efeito de massa por edema é tipicamente máximo cerca de três a dez dias após o ictus e, se suficientemente intenso, pode levar à herniação. O efeito de massa diminui após dez dias e geralmente está completamente resolvido em cerca de três semanas. O realce no interior do infarto pode ocorrer raramente 24 a 48 horas após o ictus, mas geralmente começa três a seis dias após o ictus. A quantidade e o grau de realce aumentam até cerca de três semanas após o ictus. A seguir o realce diminui e geralmente está ausente cerca de três meses após o ictus, mas raramente pode persistir até seis meses após o ictus. O realce é basicamente o resultado de ruptura da barreira hemato-encefálica, embora um componente também possa ser devido à perfusão luxuriante. 16

31 No estágio pós-ictus subagudo (10 a 21 dias), o edema e o efeito de massa do infarto começam a desaparecer. Durante este estágio também há invasão de células da microglia. A invasão de células da microglia, bem como o edema reduzido, pode tornar a área de infarto isodensa em relação ao encéfalo normal em imagens de TC sem contraste. Este fenômeno de isodensidade paradoxal é denominado efeito obscurecimento. No estágio pós-ictus crônico (> 21 dias) o edema desaparece completamente. As células da microglia reabsorvem o tecido necrótico, e este tecido é substituído por líquido extracelular, bem como por fibras gliais de união. A aparência à TC sem contraste é de uma transparência bem definida, envolvendo tanto a córtex quanto a substância branca. Há evidência de perda de volume com alargamento dos sulcos adjacentes e dilatação ventricular ipsilateral. Pode haver faixa cortical fina residual na região do infarto, representando neurônios preservados. Alguns neurônios em uma área de infarto podem ser preservados devido ao desenvolvimento precoce de fluxo sanguíneo colateral leptomeníngeo após o evento isquêmico. Além disso, determinadas camadas (I, II e VI) provavelmente são menos susceptíveis à isquemia que outras. Raramente, pode ser observada calcificação macroscópica no leito infartado. Como afirmado previamente, o realce após a administração intravenosa de material de contraste pode estar presente no estágio crônico, mas geralmente não está presente por volta de 3 a 6 meses após o ictus. 2.3 Doença Vascular Cerebral Hemorrágica A hemorragia intracraniana (HIC) não-traumática frequentemente apresenta-se com uma alteração súbita da condição neurológica acompanhada por cefaléia. Imagens de TC, como a da Figura 2.2, sem contraste são a modalidade de imagem inicial de escolha para pacientes que se apresentam com achados sugestivos de HIC. A extrema sensibilidade da TC a hemorragias agudas permite rápida identificação da hemorragia bem como localização anatômica precisa. As causas mais comuns de HIC nãotraumática incluem aneurisma, malformação vascular, hipertensão, infarto hemorrágico, hemorragia tumoral, trombose venosa, embolia séptica, abuso de drogas e vasculite. Frequentemente, a distinção entre estas pode ser feita com base na história clínica e nos achados em estudos de TC e RM. Além disso, a determinação da localização de hemorragia subaracnóide (HSA), hemorragia intraventricular (HIV), hemorragia 17

32 intraparenquimatosa (HIP), ou uma associação destas é importante na distinção da etiologia do sangramento. Segundo OSBORN AG, a HIC é uma frequente indicação para estudos neurorradiológicos de urgência. Figura Imagem de TC característica de AVC Hemorrágico HSA Hemorragia Subaracnóide A HSA geralmente é um evento agudo acompanhado por cefaléia intensa e frequentemente seguido por perda da consciência. A TC sem contraste é a modalidade de imagem de escolha para detectar HSA aguda. No estágio agudo, a HSA é visualizada como aumento da densidade dentro dos sulcos, cisternas e fissuras do encéfalo. A sensibilidade da TC sem contraste para detecção de HSA é de aproximadamente 90% nas primeiras 24 horas após o ictus inicial e de 50% uma semana após o ictus inicia1. A imagem de TC em janela e ajustes de nível intermediários entre o encéfalo e o osso pode possibilitar a detecção de HSA sutil na interface encéfalo-osso. Mais de uma semana após o ictus inicial, a TC é muito menos sensível para a detecção de HSA. Isso é devido ao fato de que à medida que a hemoglobina é progressivamente decomposta, o sangue torna-se cada vez mais isointenso em relação ao LCR. Na verdade, se for visualizado aumento da densidade no espaço subaracnóide mais de uma semana após o evento inicial, deve ser considerado um episódio de recidiva do sangramento. Mesmo no estágio agudo, uma imagem de TC negativa sem contraste não exclui uma pequena quantidade de HSA de origem intracraniana, ou HSA de origem raquiana. Portanto, se 18

33 não houver contra-indicação, deve ser realizada uma punção lombar em um paciente com suspeita de HSA no qual a imagem de TC sem contraste é negativa. Embora vários estudos tenham relatado a capacidade de estudos de RM de detectar HSA aguda, a RM é menos sensível que a TC na detecção de HSA no estágio agudo. A sensibilidade da RM para a detecção de hemoderivados extravasados depende da decomposição progressiva de hemoglobina. Os estudos de RM são relativamente insensíveis para a detecção de HSA aguda porque a pressão parcial de oxigênio relativamente maior no LCR retarda a conversão de oxi-hemoglobina em desoxihemoglobina e metemoglobina. Esta conversão é essencial para alterar as velocidades de relaxamento de prótons vizinhos, o que permite detecção de hemorragia em estudos de RM. Embora os estudos de RM sejam relativamente insensíveis para HSA aguda, esta técnica é extremamente sensível aos efeitos da HSA crônica. Isso é devido à deposição subpial de hemossiderina no estágio crônico, o que resulta em siderose superficial. A deposição subpial crônica de hemossiderina é visualizada como acentuada hipointensidade revestindo a superfície parenquimatosa, sendo mais bem visualizada em sequências em spin-eco ou gradiente-eco com TR longo/te longo HIP Hemorragia Intraparenquimatosa Patologicamente, a HIP pode ser dividida em quatro estágios: aguda (l a 3 dias), subaguda (4 a 8 dias), cápsula (9 a 13 dias), e organização (> 13 dias). O aspecto da HIP à TC varia com o tempo e correlaciona-se com as alterações neuropatológicas descritas previamente. Agudamente, imagens de TC sem contraste demonstram uma massa hiperdensa bem marginada devido ao elevado conteúdo protéico de hemácias intactas. Pode haver alguma baixa densidade no encéfalo adjacente devido à inflamação e edema perivascular. À medida que ocorre lise dos eritrócitos e perda progressiva da hemoglobina no estágio subagudo, o hematoma torna-se progressivamente isodenso em relação ao parênquima encefálico. No estágio de organização inicial, o enchimento do hematoma acelular com uma matriz vascularizada pode fazer com que o hematoma torne-se novamente um pouco hiperdenso em comparação com as estruturas encefálicas. Finalmente, uma área de encefalomácia é observada como uma área de baixa densidade com efeito de massa negativo. O realce do hematoma é observado pela primeira vez no estágio subagudo e está relacionado à inflamação perivascular. O padrão de realce é inicialmente um anel 19

34 completo ou quase completo ao redor da periferia do hematoma. No estágio de cápsula e de organização inicial, a neovascularização em desenvolvimento contribui para o padrão de realce anular. O anel de realce diminui gradualmente de diâmetro e torna-se mais irregular e mais intenso. Finalmente o padrão anular de realce é substituído por um padrão nodular em virtude de enchimento no centro do hematoma por neovascularização em desenvolvimento. O padrão de realce, principalmente o realce nodular de hemorragia nãoneoplásica, pode ser confundido com o padrão observado nas neoplasias hemorrágicas. Tipicamente, há menor efeito de massa com uma hemorragia não-neoplásica que com uma hemorragia tumoral no estado subagudo. Também, o volume de realce diminui com o tempo com os HIP não-neoplásicos, ao contrário do volume de realce em hemorragias neoplásicas, que pode aumentar com o tempo HIV - Hemorragia Intraventricular Como na HSA, a HIV é visualizada em imagens de TC como áreas de hiperdensidade dentro do sistema ventricular. Como o coágulo sanguíneo é mais pesado que o LCR, tende a depositar-se abaixo dele. O sangue coagulado pode obstruir os forames de saída do sistema ventricular, resultando em hidrocefalia. Da mesma forma que a HSA, aqui há sensibilidade limitada da RM na detecção de HIV aguda. Novamente, isso é devido à elevada pressão parcial de oxigênio dentro do LCR comparada ao parênquima encefálico e à menor velocidade de decomposição da hemoglobina Aneurisma A causa mais comum de HSA não-traumática é a ruptura de aneurisma, responsável por aproximadamente 70% a 80% dos casos. A incidência de ruptura de aneurisma na América do Norte é de aproximadamente por ano, e a mortalidade nos primeiros 30 dias após a ruptura é de aproximadamente 50%. As estimativas da prevalência de aneurismas não rompidos na população em geral, baseada em série de necrópsia, variam entre 0,1% e 9,0%. A taxa de sangramento anual de aneurismas nãorotos é de aproximadamente 3%. A taxa recidiva do sangramento de aneurismas rotos não tratados é de aproximadamente 20% nas duas primeiras semanas. 20

35 A Figura 2.3 ilustra a vista inferior do cérebro e das artérias da base do cérebro. Os aneurismas intradurais originam-se mais comumente no local de ramificação arterial proximal, na adjacência do círculo (ou polígono) de Willis 7. As localizações mais comuns do aneurisma são: a junção da artéria cerebral anterior com a artéria comunicante anterior (30%), a junção da artéria carótida interna com a artéria comunicante posterior (25%), a bifurcação/trifurcação da artéria cerebral média (15%), e o final da artéria carótida interna ou junção das artérias carótida e oftálmica (15%). Figura Vista inferior do cérebro e das artérias da base do cérebro Aproximadamente 15% dos aneurismas originam-se no sistema vertebrobasilar, mais comumente na terminação da artéria basilar ou na origem da artéria cerebelar posterior inferior. Uma representação esquemática do polígono de Willis, artérias do cérebro e tronco cerebral pode ser vista na Figura O polígono de Willis ou círculo de Willis (também chamado de círculo arterial cerebral ou círculo arterial de Willis) é um círculo de artérias que suprem o cérebro. 21

36 Figura Representação esquemática do polígono de Willis, artérias do cérebro e tronco cerebral Mais comumente, os aneurismas intracranianos são saculares e acredita-se que possuam uma etiologia combinada congênita e do desenvolvimento, originando-se de uma associação de fraqueza intrínseca da parede arterial e tensão hemodinâmica. O papel das neuroimagens na avaliação do aneurisma inclui rastreamento da população de alto risco ou suspeita, diagnóstico de HSA após ruptura, e detecção de complicações de ruptura do aneurisma. As imagens de TC podem rotineiramente detectar aneurismas maiores que 1 cm; entretanto, a sensibilidade e a especificidade de imagens por TC na detecção de pequenos aneurismas variam muito segundo os estudos realizados. Podem ser usadas várias técnicas que otimizarão a capacidade da TC de detectar um aneurisma: injeção de 22

37 contraste em bolo, seqüência de imagens dinâmica, cortes finos (1,5 a 2,0 mm) e espaço mínimo entre os cortes (1,5 a 2,0 mm) através do círculo de Willis. Em imagens de TC sem contraste, um aneurisma é tipicamente visualizado como uma área arredondada de hiperdensidade muito próximo do círculo de Willis. Pode haver calcificação. A calcificação é tipicamente curvilínea e periférica, mas pode ocorrer mais centralmente dentro do trombo organizado. Se houver calcificação, é importante definir a relação entre a calcificação e o colo do aneurisma. A calcificação do colo cirúrgico pode ser uma contra-indicação ao grampeamento neurocirúrgico. 23

38 3 DICOM 3.1 Introdução Foi definido, em 1993, um padrão para transferência de imagens e informações associadas, conhecido como DICOM 3.0 ( Digital Imaging and Communication in Medicine ). O DICOM é um padrão para comunicação e armazenamento de imagens médicas e informações associadas, atualmente utilizado por quase todas as modalidades de imagens médicas. O padrão DICOM contém uma arquitetura para troca de informações entre modalidades e também definições de protocolos de comunicação que visa facilitar o fluxo de imagens num hospital ou através de hospitais e também tornar compatíveis, equipamentos distintos e de diferentes fabricantes. Tendo como palavra-chave conectividade, o objetivo principal deste protocolo é o aumento da qualidade dos serviços de diagnóstico por imagem, além da redução de custos, seja de material ou pessoal através da troca de dados de imagens digitais e a comunicação em rede entre produtos (equipamentos) de vários fabricantes. Este protocolo contém formatos padronizados para dados de imagens digitais, operações de usuários (mandar, receber, solicitar, imprimir, etc.) e um modelo comum para a construção e a troca de informações. Usuários deste protocolo podem proporcionar serviços de radiologia entre Hospitais e Clínicas e também através de regiões geográficas, obter todas as vantagens dos recursos existentes e manter os custos baixos através da compatibilidade dos equipamentos e sistemas atuais. Por exemplo, PC s, workstations, Tomógrafos Computadorizados, Ressonâncias Magnéticas, Equipamentos de Ultrasonografia e Medicina Nuclear, Radiografia Computadorizada, Digitalizadores de Filmes, Impressoras Laser, arquivos compartilhados, host computers e mainframes fabricados por diferentes empresas e localizados num mesmo site ou em vários sites podem se falar através de uma rede de sistema aberto. O padrão foi desenvolvido por um comitê de trabalho, formado por membros do American College of Radiology (ACR) e da National Electrical Manufactures Association (NEMA) que iniciou os trabalhos em 1983, o qual foi organizado com o intuito de desenvolver um padrão para comunicação digital de informações e imagens. O comitê publicou a primeira versão em 1985, que foi chamada de ACR-NEMA ou ( ACR-NEMA Version 1.0 ), e a segunda versão em 1988, chamada de ACR- 24

39 NEMA ou ( ACR-NEMA Version 2.0 ). A terceira versão do padrão, nomeada de DICOM 3.0, apresentada em 1993, quando foi substancialmente enfatizado o conteúdo alterado, discutidos alguns problemas da primeira e da segunda versão e criados novos processos, principalmente o protocolo de comunicação para rede (FRITZ, 1999). O padrão hoje está essencialmente completo, apesar das mudanças que ainda possam acontecer devido à evolução, pois ele é um padrão multi-partes, podendo ter suas informações acrescidas quando necessário. Como um padrão estável e desenvolvido, ele está sendo utilizado por diversas empresas tecnológicas e produtoras de equipamentos de imagens médicas. O DICOM é considerado adequado para o desenvolvimento e implantação de sistemas de radiologia sem filme ( Filmless ). O padrão DICOM diferencia-se dos outros formatos de imagens tais como (JPEG 8, TIFF 9, GIF 10 e outros), por permitir que as informações dos pacientes sejam armazenadas juntamente com a imagem, mas de forma estruturada. Isto é, elas são armazenadas contendo delimitadores, conhecidos como tags, que identificam e limitam as informações. A grande vantagem dessa estrutura é permitir a leitura do arquivo e extração das informações necessárias para uma comunicação direta, ou seja, gerenciar as imagens e informações dos pacientes de forma coerente, mantendo sua integridade (NEMA, 2001). 3.2 Evolução histórica A comissão ACR-NEMA (American College of Radiology National Electrical Manufacturers Association) nasceu em 1983, com a missão de desenvolver uma interface entre equipamentos de imagens médicas (tais como tomografia computadorizada, ressonância magnética, medicina nuclear e ultra-sons) e qualquer outro dispositivo com que o utilizador quisesse se comunicar. Além das especificações para a ligação do hardware, o padrão a ser desenvolvido deveria incluir um dicionário 8 Em informática, JPEG é a sigla de Joint Photographic Experts Group, tratando-se de um formato de compressão, aplicado em imagens digitais. 9 O TIFF (acrónimo para Tagged Image File Format) é um formato de arquivo raster (popularmente chamado de Bitmap, no Brasil) para imagens digitais. 10 GIF (Graphics Interchange Format, que se pode traduzir como "formato para intercâmbio de gráficos") é um formato de imagem de mapa de bits muito usado na world wide web, quer para imagens fixas, quer para animações. 25

40 de elementos de dados, que possibilitasse a interpretação e a visualização corretas da imagem. A comissão examinou muitas interfaces normalizadas já existentes, mas nenhuma demonstrou ser inteiramente satisfatória. No entanto, algumas dessas interfaces sugeriram idéias bastante úteis. Por exemplo, a AAPM (American Association of Physicists in Medicine) tinha desenvolvido um ano antes, um formato padrão para gravar imagens em banda magnética. Este formato era constituído por um cabeçalho (Header) contendo a descrição da imagem e pelos elementos de dados (tais como patient name ). O conceito de usar elementos de dados de tamanho variável, identificados por uma tag ou key (o nome do elemento), foi adotado pela comissão por parecer particularmente interessante. Após dois anos de trabalho, a primeira versão do padrão - ACR-NEMA (também chamada ACR-NEMA versão 1.0) - foi distribuída no encontro anual da RSNA (Radiological Society of North America) e publicada pela NEMA. Como em todas as primeiras versões, foram encontrados erros e sugeridos alguns melhoramentos. A comissão ACR-NEMA criou o grupo de trabalho WG VI (Working Group VI), para prosseguir a criação do padrão. Em 1988, foi publicado o ACR-NEMA (ou ACR-NEMA versão 2.0). Este usou substancialmente a mesma especificação de hardware da versão 1.0, mas adicionou novos elementos de dados e corrigiu vários erros e inconsistências da versão anterior. O problema foi que em 1988 muitos utilizadores queriam uma interface entre dispositivos de imagem e uma rede. Apesar de ser possível tal empreendimento com a versão 2.0, este padrão não contemplava as partes necessárias a uma comunicação robusta através da rede. Por exemplo, podia-se enviar a um dispositivo da rede uma mensagem que contivesse um cabeçalho de informação e uma imagem, mas não se saberia necessariamente o que tal dispositivo faria com os dados. Uma vez que a versão 2.0 não tinha sido projetada para ligar equipamentos diretamente a uma rede, a resolução destes problemas significaria fazer grandes alterações ao standard. A comissão tinha desde o início adotado a idéia de que futuras versões do standard ACR-NEMA, manteriam compatibilidade com as versões anteriores, o que colocou algumas restrições ao WG VI. Numa decisão da maior importância para o standard, foi estabelecido que fosse desenvolvida uma interface para suporte de rede, a qual iria requerer mais do que a adição de ajustes à versão 2.0. Teria de ser feita a reengenharia de todo o processo e o método adotado foi o da Metodologia Orientada a 26

41 Objetos (Object Oriented Design). Além disso, um exame cuidadoso dos tipos de serviços necessários para se comunicar através de redes diferentes, mostrou que a definição de um serviço básico permitiria à camada do topo do processo de comunicação (a camada de Aplicação), se comunicar com diversos protocolos de rede - protocolos estes modelados como uma série de camadas e por isso muitas vezes referidos por pilhas. A pilha existente na versão 2.0, que definia uma ligação ponto-a-ponto, era um dos protocolos. Foram escolhidos outros dois baseados na sua popularidade e futura expansão: o TCP/IP (Transmission Control Protocol/Internet Protocol) e o ISO-OSI (International Standards Organization Open Systems Interconnection). A filosofia básica de concepção, consistia numa dada aplicação de imagem médica (fora do domínio do standard), poder se comunicar sobre qualquer uma das pilhas com outro dispositivo usando a mesma pilha. Com a adesão ao standard tornar-se-ia possível comutar as pilhas de comunicação sem ter de reescrever os programas de aplicação. Após três anos de trabalho, o grupo WG VI, com a ajuda de muitas sugestões provenientes tanto da indústria como dos meios acadêmicos, completou o ACR-NEMA DICOM também chamado DICOM Constituição da Norma A especificação do standard DICOM 3.0 encontra-se dividida em várias partes. Tal divisão permite que cada parte possa expandir-se individualmente sem haver necessidade de reeditar todo o standard. Dentro das partes, as secções sujeitas às adições ou modificações encontram-se em suplementos, reduzindo assim o esforço de edição necessário quando da atualização das mesmas. O DICOM 3.0 compreende 13 partes distintas e 35 suplementos. De forma a dar uma idéia geral do conteúdo do standard, descreve-se resumidamente em que consiste cada uma das 13 partes constituintes. Parte 1 - Introduction and Overview É o documento que proporciona uma visão geral sobre o standard. Descreve os princípios usados na concepção deste, define muitos dos termos utilizados e faz uma breve descrição das restantes partes que o constituem. Parte 2 - Conformance Nesta parte é apresentada a definição de conformância (Conformance) ao 27

42 DICOM e é descrita a forma de consegui-la. Parte 3 - Information Objects Definitions Esta descreve como é que são definidos os objetos de informação (IODs), definindo em seguida as classes de objetos de informação usadas no DICOM. Parte 4 - Service Class Specifications Contém as especificações das Service Classes. Os papéis (roles) de SCU e SCP também são definidos nesta parte, sendo igualmente especificado o comportamento esperado de cada um deles, em cada classe. Parte 5 - Data Structure and Semantics O processo de codificação dos dados na forma de mensagem para posterior comunicação é especificado nesta parte. Pode dizer-se que a principal função da parte 5, é a de definir a linguagem que dois dispositivos devem usar para comunicarem um com o outro. São também definidos, o conjunto de caracteres usado (para texto), a forma como uma imagem comprimida JPEG é codificada, a maneira como os elementos de dados são estruturados e a sintaxe de transferência usada. Parte 6 - Data Dictionary Esta parte é a listagem completa de todos os elementos de dados, com a indicação dos seus nomes numéricos (ou tags), dos seus nomes textuais, da sua representação (texto, número em vírgula flutuante, etc.), se contêm um ou mais itens, e quais os valores permitidos para aqueles elementos que só podem tomar certos valores. Parte 7 - Message Exchange Esta parte especifica as operações e o protocolo usados para trocar mensagens. Estas operações são usadas para executar os serviços definidos pelas Service Classes (Parte 4). Parte 8 - Network Com. Support for Message Exchange Define os serviços e protocolos usados para trocar mensagens (Parte 7) diretamente em redes OSI e TCP/IP. Parte 9 - Point-to-Point Com. Support for Message Exchange Define os serviços e protocolos usados para trocar mensagens (Parte 7) diretamente usando a interface DICOM de 50-pinos (obsoleto). Parte 10 - Media Storage and File Format Define os formatos lógicos para armazenar informação DICOM em vários meios (Media). 28

43 Parte 11 - Application Profiles Define uma forma dos utilizadores e vendedores especificarem a seleção do meio de armazenamento (Media) entre os existentes na Parte 12 e os objetos de informação (Information Objects) entre os definidos na Parte 3. Parte 12 - Formats and Physical Media for Data Interchange Referencia as especificações da indústria para os meios físicos (Physical Media) e para os sistemas de formatação de pasta desses meios (Media Formatting File Systems). Inclui cinco tipos de meios (Media): CD-R 650 MByte, 5.25 MOD 650 MByte, 5.25 MOD 1.3 GByte, 3.25 MOD 128 MByte e 3.5 Floppy Disk. 29

44 4 Imagens Médicas 4.1 Análise de Imagens Médicas A análise de imagens (diagnóstico por imagem) pode ser considerada uma das etapas mais importantes no processo de diagnóstico de doenças e deve ser efetuada levando-se em consideração os aspectos densidade, forma, tamanho e localização. Ao se analisar cada aspecto em separado, pode-se dizer que a densidade de um tecido numa imagem corresponde às variações de tons que vão da cor branca à cor preta, passando pelo cinza. A Figura 4.1mostra apenas 21 subdivisões desta escala. Figura Exemplo de escala de cinza A característica que geralmente sobressai quando se analisa uma imagem, é uma diferença de densidades (tons). E é a partir da presença de tons distintos que pode-se estabelecer o que é normal e o que é considerado anormal, e só então levar em consideração a forma, o tamanho e a localização desta densidade discordante do padrão normal, previamente estabelecido para cada caso a ser estudado. Figura Quadrados de densidades diferentes Ao se analisar a Figura 4.2 e definir que o quadrado da esquerda é representativo de uma densidade normal, não nos resta outra possibilidade a não ser afirmar que o quadrado da direita não representa uma densidade normal. 30

45 Figura Inserção de área de baixa densidade De maneira análoga ao que pode ser visto na Figura 4.3, caso seja considerado que o padrão normal é representado pela imagem da esquerda e, ao se analisar a imagem da direita pode ser constatada a presença de uma área escura (baixa densidade) no canto superior esquerdo, deve-se classificar esta última imagem como não normal ou, melhor dizendo, anormal. Figura Inserção de áreas de baixa e alta densidades Analisando-se a Figura 4.4, aplicando-se o processo visto anteriormente, e adotando-se como normal a existência de uma área de baixa densidade no canto superior esquerdo da imagem da esquerda, a área de alta densidade (quadrado branco), contida na imagem da direita, dá a esta imagem a qualidade de anormal. 31

46 4.2 Imagens Médicas RX e TC A Figura 4.5 refere-se à Radiografia convencional. Nela pode-se ver que uma fonte emite feixe de Raios-X em forma cônica, a qual é colimada para um determinado tamanho, e esta emissão é chamada de radiação incidente. Figura Radiografia convencional Os Raios-X irradiam o paciente e sofrem atenuação da anatomia interna. A radiação resultante, chamada de feixe transmitido, é então passada a uma película de filme de Raios-X. A emulsão da superfície do filme irá expor de acordo com a intensidade da radiação transmitida. A quantidade de exposição no filme considerada em termos de densidade óptica evidencia uma representação qualitativa da atenuação (redução da intensidade) do feixe. Dentre algumas das vantagens da Radiografia convencional, estão um grande campo de visão, excelente detalhamento ósseo, velocidade e baixo custo. No entanto, a grande limitação está no fato de haver superposição de todas as estruturas anatômicas no filme, a qual pode ocultar detalhes importantes, como estruturas que diferem levemente em densidade, como tumores e o tecido que os envolve. Outra dificuldade é que muitas áreas anatômicas são simplesmente inacessíveis devido às estruturas ósseas que as envolvem. A Figura 4.6 ilustra o resultado de se utilizar esta técnica num objeto de densidade heterogênea, como o corpo de um paciente, no qual existem partes da anatomia interna que apresentam densidades diferentes. Partindo do princípio que a imagem de um objeto tridimensional (o paciente) será transformada numa representação bidimensional através 32

47 do filme, grande parte da estrutura interna identificada por densidades diferentes permanecerá desconhecida, o que quer dizer que mesmo que a radiação incidente sofra graus diferentes de atenuação à medida que passa pelo objeto, a atenuação resultante ou total pode parecer a mesma. Figura Atenuação resultante de raio-x de imagem heterogênea Derivada da palavra grega tomo que significa secção ou fatia e graphy que significa escrever, a tomografia emprega os mesmos princípios básicos que a radiografia convencional, com o objetivo de criar uma representação anatômica baseada na quantidade de atenuação sofrida pela radiação incidente. O nome tomografia computadorizada deve-se ao fato desta técnica ser altamente dependente de computadores para realizar os cálculos matemáticos relativamente complexos referentes às informações coletadas através da rotação de 360º do feixe de Raios-X ao redor do paciente. É a compilação dos múltiplos ângulos de visão provenientes da rotação completa que proporcionará dados necessários à reconstrução (série de cálculos) da fatia, como mostrado na Figura 4.7, que será então mostrada num monitor e posteriormente fotografada numa película de filme radiográfico. 33

48 Figura Formação de uma imagem de Tomografia A análise destas imagens das fatias extraídas do corpo humano por médicos especialistas, gera pareceres com diagnósticos sobre os aspectos anatômicos inerentes à região em estudo, na dependência de correlação clínica. 34

49 5 Processamento de Imagens A análise de imagens por computador é uma tecnologia de muita importância na atualidade, pois auxilia o desenvolvimento de atividades humanas em áreas como: medicina, geologia, meteorologia, astronomia, engenharia de produção, robótica, arquitetura, artes e arqueologia, dentre outras. As pesquisas em análise de imagens iniciaram se no início da década de sessenta, como parte das atividades do programa espacial americano, conduzido pela NASA 11. O objetivo original era melhorar a qualidade das imagens captadas pelas sondas espaciais. Com o passar dos anos a tecnologia desenvolvida foi reaproveitada em outros campos e apareceram novos problemas, que motivaram novas descobertas. Historicamente, a área sofreu grande influência das universidades americanas e caracterizou se pelo uso de técnicas digitais de diversas naturezas: filtragem linear, reconhecimento estatístico de padrões, gramáticas formais, redes neurais, inteligência artificial, etc. Por volta do ano de 1964, na École Nationale Supérieure des Mines de Paris, MATHERON G e SERRA J decidiram experimentar uma abordagem singular para resolver problemas de analise de imagens: extrair informação de imagens a partir de transformações de formas, realizadas através de dois operadores ou transformações elementares, que eles denominaram dilatação e erosão. Entre 1964 e 1968, MATHERON G e SERRA J, com a ajuda do engenheiro Jean Claude Klein, transformaram a sua idéia em tecnologia, construindo o primeiro analisador morfológico de imagens: o Texture Analyser, um computador com hardware especializado para realizar, com eficiência, dilatações, erosões e operações lógicas entre imagens binárias. Com esse instrumento muitos problemas práticos de análise de imagens foram resolvidos, o que motivou a sua industrialização e provocou um grande impulso das pesquisas em uma nova disciplina: a Morfologia Matemática (MM). Vários recursos podem ser adotados com o objetivo de extrair informações relevantes da imagem e prepará-la para ser utilizada como dado de entrada de redes neurais artificiais. Dentre eles podem ser citados a limiarização (threshold) e a abertura e o fechamento. Estes dois últimos são combinações das técnicas de erosão e dilatação. 11 NASA - National Aeronautics and Space Administration é uma agência do governo dos Estados Unidos, responsável pelo seu programa espacial. A NASA foi criada em julho de 1958 pelo National Aeronautics and Space Act. 35

50 5.1 Limiarização As informações de valores de pixels em um arquivo DICOM proveniente de um equipamento de Tomografia Computadorizada são valores de densidades, medidos em Unidades Hounsfield e não valores de intensidade presentes em escala de cinza. Estes valores de densidades são conhecidos para determinadas estruturas do corpo humano, bem como os valores para o ar e para a água. Uma das grandes vantagens do uso dos valores de densidade é que estes não estão sujeitos às variações na visualização, tais como iluminação do ambiente e brilho e contraste do monitor. A Figura 5.1 e a Figura 5.2 mostram a imagem original e a imagem resultante da filtragem por densidade na faixa entre 60 e 80 UH (Unidades Hounsfield). Figura 5.1 Imagem de um exame de Tomografia Computadorizada do Crânio Figura 5.2 Imagem após filtro por densidade (limiarização) entre 60 e 80 UH 36

51 Após a segmentação proporcionada pela aplicação de thresholding podem ser utilizadas técnicas de Erosão e Dilatação para filtrar possíveis ruídos (pixels isolados). 5.2 Morfologia matemática A palavra morfologia vem do grego e significa estudo (i.e. logia) das formas (i.e. morphos). A força da MM reside no fato de quantificar a intuição do pesquisador, analisando a estrutura geométrica das imagens a partir de um conjunto perfeitamente definido e conhecido - o Elemento Estruturante. Este vai interagir com cada entidade contida na imagem em estudo, modificando a sua aparência, a sua forma, o seu tamanho permitindo assim tirar algumas conclusões necessárias. A eficiência e também a dificuldade da morfologia matemática reside na escolha da deformação certa para transformar a intuição intelectual em aplicação prática. Em resumo, sob um ponto de vista teórico, a MM estuda decomposições de operadores (mapeamentos ou transformações) entre reticulados completos em termos de quatro classes de operadores elementares: dilatações, erosões, anti dilatações e anti erosões. Sob um ponto de vista prático, esta técnica tem aplicações em vários problemas de análise de imagens, como restauração, segmentação, medidas, descrição simbólica e detecção de silhueta, dentre outros. De forma geral, existem dois tipos de morfologia matemática, a morfologia binária que se aplica sobre imagens binárias e a morfologia cinza que se aplica sobre imagens em níveis de cinza. Na morfologia binária, na vizinhança de cada pixel da imagem original, é procurada uma configuração de pontos pretos e brancos. Quando a configuração é encontrada, ao pixel correspondente da imagem resultante é dado o rótulo verdadeiro ; senão, o pixel resultante recebe o rótulo falso. Uma operação morfológica binária é, portanto completamente determinada a partir da vizinhança examinada ao redor do ponto central, da configuração de pontos pretos e brancos nessa vizinhança e do algoritmo. Na morfologia cinza, na vizinhança de cada pixel ou numa parte da vizinhança da imagem original, é necessário conhecer o valor do pixel mais escuro MIN, o valor do pixel mais claro MAX. O valor do pixel resultante corresponde a uma combinação particular de MAX e MIN. O tamanho e a forma da vizinhança, as regiões de pesquisa 37

52 de MIN e MAX e o algoritmo determinam completamente uma operação de morfologia cinza. 5.3 Morfologia Binária A morfologia matemática representa um ramo não linear das técnicas de processamento de imagens. De forma geral, a análise de imagens necessita da extração de parâmetros. Pode-se dizer que atrás de qualquer parâmetro, foi usada uma transformação de imagens. Um bom exemplo disso é o cálculo da área de uma entidade digital. Calcular a área consiste em verificar o número de pontos contidos nesta entidade. Esta operação pode ser interpretada pela quantidade de vezes que um ponto teste, percorrendo a imagem, encontra a entidade estudada Aspecto Digital A partir de agora, B representa o elemento estruturante. Nas diferentes transformações, Bx representa o elemento estruturante B centrado no pixel x. Em função do contexto e por necessidade de simplificação, Bx poderá ser simplesmente notado B. Um elemento estruturante é definido pelos pixels que o formam e que são representados por ( e ), como mostrado na Figura 5.3. Um pixel marcado é um pixel inativo ou neutro, e quer dizer que ele não interage com o conjunto X. O pixel, simplesmente, aparecerá no elemento estruturante para visualizar o seu aspecto geométrico. Um pixel marcado significa um pixel ativo que tem um papel a desenvolver na interação com a imagem X. Os pixels do elemento estruturante criam um subconjunto que vai agir com a imagem X. O resultado dessa interação é colocado numa posição específica, a do ponto central (PC) do elemento estruturante, na imagem no momento da ação. O símbolo () representa este ponto central PC no elemento estruturante. Figura 5.3 Representação do elemento estruturante 38

53 Na maioria dos exemplos a serem apresentados, o ponto central do elemento estruturante corresponderá a seu centro físico. Neste caso, num objetivo de simplificação, o símbolo () será omitido, como pode ser observado na Figura 5.4. Figura 5.4 Outra representação do elemento estruturante Muitas vezes será necessário introduzir o elemento transposto Figura 5.5 Elemento estruturante transposto Da mesma maneira, por ser binária, a imagem digital X contém dois tipos de informação, o fundo (representado por ) e os pixels relevantes (representados por ). Na forma digital, a imagem X é representada entre [] da seguinte forma: Erosão Binária Figura 5.6 Representação do conjunto X A erosão de um conjunto X pelo elemento estruturante B é: { x X B X } B ero ( X ) = XeroB = : (Equação 5.1) x 39

54 Figura 5.7 Exemplo de erosão de um conjunto X pelo elemento estruturante B Segundo a definição, o elemento estruturante B deve deslizar na imagem X (Figura 5.7). Por ser binária, X contém dois tipos de informação, o fundo (representado por ) e os pixels relevantes (representados por ). O significado da definição é que o elemento estruturante Bx, posicionado e centrado no pixel x de X, tenta aparelhar-se com a vizinhança de x. Entende-se que cada pixel relevante de Bx deve encontrar-se na mesma posição na vizinhança de x. Caso seja verificado, o ponto central na imagem do resultado será um pixel relevante. Caso contrário, ele será marcado como irrelevante. A Figura 5.8 mostra um exemplo de erosão com X e B. Figura Exemplo de erosão com X e B Em cada posição x de X, deve ser posicionado B, virando assim Bx. Pode-se ver imediatamente que nos pixels nas bordas de X, Bx está parcialmente fora. A aplicação da definição não pode ser rigorosamente seguida. Este fato ocorrerá sempre, porque a borda de uma imagem é por definição descontínua. Portanto, em todos os exemplos citados as bordas serão ignoradas e as imagens X serão escolhidas de maneira a não fazer aparecer pixels relevantes naquelas bordas. No primeiro caso onde x é apontado com [ ], Bx não se aparelha com a vizinhança de x. Os pontos relevantes de B não coincidem com os pixels relevantes da 40

55 vizinhança de x. Então, x não pertence ao resultado parcial do conjunto erodido, e vira um pixel irrelevante, como na Figura 5.9. Figura Pixel irrelevante resultante do conjunto erodido No segundo caso, x apontado com [ ], Bx se aparelha com a vizinhança de x. Os pontos relevantes de B coincidem com os pixels relevantes da vizinhança de x. Então, o x pertence ao conjunto erodido, e vira um pixel relevante. Figura Pixel relevante resultante do conjunto erodido Como resultado final, tem-se: Figura 5.11 Resultado da erosão O papel do ponto central PC do elemento estruturante é de definir a posição do resultado de X com B. Seja o exemplo mostrado na Figura 5.12 parecido com o anterior onde PC não é mais o centro de B. Figura Exemplo de erosão com X e B 41

56 No primeiro caso onde x é apontado com [ ], Bx não se aparelha com a vizinhança de x. Então, o ponto x vira um pixel irrelevante. Figura Pixel irrelevante resultante do conjunto erodido No segundo caso, x apontado com [ ], Bx se aparelha com a vizinhança de x. Os pontos relevantes de B coincidem com os pixels relevantes da vizinhança de x. Então x pertence ao conjunto erodido e vira um pixel relevante. Figura Pixel relevante resultante do conjunto erodido Assim, tem-se como resultado final: Figura 5.15 Resultado da erosão Pode-se constatar que o conjunto obtido no exemplo da Figura 5.15 é idêntico ao obtido no exemplo da Figura A única diferença ocorre na posição do resultado. Mudar a posição do ponto central do elemento estruturante B gera uma translação do resultado, porém incluindo um novo pixel relevante. Pelos exemplos anteriores, pode ser constatado que a erosão modifica o conjunto X. Este fica menor em todos os casos. Na Figura 5.16 pode-se verificar um exemplo onde o elemento estruturante B é maior que X. Pela definição, pode-se constatar que os três conjuntos não têm pontos comuns, o que explica o desaparecimento do objeto erodido. De forma geral, pode-se 42

57 afirmar que, o elemento estruturante faz desaparecer os conjuntos inferiores ao seu tamanho. Figura 5.16 Exemplo de erosão No exemplo da Figura 5.17 o conjunto X apresenta um furo. Pode-se constatar que o furo no resultado é maior. De forma geral, pode-se afirmar que a erosão aumenta os furos interiores aos conjuntos. Neste caso particular, por ter o tamanho de um pixel, o conjunto erodido tem o furo do tamanho e forma do elemento estruturante. Figura 5.17 Exemplo de erosão Dilatação Binária A dilatação de um conjunto X por um por um elemento estruturante B é: dil B { x X : B 0} ( X ) = XdilB = X x (Equação 5.2) As duas operações de erosão e de dilatação são, portanto, duais e a interpretação da dilatação é complementar da interpretação da erosão. O complemento da proposição Bx está incluído em X é a proposta a interseção de Bx e X não é vazia. Segundo a definição, o elemento estruturante B deve deslizar na imagem X. O significado é que o elemento estruturante Bx, posicionado e centrado em cada pixel x de X, verifica uma possível interseção com a vizinhança de x. Caso seja verdadeiro, o 43

58 ponto central na imagem resultado será um pixel relevante. Caso contrário, ele será marcado como irrelevante, como pode ser visto na Figura Figura 5.18 Exemplo de dilatação de um conjunto X pelo elemento estruturante B Figura 5.19 Exemplo de dilatação com X e B B é posicionado em cada posição x de X, virando assim Bx. Pode-se ver imediatamente que nos pixels nas bordas de X, os exemplos serão escolhidos de maneira a não fazer aparecer pixels relevantes nas bordas para evitar ambigüidades nelas. No primeiro caso onde x é apontado com [ ], os pontos relevantes de Bx não tem interseção com os pixels correspondentes na vizinhança de x. Então, na posição atual do ponto central de Bx em X, é colocado um pixel irrelevante. Figura Pixel irrelevante resultante do conjunto dilatado 44

59 No segundo caso, onde x é apontando com [ ], Bx chega a ter pelo menos interseção com os pixels correspondentes na vizinhança de x. Pelo menos um ponto relevante de B coincide com um pixel relevante da vizinhança de x. Então o x pertence ao conjunto dilatado e vira um pixel relevante. Figura Pixel relevante resultante do conjunto dilatado Como pode ser observado na Figura 5.22, a dilatação modifica o conjunto X. Este fica maior em todos os casos. Figura 5.22 Resultado da dilatação A Figura 5.23 mostra a dilatação em um conjunto que apresenta um furo irregular inferior em tamanho ao elemento estruturante. Pela definição, utilizando um elemento estruturante em cruz sem ponto médio, pode-se constatar que o elemento estruturante preenche o furo. De forma geral, pode-se afirmar que a dilatação preenche todos os furos que são inferiores ao elemento estruturante. 45

60 Figura 5.23 Exemplo de dilatação Erosão em escala de cinza O operador de erosão é definido como a combinação de dois conjuntos através da subtração vetorial entre elementos dos mesmos, desde que o resultado continue contido em um desses conjuntos. Esses conjuntos são duas matrizes: uma pertencente à imagem original e a outra ao elemento estruturante, que representa alguma característica de forma que se deseja avaliar. A erosão da imagem f para um dado pixel x é definida como o valor mínimo (min) da imagem em uma janela definida pelo elemento estruturante B, estando a origem de B na posição de x, ou seja: [ B (f)](x) = min f (x + b) (Equação 5.3) b Є B Onde b é um pixel pertencente ao elemento estruturante B. O resultado dessa operação diz que a imagem resultante apresenta-se mais escura que a imagem de entrada se todos os elementos de B forem positivos. Os detalhes claros reduzidos na imagem são menores que o tamanho do elemento estruturante. Algumas características presentes na erosão: 46

61 Dualidade ao operador de dilatação: Isto significa que complementando-se o resultado do operador de dilatação/erosão sobre o complemento da imagem, obtém-se a erosão/dilatação da mesma; Anti-Extensividade; Não-comutativa Dilatação em escala de cinza O operador de dilatação é definido como a combinação de dois conjuntos através de soma vetorial entre elementos dos mesmos. Esses conjuntos são representados pela imagem sob análise e o elemento estruturante. A definição está baseada na seleção do pixel de maior valor (max) em uma vizinhança definida pelo formato do elemento estruturante, ou seja: [ B (f)](x) = max f (x + b) (Equação 5.4) b Є B Onde b é um pixel pertencente ao elemento estruturante B. O resultado dessa operação diz que a imagem resultante apresenta-se mais clara que a imagem de entrada se todos os elementos de B forem positivos. Os detalhes escuros reduzidos na imagem dependem da forma e valores do elemento estruturante. Algumas características presentes: Extensividade: Indica que a origem pertence ao elemento estruturante; Dualidade; Comutativa: Indica que: A B = B A Aplicações alternadas da dilatação e da erosão levam à formação de duas novas operações denominadas abertura e fechamento Abertura É a combinação da operação de erosão seguida da dilatação em níveis de cinza, utilizando o mesmo elemento estruturante. 47

62 A filtragem de uma imagem por abertura está diretamente relacionada ao elemento estruturante. O emprego de um determinado tamanho do elemento estruturante influencia na imagem resultante: Tamanho inferior ao ruído (pontos indesejáveis na imagem), proporciona durante a erosão a eliminação parcial do mesmo. Porém, será reconstruído na dilatação. Tamanho superior ao ruído presente na imagem sob análise é o mais adequado para eliminação deste problema. Algumas características da operação: Idempotência: garante a estabilidade dos resultados após a primeira aplicação do operador, ou seja, a repetição do mesmo operador (por ex: abertura) sobre uma dada imagem não produz novas modificações; Preservação da monotonicidade: A 1 A 2 A 1 B A 2 B (Equação 5.5) de entrada; Anti-Extensividade: O resultado de uma abertura é um subconjunto da imagem Fechamento Baseia-se na dilatação da imagem f por um elemento estruturante B seguida da operação de erosão do resultado por B. A filtragem de uma imagem por fechamento está diretamente relacionada ao elemento estruturante. O emprego de um determinado tamanho de B influencia na imagem resultante: Tamanho inferior ao ruído (pontos indesejáveis na imagem), proporciona durante a dilatação a eliminação parcial do mesmo. Porém, será reconstruído na erosão. Tamanho superior ao ruído presente na imagem sob análise é o mais adequado para eliminação deste problema. Algumas características do fechamento: Idempotência; 48

63 Extensividade: A imagem de entrada é um subconjunto do resultado de um fechamento. Preservação da monotonicidade: A 1 A 2 A 1 B A 2 B (Equação 5.6) Os filtros morfológicos são métodos não lineares da morfologia matemática baseados em uma forma. Seu objetivo principal é corrigir a imagem completando pequenos buracos e eliminando ruídos e regiões isoladas de poucos pixels. Eles exploram as propriedades geométricas dos sinais. Para filtros morfológicos, as máscaras são denominadas elementos estruturantes e apresentam valores 0 ou 1 na matriz que correspondem ao pixel considerado. Os filtros morfológicos básicos são o filtro da mediana, erosão e dilatação. O filtro morfológico de erosão provoca efeitos de erosão das partes claras da imagem (altos níveis de cinza), gerando imagens mais escuras. Ele é usado para afastar grupos de pixel, que são menores que a máscara definida numa imagem binária ou em tons de cinza. O filtro morfológico de dilatação provoca efeitos de dilatação das partes escuras da imagem (baixos níveis de cinza), gerando imagens mais claras. Ele é usado para fechar "buracos", que são menores que a máscara definida numa imagem binária ou em tons de cinza, mas também para expandir uma classe. A Figura 5.24 e a Figura 5.25 mostram exemplos de elementos estruturantes muito comuns. Figura 5.24 Exemplos de elementos estruturantes 49

64 Linha Cruz Disco Quadrado Figura 5.25 Exemplos de elementos estruturantes Exemplos de imagens resultantes de testes realizados são mostrados na Figura 5.26 e na Figura Figura Imagem após aplicação de filtro por erosão Figura Imagem após aplicação de filtro por dilatação 50

65 5.4 Medidas de Tamanho Em função do arquivo de imagem ser do tipo DICOM, medições lineares precisas podem ser realizadas. No header (cabeçalho) de cada arquivo de imagem existe a informação de tamanho do pixel em milímetros. Sendo assim, contando-se o número de pixels são obtidas informações de distância precisas. Figura 5.28 Cabeçalho de um arquivo DICOM contendo, dentre outras informações, o tamanho do pixel A informação de tamanho do pixel (pixel spacing) é dada em milímetros e está contida na tag (0028,0030) do cabeçalho DICOM. 51

66 Figura 5.29 Medições de distância realizadas em imagem DICOM 5.5 Visualização 3D Pelo fato de serem conhecidas as distâncias entre as imagens axiais e suas espessuras em conjunto com medidas de área pode-se estimar o volume de estruturas ou malformações, bem como permitir visualizações 3D. Figura 5.30 Vistas frontal, superior e inferior na visualização 3D A Figura 5.30 mostra reconstruções 3D de um exame caracterizando AVC Hemorrágico. A reconstrução foi realizada após o processo de filtragem por densidade. 52

67 6 CAD Computer-Aided Diagnosis 6.1 Introdução Diagnóstico auxiliado por computador (Computer-Aided Diagnosis CAD) pode ser definido como um diagnóstico feito por um radiologista que utiliza o resultado de análises quantitativas automatizadas de imagens radiográficas como uma segunda opinião para a tomada de decisões diagnósticas. É importante ressaltar que o computador é utilizado somente como uma ferramenta para obtenção de informação adicional, sendo o diagnóstico final sempre feito pelo radiologista, o que diferencia claramente o conceito básico de diagnóstico auxiliado por computador do conceito de diagnóstico automatizado, que foi um conceito proposto e estudado nas décadas de 60 e 70. A finalidade do CAD é melhorar a eficiência do diagnóstico, assim como a consistência da interpretação da imagem radiológica, mediante o uso da resposta do computador como referência. A resposta do computador pode ser útil, uma vez que o diagnóstico do radiologista é baseado em avaliação subjetiva, estando sujeito a variações intra e interpessoais, bem como perda de informação devido à natureza sutil do achado radiológico, baixa qualidade da imagem, sobreposição de estruturas, fadiga visual, distração ou baixa experiência. Além disso, foi demonstrado que uma dupla leitura (por dois radiologistas) pode aumentar a sensibilidade do diagnóstico. A proposta do CAD é funcionar como um segundo especialista. Basicamente, existem dois tipos de aplicações de sistemas CAD. Um é o auxílio à detecção de lesões, a partir da localização de padrões anormais através da varredura da imagem pelo computador (por exemplo, agrupamentos de microcalcificações em imagens mamográficas ou nódulos pulmonares em imagens de tórax). O outro é o auxílio ao diagnóstico, através da quantificação de características da imagem e sua classificação como correspondendo a padrões normais ou anormais (por exemplo, a associação da quantidade e forma das microcalcificações presentes em um agrupamento com a malignidade ou não do tumor, ou a associação da textura dos pulmões com lesões intersticiais em imagens de tórax). Em geral, os sistemas CAD utilizam-se de técnicas provenientes de duas áreas do 53

68 conhecimento: visão computacional, que envolve o processamento de imagem para realce, segmentação e extração de atributos, e inteligência artificial, que inclui métodos para seleção de atributos e reconhecimento de padrões. Por ter base conceitual genérica e ampla, a idéia do CAD pode ser aplicada a todas as modalidades de obtenção de imagem, incluindo radiografia convencional, tomografia computadorizada, ressonância magnética, ultra-sonografia e medicina nuclear. Pode-se, também, desenvolver esquemas de CAD para todos os tipos de exame de todas as partes do corpo, como crânio, tórax, abdome, osso e sistema vascular, entre outros. Porém, os principais objetos de pesquisa para o desenvolvimento de sistemas CAD têm sido as áreas de mamografia, para a detecção precoce do câncer de mama; tórax, para a detecção de nódulos pulmonares, lesões intersticiais e pneumotórax; e angiografia, para a análise quantitativa de estenoses e de fluxo sanguíneo. 6.2 Visão Computacional e Inteligência Artificial Visão computacional envolve a utilização de um computador para extração de atributos de uma imagem em formato digital. De modo geral, os conceitos de visão computacional utilizados em sistemas CAD podem ser divididos em duas etapas principais. A primeira é o processamento da imagem para realce e segmentação das lesões. A segmentação é o processo que subdivide a imagem em suas partes ou objetos constituintes e utiliza as propriedades básicas de descontinuidade dos níveis de cinza para segmentação através de bordas, fronteiras e linhas, ou de similaridade destes para separação de regiões que apresentem determinada característica em comum. Como resultado da segmentação, obtém-se um conjunto de objetos que permitirá uma descrição da imagem digitalizada por meio da quantificação de determinadas propriedades. Várias técnicas de processamento de imagens têm sido utilizadas para diferentes tipos de lesões. Algumas das técnicas mais empregadas incluem filtragem baseada na análise de Fourier, transformada wavelet, filtragem morfológica e técnicas de imagem-diferença, entre outras. O método de stretching, ou linearização do histograma, é um método simples, mas muito utilizado em processamento de imagens e tem por objetivo aumentar o contraste da imagem. Este método pode ser aplicado à 54

69 imagem antes da etapa de segmentação e extração de atributos, para aumentar o contraste e normalizar os níveis de cinza entre os limites máximo e mínimo da escala de tons de cinza. A técnica imagem-diferença é geralmente utilizada para o realce de microcalcificações e nódulos mediante supressão das estruturas de fundo da imagem, causadas pela anatomia normal da mama. Este procedimento é realizado por dois filtros espaciais gerando uma imagem com as microcalcificações realçadas e outra com as microcalcificações suprimidas. Nesta última permanecem apenas as estruturas de fundo da mamografia, uma vez que os sinais são suprimidos. Subtraindo as duas imagens, tem-se uma terceira imagem em que as altas variações e densidade de fundo são removidas. A técnica de thresholding local adaptativo é baseada em estatísticas locais (média e desvio padrão) dos valores de cinza dos pixels contidos em uma região quadrada de m m pixels, tendo por finalidade a binarização da imagem. Para cada região da imagem é calculado o valor do limiar (threshold), sendo o valor do seu pixel central ajustado para o nível de cinza máximo (255) ou mínimo (0), dependendo se o seu valor inicial é, respectivamente, maior ou menor do que o valor calculado. Após a binarização, a imagem é varrida para a separação das microcalcificações, que são os objetos constituintes da imagem. Após o realce e a segmentação, a etapa seguinte do processamento envolve a quantificação de atributos da imagem, como tamanho, contraste e forma dos seus objetos constituintes. Dependendo da sua natureza, estes atributos podem ou não ser compatíveis com a visão humana. É possível a definição de um grande número de atributos baseados em fórmulas matemáticas que podem não ser facilmente compreendidos por um observador humano. Porém, geralmente é mais útil definir, particularmente nos estágios iniciais de desenvolvimento de sistemas CAD, atributos de imagem que já tenham sido anteriormente reconhecidos e descritos subjetivamente pelos radiologistas, uma vez que estes são baseados na observação de um número muito grande de casos e possibilitam diagnósticos com alta precisão e confiabilidade. De modo geral, os atributos são quantificados a partir de propriedades métricas, topológicas e de textura dos objetos. Conceitualmente, propriedades métricas utilizam generalizações da noção de distância euclidiana, sendo, pois sensíveis a qualquer distorção elástica do plano imagem. As propriedades métricas mais diretas que podem ser utilizadas na descrição de formas são: a área, o perímetro, a razão de delgadeza e a razão de aspecto. A razão 55

70 de delgadeza é uma relação entre a área da figura e o perímetro ao quadrado e fornece uma noção de quanto a figura é arredondada (gorda) ou alongada (magra). Figuras mais arredondadas terão razão de delgadeza próxima de 1 (1 é o valor máximo e será obtido quando a figura for um círculo), e figuras com formas próximas a linhas terão razão de delgadeza próxima de zero. Além disso, a razão de delgadeza é adimensional, dependendo somente da forma da figura e não da escala. A razão de aspecto é também uma medida do alongamento de uma figura. A razão de aspecto de um retângulo é a razão do seu comprimento por sua largura, de modo que uma razão de aspecto próxima de 1 indica um retângulo gordo. Para estender este conceito a figuras arbitrárias, deve-se envolver a figura em um retângulo e considerar que a razão de aspecto da figura será a mesma que a do retângulo que a envolve. Pode-se notar que muitos resultados são possíveis, dependendo das várias maneiras que se coloca o retângulo ao redor da figura. A definição mais simples especifica que os lados do retângulo devem ser paralelos aos eixos coordenados do plano da imagem. Outra maneira possível de se caracterizar um subconjunto de uma imagem é especificar algumas de suas propriedades topológicas. Uma propriedade topológica é uma propriedade invariante (insensível) às distorções elásticas do plano imagem, ou seja, é uma propriedade que não será modificada por deformações do tipo alongamento ou contração do plano imagem. São propriedades que não envolvem noções de distância e nem propriedades que dependam dessas noções. As propriedades topológicas geralmente utilizadas são o número de elementos conectados e o número de buracos existentes na figura. Podem-se utilizar também combinações dessas propriedades, como, por exemplo, o número de Euler (definido como o número de elementos conectados menos o número de buracos). De modo geral, as propriedades topológicas são utilizadas como auxílio para outras formas de descrição. Normalmente, um problema para o qual uma descrição topológica sozinha seja suficiente é bastante raro. Uma definição genérica de textura poderia ser a disposição ou características dos elementos constituintes de alguma coisa, especialmente no que se refere à aparência superficial ou à qualidade táctil. Porém, no caso de imagens, uma definição mais adequada poderia ser uma característica representativa da distribuição espacial dos níveis de cinza dos pixels de uma região. Ou seja, um atributo de textura é um valor, calculado a partir da imagem de um objeto, que quantifica algumas características da variação dos níveis de cinza desse objeto. 56

71 Normalmente, um atributo de textura é independente da posição, orientação, tamanho, forma e brilho do objeto. Após a extração de informação, os atributos quantificados são utilizados no processo de classificação das estruturas presentes na imagem. Inteligência artificial envolve o uso do computador para o processamento de dados, visando à distinção entre padrões normais e anormais, a partir dos atributos extraídos das imagens. As técnicas relacionadas a essa área do conhecimento incluem métodos para a seleção de atributos, como os baseados na separabilidade entre as distribuições de probabilidades das classes e algoritmos genéticos, e classificadores, como os baseados em técnicas de análise discriminante, sistemas especialistas baseados em regras específicas, métodos estatísticos e redes neurais artificiais. 6.3 Auxílio à Detecção A detecção automatizada de lesões envolve a localização pelo computador de regiões contendo padrões radiológicos suspeitos, porém com a classificação da lesão sendo feita exclusivamente pelo radiologista. Sistemas para auxílio à detecção têm sido desenvolvidos principalmente para imagens de tórax e de mama. Estudos mostram que 30% a 50% dos casos de câncer de mama detectados por meio de mamografia apresentam agrupamentos de microcalcificações associados. Além disso, estudos demonstraram que 26% dos casos de câncer não-palpável de mama apresentam nódulos associados na mamografia e 18% apresentam nódulos e microcalcificações. Por isso, a maioria dos sistemas de auxílio ao diagnóstico em mamografia é voltada para a detecção de nódulos e microcalcificações. Desde 1987, pesquisadores da Universidade de Chicago, EUA, têm apresentado uma metodologia para a detecção automatizada de microcalcificações em mamografias. Esta metodologia inclui etapas de pré-processamento para realce das imagens, filtragem para remoção de estruturas de fundo, segmentação das microcalcificações para extração de atributos e o uso de redes neurais artificiais para redução do número de detecções falso-positivas. A detecção automatizada de nódulos em mamografias digitalizados é mais difícil do que a detecção de microcalcificações, devido à similaridade de muitos nódulos com o tecido parenquimatoso normal que os envolve. Segundo GIGER, provavelmente um 57

72 dos primeiros estudos sobre a análise computadorizada de imagens mamográficas foi apresentado em 1967 por WINSBERG et al., que descrevem um método computadorizado para comparação de padrões de densidade em várias áreas de uma mesma mama e entre as mamas direita e esquerda. O método foi aplicado em um número pequeno de casos selecionados. Atualmente existem muitos trabalhos voltados para a detecção de lesões espiculadas, assimetrias, aumentos de densidade, lesões circunscritas e distorções de parênquima. Pesquisadores da Universidade de Chicago têm trabalhado, também, no desenvolvimento de uma metodologia para a detecção de nódulos em mamografias, a qual é baseada nas diferenças de simetria de arquitetura entre as mamas esquerda e direita, com as assimetrias indicando possíveis nódulos. Em um estudo prospectivo de mamografias, realizado pelos pesquisadores da Universidade de Chicago, empregando um sistema CAD como segunda opinião, o computador indicou a presença de câncer cerca de um ano antes de este ser clinicamente diagnosticado em aproximadamente 15% de todos os casos de câncer, e em 56% dos casos foi detectado câncer em um estudo retrospectivo de mamografias considerados clinicamente negativos. A taxa de falso-positivos foi de aproximadamente 1,3 agrupamento falso por imagem e 2,1 nódulos falsos por imagem. Em junho de 1998, o Food and Drug Administration (FDA), dos Estados Unidos, aprovou o ImageChecker M1000 (R2 Technology, Los Altos, Califórnia) como um sistema de auxílio à detecção, para ser utilizado por radiologistas na rotina de leitura de mamografias. Um amplo estudo, envolvendo a análise retrospectiva de casos de câncer e o acompanhamento prospectivo de casos, foi realizado como parte dos requisitos para a sua aprovação pelo FDA. Neste estudo, a sensibilidade alcançada foi de 98,3% para a detecção de agrupamentos de microcalcificações e 72% para a detecção de nódulos, com uma taxa de falso-positivo média de um (agrupamento ou nódulo) por imagem. Segundo GIGER, em um estudo realizado na Universidade de Nijimen (Holanda), utilizando o ImageChecker, não foi observada diferença entre uma dupla leitura com dois radiologistas e uma dupla leitura utilizando o sistema de CAD. Ao contrário da análise da mamografia, na qual existem basicamente duas respostas possíveis, câncer ou não, a radiografia de tórax pode apresentar uma variedade de patologias possíveis, cuja detecção é o objetivo de alguns sistemas de CAD. Estes sistemas incluem métodos de processamento para realce de imagens, como subtração de dupla energia e temporal, e esquemas para detecção automatizada de padrões suspeitos, como nódulos, pneumotórax, cardiomegalia, assimetrias torácicas e lesões intersticiais. 58

73 A detecção radiográfica de pequenos nódulos é um aspecto importante no diagnóstico e condução do tratamento de pacientes com câncer de pulmão. Porém, a não detecção pode ocorrer devido à sobreposição com costelas, brônquios, vasos sanguíneos e outras estruturas anatômicas normais. A taxa média de perda na detecção radiográfica de nódulos precoces é estimada em cerca de 30%. Segundo MACMAHON, um sistema para detecção de nódulos pulmonares vem sendo desenvolvido pelos Laboratórios Rossmann, da Universidade de Chicago, há mais de dez anos, tendo recebido numerosos refinamentos neste período. A finalidade básica deste sistema é a distinção de opacidades focais anormais do fundo anatômico complexo da radiografia de tórax, tendo por objetivo chamar a atenção do radiologista para a região suspeita. Atualmente, o programa de computador possui sensibilidade de aproximadamente 70% para nódulos pulmonares sutis, com uma média de um a dois falso-positivos por imagem. Segundo o autor, embora essa precisão seja menor do que a apresentada pela maioria dos radiologistas, os erros cometidos pelo computador tendem a ser diferentes daqueles cometidos pelos radiologistas, o que faz com que o uso do programa possa auxiliar mesmo radiologistas experientes na tarefa de detecção de nódulos. A detecção e quantificação de lesões pulmonares intersticiais pelos radiologistas estão reconhecidamente sujeitas a uma grande variação inter e intrapessoal, sendo, por isso, uma área particularmente interessante para aplicação de análises computadorizadas. KATSURAGAWA et al. e MONNIER-CHOLLEY et al. apresentaram esquemas computadorizados para avaliação de lesões intersticiais a partir de atributos de textura extraídos de imagens radiográficas. Inicialmente, regiões de interesse são automaticamente selecionadas em radiografias de tórax e, então, processadas para eliminação de estruturas anatômicas e realce de detalhes finos da textura dos pulmões. Um processamento da imagem baseado na transformada de Fourier é utilizado para a descrição da magnitude e rugosidade da textura. Os autores descrevem valores de sensibilidade e especificidade na ordem de 89% para uma base de dados contendo 100 casos patológicos. Outros programas de CAD têm sido desenvolvidos, dirigidos para a detecção de pneumotórax, cardiomegalia e assimetria anormal de tórax. Artigos e detalhes podem ser encontrados nos anais do International Workshop on Computer-Aided Diagnosis. 59

74 6.4 Auxílio ao Diagnóstico Uma vez que uma lesão foi detectada, cabe ao radiologista sugerir e ao médico assistente decidir o encaminhamento do caso, ou seja, se é necessária a realização de algum outro exame ou de uma biópsia, por exemplo. Ou então, se um simples acompanhamento é suficiente e, neste caso, qual deve ser o intervalo até o próximo exame. Sistemas de análise computadorizada estão sendo desenvolvidos para auxiliar a distinção entre lesões malignas e benignas e aumentar a sensibilidade e especificidade do diagnóstico. Estes sistemas utilizam atributos extraídos e quantificados de forma automatizada e também por radiologistas. As vantagens da extração automatizada (pelo computador) são a objetividade e a reprodutibilidade da medida dos atributos escolhidos. Por outro lado, os radiologistas utilizam uma grande quantidade de atributos, os quais são extraídos e interpretados simultânea e instantaneamente. É importante ressaltar que um dos objetivos dos sistemas de auxílio à classificação é a redução do número de casos benignos encaminhados para biópsia. Porém, como o custo da perda de uma lesão maligna é muito maior que o de uma classificação errônea de um caso benigno, os sistemas de auxílio ao diagnóstico devem ser desenvolvidos com o propósito de aumentar a especificidade, porém sem reduzir a sensibilidade. No que se refere ao câncer de mama, métodos de auxílio à classificação estão sendo desenvolvidos para a caracterização de lesões a partir de informações extraídas de imagens de mamografia, ultra-sonografia e de ressonância magnética. Vários pesquisadores têm utilizado a análise computadorizada de atributos extraídos por inspeção visual para auxílio à tomada de decisão quanto ao encaminhamento do tratamento do paciente. De modo geral, este tipo de análise utiliza uma lista de atributos que devem ser avaliados e quantificados pelo radiologista em uma escala preestabelecida, em conjunto com um método para composição destes valores utilizando coeficientes otimizados. As respostas obtidas, em geral, apresentam a probabilidade da presença de determinada condição (por exemplo, de uma lesão previamente detectada ser maligna). GALE et al. apresentam um aumento de especificidade de 67% para 88% entre o diagnóstico de câncer de mama feito sem auxílio e com auxílio de um sistema computadorizado. Porém, houve redução na sensibilidade de 87% para 79% com o sistema computadorizado. COOK e FOX relatam 60

75 um aumento na precisão diagnóstica de médicos residentes, de 40% para 73%, e de médicos radiologistas, de 70% para 73%, com a utilização de um sistema especialista voltado para a diferenciação de 16 tipos de lesões de mama circunscritas, a partir da identificação de achados radiológicos por inspeção visual. Pesquisadores da Duke University, EUA, utilizaram as categorias do padrão BI-RADS (American College of Radiology Breast Imaging Reporting and Data System) como entradas para redes neurais artificiais, visando à distinção entre lesões benignas e malignas e à previsão da potencialidade de invasão do câncer de mama. Os resultados mostraram o potencial do uso dos padrões do BI-RADS no diagnóstico auxiliado por computador. ASHIZAWA et al. apresentaram os resultados da utilização de uma rede neural artificial para auxílio ao diagnóstico diferencial de lesões intersticiais de pulmão. A rede neural foi projetada para distinguir entre 11 lesões intersticiais a partir de dez parâmetros clínicos e 16 achados radiológicos obtidos por radiologistas especializados em tórax. Foram utilizados 150 casos reais, 110 casos publicados e 110 casos hipotéticos. O desempenho da rede foi avaliado por meio de curva ROC 12 ( receiver operating characteristic ), tendo sido obtida uma área sob a curva igual a 0,947 para os casos clínicos. Foram obtidos valores de sensibilidade e especificidade em torno de 90%, considerando-se a resposta correta contida dentro dos dois maiores valores de saída para as 11 patologias. O desenvolvimento de métodos de auxílio à classificação, baseados na extração e quantificação automatizada de atributos, exige que inicialmente sejam definidos quais atributos são clinicamente significativos e depois estabelecidos os métodos para sua extração e quantificação. Segundo GIGER, nos últimos cinco anos houve expressivo aumento no número de trabalhos sobre desenvolvimento de métodos de classificação automatizada de lesões em imagens mamográficas. De modo geral, um método automatizado para classificação de microcalcificações agrupadas envolve a extração de atributos que se correlacionam qualitativamente com a experiência dos radiologistas, estimando a probabilidade de malignidade a partir da aparência das microcalcificações existentes no agrupamento. O computador extrai automaticamente atributos relacionados ao tamanho, forma, quantidade e distribuição espacial das 12 ROC - Característica de resposta do observador. Em sua forma mais simples, a tarefa de diagnosticar consiste na apresentação de imagens contendo ou não uma anormalidade associada, a um observador que deve responder se existe ou não uma anormalidade presente. Para a análise do desempenho em um teste de diagnóstico, a curva ROC plota a fração de verdadeiro-positivo (sensibilidade) contra a fração de falso-positivo (especificidade) para toda a faixa de resultados possíveis para o teste. 61

76 microcalcificações, e um classificador (uma rede neural artificial, por exemplo) é utilizado para combinar estes atributos e fornecer uma estimativa da probabilidade de malignidade. Esta estimativa pode então ser utilizada pelos radiologistas como auxílio na decisão se a lesão é maligna ou benigna. Resultados de estudos aplicados têm mostrado melhorias estatisticamente significativas de desempenho quando os radiologistas utilizam sistemas de auxílio computadorizado, em comparação com situações em que estes sistemas não são empregados. São relatados aumentos de sensibilidade, de 73% para 87%, e de especificidade, de 32% para 40%. Resultados como estes indicam que o computador pode potencialmente ser utilizado para auxiliar os radiologistas a decidirem quais mulheres devem ser encaminhadas para biópsia, podendo reduzir o número de procedimentos desnecessários. No caso de nódulos, uma lesão maligna pode ser diferenciada de uma lesão benigna, em virtude da sua aparência mais espiculada na imagem mamográfica e, de modo geral, para a classificação deste tipo de lesão, o nódulo é primeiramente extraído do fundo anatômico do mamografia utilizando-se alguma técnica de processamento de imagem (como crescimento de região, por exemplo). Então, atributos de forma, contorno, níveis de cinza e textura são extraídos e utilizados por um classificador para o cálculo da probabilidade de malignidade associada. Em trabalho realizado por pesquisadores da Universidade de Chicago, com um sistema desenvolvido para a classificação de nódulos mamográficos a partir do seu grau de espicularidade, foram obtidos, para a base de dados utilizada, sensibilidade de 100% e valor preditivo positivo de 83% (12% acima do valor obtido por radiologistas especializados em mamografia e 21% acima da média de outros radiologistas menos experientes). A ultra-sonografia de mama também é utilizado como importante auxiliar no diagnóstico mamográfico, sendo tipicamente aplicado para avaliar lesões palpáveis e mamograficamente detectadas quanto à sua natureza sólida ou cística. A acurácia do ultra-som tem sido apontada como sendo de 96% a 100% no diagnóstico de lesões císticas benignas. CHEN et al. relataram um método baseado em rede neural artificial para auxílio ao diagnóstico diferencial de tumores sólidos de mama em imagens de ultra-som. Foram avaliadas 140 imagens de nódulos sólidos de mama, sendo 52 correspondentes a tumores malignos e 88 a tumores benignos, todos confirmados por biópsia. Atributos de textura foram extraídos, após a seleção manual da região de 62

77 interesse contendo a lesão. A acurácia da rede neural foi de 95% para a classificação das lesões malignas, com sensibilidade de 98%, especificidade de 93%, valor preditivo positivo de 89% e valor preditivo negativo de 99%. Segundo esses autores, o sistema foi capaz de diferenciar os nódulos sólidos de mama com uma acurácia relativamente alta e auxiliou operadores inexperientes a evitar diagnósticos errados. A ressonância magnética pode também auxiliar no diagnóstico do câncer de mama, como técnica complementar à mamografia, com a vantagem de propiciar a obtenção de informação tridimensional da mama. O realce decorrente da presença de contraste é utilizado para a diferenciação entre lesões e tecidos normais, devido ao aumento de vascularização e permeabilidade capilar do tumor. Podem-se utilizar atributos temporais e espaciais das lesões para a sua caracterização. Atributos temporais incluem taxa máxima de realce da lesão, o tempo em que isto ocorre, a velocidade máxima de realce, e mudança na não-homogeneidade da lesão no processo de realce. Atributos espaciais incluem relação de contraste entre a lesão e o fundo, nãohomogeneidade dos valores dos voxels na lesão, características das margens da lesão, textura, circularidade e irregularidade da lesão. GILHUIJS et al. apresentaram um sistema de classificação automatizada de lesões de mama a partir de imagens de ressonância magnética, utilizando atributos temporais e espaciais calculados nas três dimensões. Em um estudo inicial para distinção entre lesões benignas e malignas, realizado com 27 casos, foi obtida uma área sob a curva ROC igual a 0,96. NUNES et al. concluíram, como resultado de um estudo feito com atributos de arquitetura da mama, que a caracterização da margem da lesão é um determinante primário da sua malignidade. ARMATO III et al. desenvolveram um método automatizado para detecção de assimetria anormal em radiografias póstero-anteriores digitais de tórax. O método é baseado em um thresholding de nível de cinza para segmentação e extração de contorno de regiões do pulmão contendo ar. Foram realizados testes em uma base de dados contendo 600 imagens clínicas de tórax, e a habilidade do método em distinguir entre casos normais e casos com assimetria anormal foi avaliada por intermédio da curva ROC. O desempenho do método alcançou uma área sob a curva de 0,84. Segundo os autores, a sensibilidade do método torna-o potencialmente útil como componente para integração de um sistema de CAD para radiografia digital de tórax. VARGAS- VORACEK et al. apresentaram um estudo realizado com atributos de textura extraídos 63

78 de radiografias de tórax. O experimento foi realizado utilizando-se uma base de dados contendo 200 regiões de interesse (ROIs) extraídas de radiografias digitalizadas de pacientes com lesões intersticiais de pulmão e pacientes com radiografias normais. Nenhum pré-processamento foi realizado nas imagens. Os atributos calculados para cada ROI foram utilizados como entrada em uma rede neural artificial. O desempenho diagnóstico da rede foi bastante bom, alcançando sensibilidade de 90% e especificidade de 84%, com uma área sob a curva ROC igual a 0,85. MCNITT-GRAY et al. desenvolveram uma metodologia para caracterização de nódulos pulmonares solitários, obtidos por exame de tomografia computadorizada de alta resolução, como sendo benignos ou malignos, por meio da quantificação de atributos de tamanho, forma, atenuação e textura. Um estudo inicial, realizado com 31 pacientes com diagnósticos definitivos (14 benignos e 17 malignos) e utilizando dois atributos de textura considerados os mais discriminantes (entropia e correlação), resultou em uma taxa de acerto na classificação de 90,3%. 6.5 Medidas de Desempenho e Características Existem vários índices de desempenho que podem ser utilizados na avaliação de sistemas de auxílio ao diagnóstico. Uma medida possível e muito utilizada é a análise da característica de resposta do observador (ROC), introduzida no contexto das imagens médicas por SWETS e METZ. A análise por curva ROC é fundamentada na teoria de detecção de sinal, tendo como base a idéia de que para qualquer sinal sempre existirá um fundo ruidoso que varia aleatoriamente sobre um valor médio. Quando um estímulo está presente, a atividade que ele cria no sistema de obtenção de imagem é adicionada ao ruído existente naquele momento. Este ruído pode estar dentro do próprio sistema ou fazer parte do padrão de entrada. A tarefa do observador (ou sistema automático) é determinar se o nível de atividade no sistema é devido apenas ao ruído ou resultado de um estímulo adicionado ao ruído. Em sua forma mais simples, a tarefa de diagnosticar consiste na apresentação de imagens contendo ou não uma anormalidade associada, a um observador que deve responder se existe ou não uma anormalidade presente. Para a análise do desempenho em um teste de diagnóstico, a curva ROC plota a fração de verdadeiro-positivo (sensibilidade) contra a fração de falso-positivo (especificidade) para toda a faixa de 64

79 resultados possíveis para o teste. A análise por curva ROC baseia-se na premissa de que o processo de decisão do observador pode ser modelado por uma variável randômica que se ajusta a um modelo bi-normal. As funções de densidade de probabilidade desta variável para as duas hipóteses (presença de anormalidade e ausência de anormalidade) são consideradas normalmente distribuídas. A menos que as condições do teste sejam perfeitas, estas distribuições se sobrepõem e um limiar de decisão (threshold) irá sempre envolver um compromisso entre os resultados falso-positivos (não existe anormalidade, mas o observador indica que existe) e falso-negativos (existe anormalidade, mas o observador indica que não existe). Uma mudança no limiar irá causar mudanças na especificidade e sensibilidade do teste. Os observadores humanos, assim como os sistemas de auxílio ao diagnóstico, operam em pontos ao longo da curva ROC. Os pontos de operação sobre a curva (sensibilidade versus especificidade) mudam de acordo com os valores de custo atribuídos aos resultados falso-positivos ou falso-negativos. A medida mais comum extraída da curva ROC é a área sob a curva. A área sob a curva ROC varia de 0,5 (comportamento aleatório) a 1,0 (discriminação perfeita), sendo que quanto mais a curva se aproxima do canto esquerdo superior do gráfico melhor o desempenho do teste. Os parâmetros de aquisição da imagem digital, as características da base de dados utilizada para treinamento e teste dos algoritmos, a comparação entre métodos e a determinação da viabilidade de aplicação clínica são também características fundamentais no processo de avaliação de sistemas de CAD. As imagens podem ser obtidas diretamente em formato digital ou a partir da digitalização de filmes. Para a digitalização de filmes, a qualidade da imagem original é fundamental, uma vez que imagens de baixa qualidade irão afetar tanto a inspeção visual como o desempenho da análise automatizada. O tamanho do pixel e o número de níveis de quantização também irão afetar a resposta do sistema, uma vez que modificações nos valores de entrada irão produzir saídas diferentes. É bastante difícil a comparação entre os vários métodos de diagnóstico auxiliado por computador que estão sendo desenvolvidos, devido às diferentes bases de dados utilizadas e os variados métodos de descrição dos resultados. Algumas bases de dados estão sendo estruturadas para desenvolvimento e teste de sistemas de CAD. A forma como a base de dados é utilizada irá também influenciar o desenvolvimento e a apresentação de resultados do sistema. Por exemplo, um sistema 65

80 computadorizado para auxílio na detecção de lesões de mama, treinado com projeções médio-laterais oblíquas, irá fornecer resultados tendenciosos (terá um bias) se forem utilizadas projeções crânio-caudais nos testes. Os resultados também serão tendenciosos se, com uma base de dados limitada, os parâmetros do classificador forem determinados usando-se os mesmos dados que foram empregados para a seleção dos atributos mais discriminantes. Além disso, diferentes formas de medida irão causar variações nos resultados obtidos. Por exemplo, se a sensibilidade do sistema é dada em função da porcentagem de lesões detectadas por imagem ou por caso, ou então, se a porcentagem de sobreposição entre a lesão real e a lesão detectada pelo computador é calculada levando-se em consideração sua intersecção ou a intersecção dividida pela sua união. 6.6 Exemplo de CAD para Caracterização de Microcalcificações em Mamografia O câncer de mama é provavelmente o mais temido pelas mulheres devido à sua alta freqüência de incidência e, sobretudo pelos seus efeitos psicológicos, que afetam a percepção de sexualidade e a própria imagem pessoal. Ele é relativamente raro antes dos 35 (trinta e cinco) anos de idade, mas acima desta faixa etária sua incidência cresce rápida e progressivamente. Um dos melhores e mais precisos métodos de diagnóstico de câncer de mama ainda é através da mamografia (mamografia). YAMAGUCHI e PEREIRA utilizaram o método de Threshold para binarizar a imagem, objetivando distinguir a cena (background) dos objetos (microcalcificações). O método baseia-se na escolha de um limiar utilizando o histograma 13 de níveis de cinza que auxilia na escolha do limiar. Para a distinção entre a cena e os objetos na imagem o método da segmentação foi utilizado. A segmentação é um dos mais importantes elementos na análise automatizada da imagem, pois é nessa fase que os objetos ou outras entidades de interesse são extraídos de uma imagem para o processamento subseqüente, como descrições e identificações. Geralmente, os algoritmos de segmentação são baseados em uma ou duas propriedades básicas de valores de níveis de cinza: descontinuidade e similaridade. Neste projeto a opção foi pela segunda categoria que é baseada no threshold, 13 Um histograma é uma representação gráfica da distribuição de frequências de uma massa de medições, normalmente um gráfico de barras verticais. 66

81 crescimento de região, divisão de região e merge. Nas microcalcificações de bordas espiculadas foi observada a existência de várias parábolas. Tendo como foco central a existência de muitas parábolas, foi desenvolvido um método de detecção dessas parábolas na fronteira de cada microcalcificação. Os métodos utilizados foram os de detectar os pontos de inflexão e os pontos em que a fronteira muda de crescente para decrescente ou de decrescente para crescente. A partir dos pontos de inflexão da imagem, foram feitas comparações entre a altura e a distância entre dois pontos de inflexão sucessivos e identificados se a porção da imagem observada possui formas espiculadas ou não. Depois de utilizar esse método para todos os pontos de inflexão sucessivos da imagem, observa-se a quantidade de formas espiculadas e não-espiculadas. Se as bordas apresentarem em sua maioria formas espiculadas, a microcalcificação será considerada espicular. Desta forma determina-se que uma microcalcificação é considerada espicular quando predominantemente suas inflexões são espiculadas. No caso da detecção de agrupamentos de microcalcificações em formação, o método principal utilizado é a comparação do número de pixels da imagem. Se a imagem de uma microcalcificação for cheia, formada por oito pixels ou menos e com uma distância muito próxima de outras 6 (número pré-determinado) microcalcificações também com oito pixels ou menos, determina-se que um agrupamento de microcalcificações está em formação. Após a detecção de todas as pequenas microcalcificações, demarcam-se as áreas em que se deveriam calcular as densidades. Para a demarcação de tais áreas, foi utilizado o conceito de centro de massa para localizar o ponto central da imagem. Quando encontrado um aglomerado, foi realizado o calculo do centro da aglomeração para em seguida ser efetuado o cálculo da sua densidade. Utilizando estes métodos, desenvolveu-se um sistema que atendesse as necessidades de detecção de bordas espiculadas e cálculo da densidade de agrupamentos de microcalcificações em formação. Através dos testes realizados com as imagens simuladas e as imagens reais mamográficas YAMAGUCHI e PEREIRA concluíram que os métodos utilizados para a detecção de microcalcificações de bordas espiculadas (tipo 4) e para a detecção e cálculo da densidade de aglomerados de microcalcificações em formação (tipo 3) tiveram porcentagens de acertos diferentes. Enquanto nas imagens simuladas foram obtidas 100% de resultado correto, nas imagens mamográficas reais essa porcentagem 67

82 abaixou para 90% na detecção de microcalcificações em formação e para 85% na detecção de microcalcificações de bordas espiculadas. Isso ocorreu pois as imagens reais mamográficas passaram apenas por uma função de pré-processamento (binarização). Essa porcentagem pode aumentar caso sejam usadas várias e melhores funções de pré-processamento de imagens. 6.7 Exemplo de CAD para Análise de Nódulo Pulmonar O câncer de pulmão é conhecido como um dos cânceres de menor sobrevida a partir do diagnóstico e o número de mortes cresce gradualmente a cada ano. Por esta razão, quanto mais cedo for detectado maior será a chance de cura do paciente e, de quanto mais informações o médico dispuser, mais preciso será o diagnóstico. Apesar de o pulmão ter em sua própria composição um contraste natural, existem dificuldades para a identificação e o diagnóstico de nódulos decorrentes dos seguintes fatos: 1) o órgão contém estruturas anatômicas com características (formas, densidades, etc.) semelhantes, que às vezes se confundem; 2) o nódulo na fase inicial, quando tem pequena dimensão e forma mal definida, é de difícil identificação; 3) as medidas efetuadas pelos médicos para a análise da evolução do nódulo, como por exemplo o seu diâmetro, são realizadas de forma artesanal, geralmente utilizando uma régua sobre a imagem; 4) o cansaço visual e o fator emocional do médico podem influenciar no diagnóstico. Com a finalidade de diminuir estas dificuldades foi desenvolvido um sistema computacional que fornecerá mais informações aos médicos para efetuarem um diagnóstico mais preciso. SILVA AC e CARVALHO PCP desenvolveram um protótipo de um sistema de análise e diagnóstico de nódulos pulmonares que fornece à comunidade médica diversos recursos que possibilitarão uma boa análise, visualização e diagnóstico de nódulos pulmonares. Alguns desses recursos são: visualização em 2D e 3D das fatias, filtro de visualização, visualização de detalhes, segmentação dos nódulos, métricas de evolução (circularidade, diâmetro, volume, etc.), segmentação automática do parênquima pulmonar e visualização das estruturas internas do nódulo. O sistema poderá ser usado para fornecer uma segunda opinião para médicos e radiologistas na rotina clínica básica, ou seja, eles podem considerar o resultado da análise do sistema, aplicada na Tomografia Computadorizada (TC), no diagnóstico. Entretanto, o diagnóstico final e as recomendações para o tratamento apropriado serão 68

83 feitos pelos médicos. Para o desenvolvimento do sistema foi formada uma equipe com a participação de médicos, radiologistas e cientistas da computação. As imagens foram adquiridas em um tomógrafo Helicoidal GE pro Speed, sob as seguintes condições: voltagem do tubo de 120 Kv, corrente do tubo de 100 ma, tamanho da imagem de 512x512 pixels e intervalo de reconstrução de 2 mm. Na imagem de TC adquirida, o ar aparece com intensidade média de 1000 Unidades Hounsfield (UH), os tecidos do pulmão na faixa de 910 UH a 500 UH, enquanto o sangue, a parede torácica e os ossos, que são estruturas muito densas, estão acima de 500 UH. As imagens foram quantizadas em 12 bits e armazenadas no formato DICOM. Com o propósito de efetuar a segmentação automática de nódulos pulmonares, o passo inicial, e de fundamental importância, é a segmentação do parênquima pulmonar. Extraindo o parênquima pulmonar, restringe-se a área de segmentação, eliminando estruturas que dificultam o processo, como vasos, brônquios, parede torácica e mediastino. A segmentação é baseada em seqüências de operações simples e tradicionais, como segmentação com limiar global, abertura e fechamento, detecção de borda, afinamento, código da cadeia e classificação das áreas das estruturas. O limiar global tem por objetivo binarizar a imagem, extraindo o parênquima pulmonar. Os procedimentos de fechamento e abertura eliminam pequenas estruturas contidas no parênquima pulmonar (vasos, por exemplo) e preenchem algumas falhas na borda. A detecção da borda e o afinamento têm, respectivamente, o objetivo de extrair a borda das estruturas e afiná-la até a espessura de um pixel. Figura Extração do parênquima pulmonar O sistema disponibiliza dois outros recursos que auxiliam e possibilitam um maior controle sobre a segmentação: a barreira e a borracha. A barreira é um cilindro colocado em volta do nódulo pelo usuário, que tem por objetivo limitar a região de interesse e 69

84 impedir que a segmentação por agregação de voxel invada outras estruturas do pulmão. A borracha, por sua vez, é um recurso do sistema que possibilita ao médico apagar estruturas indesejadas antes ou depois da segmentação, visando evitar e corrigir erros de medição da evolução do nódulo. As próximas etapas a serem implementadas e adicionadas ao sistema serão segmentação automática dos nódulos, análise da evolução do nódulo baseada na sua simetria, detecção de outras lesões, como enfisema pulmonar, visualização da árvore brônquica e outros métodos de reconstrução 3D, como raycasting ou shear-warp. O sistema está em fase experimental e encontra-se sob avaliação clínica, sendo os resultados iniciais promissores. 6.8 Utilização da Análise de Componentes Principais e Redes Neurais Artificiais para a Classificação de Nódulos em Mamografias Digitalizados SILVA AC, CARVALHO PCP e FRERE AF utilizaram a Análise de Componentes Principais (PCA) para reduzir o número de atributos de textura e forma dentro do processo de classificação de nódulos em mamografias digitalizados. Utilizouse um classificador de rede neural artificial com algoritmo de treinamento de backpropagation. O processo completo envolveu quatro etapas: detecção, extração e seleção de atributos, e classificação. Na etapa de detecção, as imagens foram submetidas ao processo combinado das técnicas de segmentação de thresholding, morfologia matemática e de crescimento de região. Foram extraídos 28 atributos (14 de textura e 14 de forma). O melhor resultado obtido foi para uma configuração de rede neural artificial com 3 camadas escondidas, com unidades de entrada para os dez componentes principais, representando 96,70% da variância total, apresentou média da taxa de acerto de 99,72%, taxa de especificidade de 99,51% e taxa de sensibilidade de 100,00%. No processo de segmentação foram definidas manualmente as regiões de interesse (ROI) com o auxílio de um especialista. Para a segmentação dos nódulos contidos nas regiões de interesse, foram utilizadas técnicas que combinaram métodos de crescimento de região (CHEN et al.), limiarização (CHAN et al.) e filtros morfológicos matemáticos. Após a etapa de segmentação, foi realizada a extração de atributos de textura e forma. Os atributos de textura foram calculados a partir das imagens das regiões de interesse originais, pois de acordo com a metodologia proposta por HARALICK et al., 70

85 utilizam-se imagens em níveis de cinza. Os de forma foram calculados a partir das regiões de interesse segmentadas, cujas imagens foram binarizadas. Para definir o número de unidades da camada escondida e o número de amostras de imagens, foi aplicada a regra apresentada por Timothy Masters. De acordo com o autor, o número de amostras deve ser no mínimo igual ao dobro de (n+1)xm, onde n é o número de entradas da rede (no nosso caso o número de atributos) e m é igual ao número de unidades da camada escondida. A quantidade (n+1)xm determina o número de parâmetros livres da rede neural. Levando-se em conta o número de parâmetros livres da rede neural, foi aplicado o método de análise de componentes principais para a reduzir o número de entradas (atributos) a serem aplicados na entrada da rede, e variados o número de unidades da camada intermediária de 3 até 7, dependendo do número de parâmetros livres correspondentes. A proporção e o valor acumulado mais significativos das variâncias dos 28 atributos (forma e textura) foram para os primeiros 7, 8, 9 e 10 coeficientes de componentes principais. Os valores obtidos foram 91,68%, 93,66%, 95,53% e 96,70%, respectivamente. Para a classificação, foi adotado o método de redes neurais artificiais do tipo multicamadas com algoritmo de treinamento por backpropagation (BPN). A função de ativação escolhida foi a sigmóide logarítmica, com os valores de treinamento na saída da rede fixados em 0,02 para a classe benigna e 0,98 para a classe maligna. O número de camadas intermediárias ficou limitado devido ao número de parâmetros livres e número de amostra de imagens. Os melhores resultados obtidos foram: configuração com 10 coeficientes de PCA na entrada da rede, com 3 unidades escondidas e resultados das médias das taxas de acerto, especificidade e sensibilidade iguais a 99,72%, 99,51% e 100,00% respectivamente. A seguir, veio a configuração com 9 coeficientes de PCA na entrada, com 3 unidades escondidas e médias das taxas de acerto, especificidade e sensibilidade iguais a 99,72%, 99,84% e 99,56% respectivamente. 6.9 Recuperação de Imagens por Conteúdo Através de Regiões Determinadas Automaticamente pela Energia BORTOLOTTI LM e TRAINA AJM escreveram um artigo apresentando uma técnica para a extração de características de imagens médicas, baseada na determinação 71

86 automática dos Minimum Bouding Rectangles (MBRs) de regiões presentes na imagem, e no processamento de suas textura. Tal técnica visa permitir mais rapidamente a comparação entre imagens, bem como sua recuperação por conteúdo da base de dados. Assim, dada uma imagem de consulta é possível realizar uma busca em um banco de imagens, retornando as que mais se assemelham com a fornecida, tornando possível a comparação com dados já existentes. Tal recurso auxilia o processo de ensino de radiologia bem como na verificação e comparação de laudos e diagnósticos efetuados sobre a imagem. O método proposto de extração de características é divido em duas partes. Na primeira parte, a imagem é processada e são determinadas regiões com maior área e energia, sendo classificadas como mais significativas. Para isso uma seqüência de filtros é aplicada sobre a imagem para redução de ruídos e eliminação de regiões pequenas e pouco significativas. Na segunda, são extraídas características de textura das regiões determinadas no passo anterior, utilizando-se para isso, medidas da matriz de coocorrência. Para a eliminação de ruídos e das estruturas pequenas é utilizada uma transformada de wavelets. A transformada utilizada foi proposta por Daubechies que, quando aplicada em uma imagem, gera uma miniatura (thumbnail) com tamanho igual a 25% da imagem original. O processamento efetuado na miniatura da imagem é muito mais rápido, já que a miniatura possui apenas ¼ (um quarto) do tamanho da imagem original e mantém as propriedades necessárias para a identificação das regiões de interesse da imagem. Figura 6.2 Aplicação da transformada de wavelets sobre uma imagem 72

87 O próximo passo do processo foi a aplicação de um filtro de detecção de bordas sobre a imagem resultante da aplicação da transformada de wavelet. Para isso, foi utilizado o filtro de Sobel, que compreende um conjunto de matrizes de convolução capaz de detectar os gradientes da imagem (bordas) nas direções vertical e horizontal. A determinação dos MBRs é realizada mediante a construção de gráficos de energia para linhas e colunas da imagem resultante da aplicação do filtro de Sobel. A energia de um conjunto de pixels é calculada somando-se as intensidades dos mesmos. Para obter os gráficos de energia das linhas e colunas a imagem é percorrida e a energia de cada linha e coluna é determinada. Figura 6.3 Gráficos da energia Como os MBRs são determinados sobre a imagem original reduzida, é necessário a transposição das coordenadas para a imagem de entrada para que as características de textura sejam extraídas. O passo final do processamento da imagem para a construção de seu vetor de características consiste na extração de características de textura utilizando-se a matriz de co-ocorrência. Para cada MBR pertencente ao conjunto de resposta, é calculada sua matriz de co-ocorrência e são computadas medidas de entropia, que fornece um indicador de suavidade da textura, e homogeneidade, que indica como os pixels de uma região estão distribuídos em relação à sua intensidade (brilho), pois, devido às características das texturas presentes nas imagens médicas, estas são as medidas que melhor representam estes tipos de imagens. 73

88 Após a análise completa da imagem, o vetor de características é construído com as seguintes informações: o número de MBRs encontrados e por uma lista de medidas extraídas de cada MBR. Esta lista é composta pela área e a energia total do MBR, e as medidas de entropia e homogeneidade extraídas da matriz de co-ocorrência. Esta lista é ordenada em ordem decrescente em relação à área, estabelecendo uma relação de ordem no vetor de características e permitindo, assim, que imagens com diferentes números de MBRs possam ser comparadas. Para realização dos testes, foi utilizada uma base com 250 imagens médicas divididas em cinco classes de diferentes tipos de exames radiológicos. Os testes foram realizados por meio de consultas do tipo k-nn (k-nearest Neighbor), que retornam os k elementos mais próximos do dado de entrada. A comparação das imagens é feita utilizando-se a função de distância Euclidiana, calculada sobre o vetor de características de cada imagem pertencente à base. As distâncias calculadas são então ordenadas e o conjunto resultado é criado. Foram realizados testes sobre um conjunto variado de tipos de exames médicos, e na maioria deles, os resultados obtidos foram satisfatórios, sendo que a maioria das imagens retornadas como sendo mais similares, pertencia à mesma classe da imagem de entrada. 74

89 6.10 Extração de Características de Imagens Médicas Baseadas na Distribuição de Cor nos Espaços de Wavelets CASTAÑÓN CAB e TRAINA AJM escreveram um artigo que apresenta uma técnica de caracterização de imagens médicas, com a finalidade de facilitar o processo de indexação das mesmas em estruturas multidimensionais. Uma abordagem para este problema de caracterização consiste na geração de vetores de características baseadas nas transformadas de wavelets, sendo que as características extraídas agrupam-se num vetor que constituirá a identificação da imagem. Nesta proposta, o sistema extrai as características mais relevantes da imagem, calcula a distância entre uma imagem de consulta e aquelas que se encontram no banco de dados, e recupera as n imagens mais similares. A abordagem apresentada baseia-se na aplicação dos filtros das wavelets de Daubechies sobre características globais da imagem. As transformadas de wavelets fornecem a representação tempo-freqüêcia de forma simultânea, o que é de grande auxílio, pois em muitos casos é de interesse conhecer a ocorrência de um componente espectral num determinado instante. Nesses casos pode ser de muito interessante conhecer os intervalos de tempo onde estão esses componentes espectrais de forma particular. A análise de multi-resolução permite estudar um sinal ou uma função em distintas escalas. O elemento central da análise de multi-resolução é uma função f(t), denominada função escala, que tem a finalidade de representar um sinal em diferentes escalas. A translação desta função resulta na construção de blocos da representação do sinal em escalas distintas. Esta escala pode ser alterada por acréscimos de dilatações (stretching) ou diminuída mediante contrações (squeezing). A transformada de wavelet pode ser desenvolvida sobre um sinal multidimensional simplesmente mediante aplicações sucessivas de transformações unidimensionais através de todas as dimensões. Este processo é muito usado no processamento de imagens. 75

90 Figura Decomposição wavelet 2D. Imagem original, primeiro e segundo nível de decomposição. Para gerar vetores de características aplicaram-se três níveis de decomposição wavelet, gerando dez sub-espaços (um de baixa freqüência e nove de alta freqüência). O sub-espaço de baixa freqüência corresponde à versão comprimida da imagem original. Neste processo, os parâmetros extraídos de cada sub-espaço de alta freqüência foram média, energia, entropia, gerando nove valores por cada tipo de característica. A consulta por semelhança está baseada na similaridade semântica entre as imagens, sendo que apenas imagens do mesmo tipo devem ser pesquisadas. Por exemplo, dada uma imagem do cérebro, outras imagens deste órgão devem ser recuperadas e exibidas como resposta. Para recuperar as imagens relacionadas, a busca é realizada em duas etapas, na primeira gera-se o vetor de características constituído pela media, energia e entropia de cada sub-banda. Na segunda etapa calcula-se a distância Euclidiana entre cada uma das imagens do banco de dados e a imagem de consulta. Assim as distâncias resultantes são ordenadas e as n menores distâncias são recuperadas. Para avaliar a utilidade da proposta, foi desenvolvido um protótipo capaz de realizar consultas por similaridade em um banco de dados de imagens reais. O conjunto corresponde a grupos de exames tomográficos com imagens consecutivas apresentando pequenas alterações. Os vetores de características foram gerados sobre bandas de alta freqüência resultado da decomposição em três níveis. É interessante ressaltar que estes sub-espaços gerados apresentam a propriedade de ortogonalidade entre eles, o qual permite a existência de características não correlacionadas. Os testes do sistema desenvolvido 76

91 mostraram que o desempenho de recuperação foi aceitável. Pode-se afirmar que o presente trabalho apresenta o potencial das wavelets para caracterizar imagens. O sistema pode ser melhorado com a adição de outras características que identifiquem aspectos de textura e forma, sendo estes os seguintes passos no desenvolvimento de trabalhos futuros Exemplo de CAD Baseado em Dados Clínicos AMBROSIO PE desenvolveu um sistema computacional de apoio ao diagnóstico de um grupo de patologias classificadas como lesões intersticiais pulmonares, com o intuito principal de se verificar a validade da utilização da técnica de redes neurais artificiais para esse fim. O primeiro passo para o desenvolvimento da pesquisa foi definir quais as doenças que seriam levantadas para o estudo. Como já comentado anteriormente, o número de doenças que podem ser classificadas no grupo das lesões intersticiais pulmonares é muito grande, englobando mais de 180 diferentes doenças. Para realizar a escolha de quais seriam utilizadas como exemplo para o desenvolvimento do sistema, contou-se com a ajuda de um médico especializado na área, através do qual, com base principalmente na relevância clínica e dificuldade do diagnóstico diferencial, foram selecionadas as patologias já descritas, sendo elas: blastomicose sul-americana, fibrose pulmonar idiopática, tuberculose miliar, histoplasmose, sarcoidose, silicose, esclerodermia, histiocitose e linfangite carcinomatosa. Em seguida, também contando com a ajuda do especialista, foram levantados os principais parâmetros a serem observados no exame clínico e radiológico que podem auxiliar no diagnóstico diferencial, chegando-se aos seguintes: a) parâmetros clínicos: idade do paciente; sexo; tempo de duração dos sintomas; constatação de estado febril; nível de imunidade; relato de doença maligna; paciente fumante; 77

92 relato de tratamentos com drogas; relato de exposição constante à poeira; relato de exposição constante a antígenos orgânicos. b) Parâmetros radiológicos: grau de lesões apresentadas na área superior, nas metades esquerda e direita; grau de lesões apresentadas na área média, nas metades esquerda e direita; grau de lesões apresentadas na área inferior, nas metade esquerda e direita; apresentação de padrão proximal ou periférico; homogeneidade das lesões apresentadas; apresentação de padrão fino ou grosseiro; apresentação de nodularidade; apresentação de linhas septais; apresentação de pulmão em favo de mel ; verificação de perda de volume pulmonar; apresentação de linfadenopatia; apresentação de efusão pleural; tamanho cardíaco alterado. Para o levantamento dos casos clínicos, todos coletados no Hospital das Clínicas da Faculdade de Medicina de Ribeirão Preto (HCFMRP), primeiramente fora realizada uma pesquisa nos arquivos do hospital para levantamento dos casos registrados com diagnóstico para uma das patologias investigadas. Após esse levantamento, eliminou-se todo registro em que não houvesse uma comprovação concreta do diagnóstico, mantendo-se apenas os registros em que essa comprovação fosse possível de verificação. Esses registros foram então levados novamente ao médico especializado, o qual excluiu os que apresentavam a patologia como causa secundária. Finalmente, esse conjunto de elementos, já bastante reduzido, foi levado para a análise, por um médico radiologista, o qual realizou a quantificação dos parâmetros radiológicos e o preenchimento do protocolo utilizado como entrada de dados para o sistema. 78

93 Parâmetros Clínicos Idade Sexo (0=Masc.; 1=Fem.) Duração dos Sintomas (0 12 meses) Temperatura (0=Normal; 1=Febre) Imunidade (0=Normal; 1=Suprimido) Doença Maligna (0=Não; 1=Sim) Fumante (0=Não; 1=Sim) Tratamento com Drogas (0=Não; 1-Não tóxico; 2=Pouco tóxico; 3=Tóxico) Exposição à Poeira (0=Não; 1=Sim) Exposição a Antígenos Orgânicos (0=Não; 1=Sim) Parâmetros Radiológicos Campo Superior Esquerdo (0-5) Campo Superior Direito (0-5) Campo Médio Esquerdo (0-5) Campo Médio Direito (0-5) Campo Inferior Esquerdo (0-5) Campo Inferior Direito (0-5) Proximal/Periférico (0-5; 0=Proximal; 5=Periférico) Homogeneidade (0-5) Fino/Grosseiro (0-5; 0=Fino; 5=Grosseiro) Nodularidade (0-5) Linhas Septais (0-5) Favo de Mel (0-5) Perda de Volume Pulmonar (0-5) Linfadenopatia (0-5) Efusão Pleural (0-5) Tamanho Cardíaco (1-5) 79

94 Os dados caracterizados como parâmetros clínicos foram obtidos através do prontuário do paciente, e quantificados da seguinte maneira: a) Idade: idade do paciente, em anos; b) Sexo: sexo do paciente, sendo o valor 0 para sexo masculino e valor 1 para sexo feminino; c) Duração dos sintomas: relatado pelo paciente, de 0 a 12 meses (relatos de mais de doze meses foram fixados no valor 12); d) Temperatura: observação de estado febril no momento do exame, sendo classificado com o valor 0 para temperatura normal, e valor 1 para a constatação de febre; e) Imunidade: valor 0 para pacientes com imunidade normal e 1 para os portadores de doenças do sistema imune; f) Doença maligna: relatado pelo paciente, sendo o valor 1 para os pacientes portadores de doença maligna e 0 caso contrário; g) Fumante: relatado pelo paciente, sendo 0 para não fumantes e 1 para fumantes; h) Tratamento com drogas: pacientes com tratamento por drogas tóxicas foram classificados com o valor 3, pacientes tratados por drogas pouco tóxicas receberam o valor 2, tratados com drogas não tóxicas valor 1, e pacientes que não receberam nenhum tratamento por drogas classificados com o valor 0; i) Exposição à poeira: pacientes que relataram exposição constante à poeira receberam valor 1, caso contrário 0; j) Exposição a antígenos orgânicos: também relatada pelo paciente, a exposição a qualquer tipo de antígeno orgânico recebeu o valor 1, e valor 0 caso contrário. Os parâmetros radiológicos foram quantificados pelo profissional especializado com base na observação das imagens radiológicas catalogadas também no prontuário do paciente. Essa quantificação foi realizada com valores inteiros no intervalo de 0 a 5 para todos os campos, exceto o tamanho cardíaco (intervalo de 1 a 5), sendo dado o valor 0 para a ausência de lesão, e valores maiores para o nível (ou tamanho) da presença de lesão (na análise do campo superior esquerdo da imagem, verificando-se ausência de lesões nessa área, quantificou-se com o valor 0; por outro lado, verificando-se lesões abrangendo toda a área, valor 5). Nota-se que essa quantificação dos parâmetros radiológicos foi realizada de 80

95 maneira muito subjetiva, cujos valores poderiam ser diferentes quando realizada a análise por outro profissional. Mas isso é o que realmente ocorre na prática diária da profissão. Para o treinamento e testes do sistema, realizou-se o levantamento de dados no Hospital das Clínicas da Faculdade de Medicina de Ribeirão Preto, conforme descrito acima, no período de janeiro a dezembro de 2001, contando com o apoio de um estudante de iniciação científica do curso de Ciências Médicas dessa instituição, onde se o teve um total de 79 (setenta e nove) casos das patologias investigadas, assim distribuídos: 21 casos de blastomicose sul-americana; 14 casos de histoplasmose; 11 casos de fibrose pulmonar idiopática; 10 casos de tuberculose miliar; 9 casos de sarcoidose; 5 casos de esclerodermia; 4 casos de silicose; 3 casos de histiocitose X; e 2 casos de linfangite carcinomatosa. O sistema computacional desenvolvido nesse trabalho baseou-se na técnica de redes neurais artificiais do tipo perceptron multicamadas. A opção por esse tipo de rede se deu pelo fato de o problema tratado ser basicamente uma classificação de amostras em determinados padrões, sendo essa a principal aplicação dos perceptrons. Para o treinamento da rede, utilizou-se o paradigma da aprendizagem supervisionada, através do algoritmo de backpropagation. De todas as configurações testadas, a que apresentou melhores resultados e, portanto a escolhida, contém apenas uma camada oculta com 19 nós, promovendo a conexão entre a camada de entrada e a de saída. A função de ativação dos elementos de processamento utilizada foi a sigmóide do tipo logística, cujo parâmetro de inclinação (D), também foi alvo de variação em diferentes testes, tendo sido testado com os valores 1, 2 e 4. Cada um dos 79 registros dessa base (total de casos coletados) compõe-se de uma cadeia de 35 valores numéricos, representando os 26 campos do protocolo de entrada, mais 9 valores para representar a saída esperada (a patologia previamente diagnosticada pelo especialista). A codificação numérica das patologias investigadas, para a implementação computacional é mostrada na Tabela

96 Tabela 6.1 Codificação das patologias. Patologia Representação numérica Linfangite carcinomatosa Histiocitose Esclerodermia Silicose Sarcoidose Histoplasmose Tuberculose miliar Fibrose pulmonar idiopática Blastomicose sul-americana Um exemplo contendo alguns registros da base de dados utilizados como entrada da rede na fase de treinamento é mostrado na Tabela 6.2. Tabela 6.2 Registros utilizados como entrada da Rede Neural Estabeleceu-se, portanto, a configuração ideal da rede neural, para esse trabalho, composta de 26 elementos na camada de entrada (os 26 elementos do protocolo de entrada), 9 elementos na camada de saída (as 9 patologias a serem classificadas) e uma camada oculta com 19 elementos, conectando a camada de entrada à de saída. A saída do sistema apresenta todas as nove patologias possíveis, classificadas de acordo com a probabilidade de ser a correta. Foram analisadas as situações em que o sistema apresentou o resultado correto como primeira ou segunda opção da lista classificada. Um importante detalhe que se pôde observar durante o desenvolvimento do estudo foi a grande subjetividade apresentada pelos médicos especialistas na análise e quantificação dos parâmetros radiológicos para a elaboração do diagnóstico. 82

97 7 Metodologia 7.1 Introdução Este capítulo tem como objetivo descrever a metodologia que foi empregada no desenvolvimento de uma ferramenta auxiliar na detecção de lesões hemorrágicas ou isquêmicas, denominada CAD-BR. Os propósitos desta ferramenta são: Detectar áreas hiperdensas ou hipodensas em TC de crânio; Excluir potenciais ruídos oriundos da filtragem; Quantificar as áreas hiperdensas ou hipodensas; Permitir ao usuário a criação de sua base de dados de conhecimento. Este banco de dados possibilitará a continuidade no desenvolvimento de novas ferramentas. Fornecer ao usuário uma interface bastante amigável. O estudo tem como proposta inicial a elaboração de uma Rede Neural Artificial utilizando o algoritmo de backpropagation com aprendizado supervisionado. Nesta abordagem, os dados relativos à anamnese dos pacientes foram codificados e apresentados à camada de entrada da Rede Neural em conjunto com os dados extraídos das imagens. Figura Uso dos dados da anamnese em conjunto com os dados das imagens 83

98 Como mostrado na Figura 7.1, é no uso dos dados da anamnese em conjunto com os dados extraídos das imagens que reside a principal inovação do método. Estudos mostram o uso de dados de anamnese e imagens em Sistemas de Auxílio ao Diagnóstico, mas sempre separadamente. As imagens dos exames utilizadas como entradas da RNA foram validadas pelos laudos armazenados no banco de dados de um RIS (Sistema de Informações em Radiologia). Os laudos foram utilizados como gold standard 14 neste estudo. Todas as imagens e laudos foram anonimizados, anteriormente à sua utilização, para preservar a identidade dos pacientes. Para o levantamento dos casos clínicos, todos coletados em uma Clínica de Diagnóstico por Imagem no Rio de Janeiro, foi elaborada uma ficha de anamnese na qual os pacientes ou seus acompanhantes deveriam responder a algumas questões relevantes para a classificação das imagens. Os parâmetros radiológicos foram quantificados pelo sistema CAD-BR com base na análise das imagens radiológicas do paciente. Essa quantificação foi realizada com a contagem dos valores dos pixels remanescentes após processos de filtragem por densidade e aplicação de operadores morfológicos. Um importante detalhe que se pôde observar durante o desenvolvimento do estudo foi a utilização de valores concretos extraídos das imagens dos exames. Outros estudos, no entanto, relataram grande subjetividade apresentada pelos médicos especialistas na análise e quantificação dos parâmetros radiológicos para a elaboração do diagnóstico. 7.2 Construção do Banco de Dados Para treinamento e teste dos sistemas propostos, estão disponíveis imagens de exames de Tomografia Computadorizada de Crânio, seus respectivos laudos emitidos e revisados por especialistas (radiologistas) e o questionário respondido por pacientes ou seus acompanhantes. 14 Na medicina, um teste padrão ouro é um teste de diagnóstico ou uma avaliação tida como definitiva. Isto pode ser referenciado a um processo de doença ou critério pelo qual uma evidência científica é avaliada. Um teste padrão ouro ideal tem uma sensibilidade de 100%, ou poder estatístico de 100% (identifica todos os indivíduos com um processo de doença, não apresentando resultados falso-negativos). Um teste padrão ouro ideal também tem uma especificidade de 100%, não apresentando resultados falsopositivos. Na prática, não existem testes padrão ouro ideais. Como novos métodos diagnósticos são criados, o teste padrão ouro pode mudar ao longo do tempo. Por exemplo, para o diagnóstico de uma dissecção de aorta, o teste padrão ouro utilizado era a aortografia, que tinha uma sensibilidade de 83% e uma especificidade de 87%. Devido ao avanço da RM, a angioressonância passou a ser o teste padrão ouro para o caso citado, com uma sensibilidade de 95% e uma especificidade de 92%. 84

99 7.2.1 Busca de informações relevantes no Banco de Dados do RIS Os laudos dos exames estão disponíveis no Banco de Dados do Sistema de Gestão da Clínica RIS 15 onde foram realizados os exames. A extração dos laudos, bem como a identificação dos exames normais e anormais é realizada através de comandos SQL em um Banco de Dados Firebird 16. Para identificação dos exames que tiveram diagnóstico que apontavam para a ocorrência da síndrome do AVC, foi necessária a realização de buscas no banco de dados do RIS por palavras que pudessem caracterizar os eventos isquêmicos e hemorrágicos. Do contato com especialistas, pode-se observar que a descrição dos achados é sempre identificada pela presença das palavras isquemia, isquêmico, isquêmica, hemorragia, hemorrágico ou hemorrágica. Face ao exposto, foram criados scripts SQL com o objetivo de identificar e distinguir os números dos exames que poderiam caracterizar um AVC Isquêmico ou Hemorrágico, além de extrair a data de nascimento e sexo dos respectivos pacientes. As características necessárias para a busca por exames de AVC Isquêmico são: Ser uma Tomografia Computadorizada de Crânio; Ter sido realizado entre 01/01/2006 e 31/12/2007; Conter no corpo do laudo uma das palavras isquemia, isquêmico ou isquêmica e seus plurais. Um exemplo de laudo é mostrado a seguir: Foram realizados cortes axiais paralelos a linha órbito-meatal, com 3 mm de intervalo entre os cortes na fossa posterior e 7 mm na região supra tentorial, sem contraste iodado, que demonstraram: - O parênquima dos lobos cerebrais apresenta valores de atenuação dentro dos padrões normais. - Núcleos da base, tálamos e regiões capsulares sem alterações. - Hemisférios cerebelares de aspecto anatômico. 15 RIS Radiology Information System tem por objetivo gerenciar todo o fluxo de informações em uma clínica de diagnósticos por imagem. Cadastro de pacientes, laudos e faturamento são alguns dos módulos que deve conter um sistema de gestão em radiologia. 16 Firebird - utiliza-se do padrão ANSI SQL-92 para prover a manipulação dos bancos de dados e algumas funções que complementam tal padrão, bem como a possibilidade de costumização. 85

100 - Sistema ventricular de configuração anatômica e volume normal. - Cisternas da base de amplitudes normais. - Ventrículos supra-tentoriais, sulcos corticais e cisternas da base proeminentes. - Quarto ventrículo centrado. - Involução fisiológica do parênquima cerebral manifesto por ampliação dos sulcos e cisternas e por expansão secundária do sistema ventricular. - Áreas hipodensas circunscritas, sugestivas de lesões isquêmicas focais. - Alterações neurodegenerativas compatíveis com a faixa etária. A linha grifada pode ser encontrada no banco de dados através da busca pela palavra-chave isquêmicas. As características necessárias para a busca por exames de AVC Hemorrágico são: Ser uma Tomografia Computadorizada de Crânio; Ter sido realizado entre 01/01/2006 e 31/12/2007; Conter no corpo do laudo uma das palavras hemorragia, hemorrágico, hemorrágica ou hematoma e seus plurais. Um exemplo de laudo é mostrado a seguir: Foram realizados cortes axiais paralelos a linha órbito-meatal, com 3 mm de intervalo entre os cortes na fossa posterior e 7 mm na região supra tentorial, sem contraste iodado, que demonstraram: - Área com densidade espontaneamente densa acometendo o núcleo lentiforme esquerdo, devendo corresponder a lesão de natureza vascular com componente hemorrágico recente. - Pequenas áreas focais de baixa densidade acometendo coroas radiadas e cápsula externa à direita, sugestivas de lesões de natureza vascular. - Sistema ventricular de configuração anatômica e volume normal. - Cisternas da base de amplitudes normais. - Calcificações parietais vasculares. 86

101 A linha grifada pode ser encontrada no banco de dados através da busca pela palavra-chave hemorrágico Imagens As imagens dos exames foram adquiridas em um Tomógrafo Computadorizado marca General Electric, modelo High Speed. A matriz das imagens utilizadas neste estudo é 512x512 pixels. As imagens estão disponíveis em formato DICOM e armazenadas compactadas (sem perdas) em DVD-ROM. O arquivo de imagens conta com aproximadamente exames de Tomografia Computadorizada no período selecionado, dos quais aproximadamente são exames do Encéfalo. Uma vez localizados os exames relevantes ao presente estudo, suas imagens foram restauradas dos DVDs para o disco rígido da estação onde foi realizada a etapa de pré-processamento. A Figura 7.2 ilustra o fluxo descrito acima. Figura 7.2 Fluxo de separação das imagens dos exames Exemplos de imagens obtidas caracterizando AVC Isquêmico e Hemorrágico são mostrados na Figura 7.3 e na Figura

102 Figura 7.3 Imagens de um exame de Tomografia Computadorizada - AVC Isquêmico Figura 7.4 Imagens de um exame de Tomografia Computadorizada - AVC Hemorrágico 88

103 Foi criada uma função com o objetivo de manter anônimas as imagens dos exames. Isto foi realizado através da substituição do nome do paciente por um nome fictício, como por exemplo, Paciente75. Para preservar a identidade dos pacientes, o campo Patient Name foi alterado em cada imagem de cada estudo utilizado neste trabalho, conforme mostrado na Figura 7.5. Figura 7.5 Cabeçalho DICOM mostrando alteração do nome do paciente Como Parâmetro Radiológico, foi utilizada a quantidade de pixels remanescentes após a aplicação de filtros e de técnicas de processamento de imagem, conforme detalhado na seção Anamnese Nesta etapa do estudo foi elaborado um questionário a ser preenchido pelo paciente ou seu acompanhante (anamnese) o qual foi utilizado nas etapas de treinamento e validação das redes neurais em conjunto com as imagens dos exames. Contando com a ajuda de especialistas e de acordo com os estudos realizados, levantaram-se os principais parâmetros clínicos a serem observados no exame clínico 89

104 que podem auxiliar no diagnóstico diferencial, chegando-se aos seguintes: Idade do paciente; Sexo; Fumante; Vômito; Diabetes; Cefaléia; Tempo de cefaléia; Angina; Déficit motor; Pressão alta; Depressão do estado de consciência 17. Para a coleta destas informações, foi elaborada uma ficha contendo os parâmetros clínicos acima citados. Esta ficha foi distribuída a todos os pacientes que realizaram exames de Tomografia Computadorizada do Crânio e foi preenchida pelo paciente ou seu acompanhante, com exceção da idade e do sexo do paciente que foram coletados diretamente do banco de dados do RIS. Estas fichas foram posteriormente digitadas e foi gerada uma planilha contendo os números dos exames, a idade e o sexo dos pacientes e os valores anotados para cada parâmetro clínico. O modelo de ficha utilizado é mostrado na Figura Foi utilizada a Escala de Coma de Glasgow para quantificação da depressão do estado de consciência. Ela compreende três testes: respostas de abertura ocular, fala e capacidade motora. 90

105 Figura 7.6 Ficha de Anamnese 91

106 7.3 Pre-processamento Imagens Exemplos de imagens obtidas caracterizando AVC Hemorrágico e Isquêmico Figura 7.7 e na Figura 7.8. são mostrados na Figura AVC Hemorrágico Figura AVC Isquêmico Foi realizada a filtragem por densidades das imagens dos exames. Lesões hemorrágicas mostram-se hiperdensas (mais claras, com densidades entre 60 e 75 92

107 Unidades Hounsfield - UH 18 ), enquanto que lesões isquêmicas apresentam-se hipodensas (mais escuras com densidades entre 15 e 20 UH). Figura AVC Isquêmico e imagem pós filtragem Figura AVC Hemorrágico e imagem pós filtragem A Figura 7.9 e a Figura 7.10 mostram imagens axiais obtidas no exame de Tomografia Computadorizada do Crânio com as respectivas imagens das lesões extraídas pela filtragem de densidades. Foi desenvolvido um mecanismo de duplo filtro, que realiza a busca por lesões hemorrágicas e isquêmicas em todas as imagens dos exames. Este duplo filtro consiste em uma filtragem buscando lesões hipodensas e outra buscando lesões hiperdensas. 18 UH - Escala onde 1000 é mais escuro, 0 é um cinza médio e (ou mais) é bem claro. Dessa forma quanto mais Rx o objeto absorver (mais denso, como o osso), mais claro ele é na imagem. A escala de cinza é formada por um grande espectro de representações de tonalidades entre branco, cinza e o preto. Uma escala de cinzas foi criada especialmente para a TC e sua unidade foi chamada de Unidade Hounsfield (UH), em homenagem ao cientista que desenvolveu a TC - Godfrey Newbold Hounsfield. 93

108 Feito isto, observou-se que as imagens resultantes da filtragem apresentavam pixels isolados, não conectados à região da lesão e que não deveriam ser considerados na quantificação. Face ao exposto, foi aplicada a operação morfológica de erosão, que visa eliminar os pixels que não apresentem ligações com outros, podendo ser considerados como ruídos. Foi utilizado um elemento estruturante em formato de diamante com raio 2. Figura Erosão Como pode ser observado na Figura 7.11, o processo de erosão elimina ruídos oriundos do processo de filtragem, mas também elimina pixels com pouca relação de conexidade na região da lesão. Face ao exposto, faz-se necessária a utilização do operador morfológico da dilatação, que visa restaurar os pixels retirados da região da lesão sem, contudo, reinserir os ruídos na imagem, como mostrado na Figura Figura Dilatação 94

109 Os parâmetros radiológicos foram quantificados pelo sistema CAD-BR com base na análise das imagens radiológicas dos pacientes. Como resultado das filtragens e da aplicação dos operadores morfológicos, obteve-se uma contagem de pixels remanescentes na faixa que caracteriza lesões isquêmicas e outra contagem para a faixa que caracteriza lesões hemorrágicas. Consideram-se pixels remanescentes aqueles pixels visíveis, com valores diferentes de zero ou não pretos das imagens. Essa quantificação foi realizada após as operações de erosão e dilatação para que os ruídos não fossem computados. Um exemplo de quantificação para um exame de TC de Crânio com 22 imagens é mostrado na Tabela 7.1. Tabela 7.1 Exemplo de quantificação para uma TC de Crânio Imagem Filtros UH UH Os exames de Tomografia Computadorizada são originalmente formados por várias imagens axiais. Porém, nem todas as imagens de um exame apresentam pixels com valores significativos para caracterizar uma patologia, sendo, portanto, imagens 95

110 normais, mas podendo fazer parte de um exame patológico. Foi considerada uma imagem normal aquela que obteve valores de contagem inferiores a 20 pixels no processo de quantificação. Estas imagens não foram consideradas para fins de treinamento e validação, diminuindo a carga de processamento da rede neural Anamnese Após estudos e consultas a especialistas, verificou-se que alguns parâmetros clínicos mostravam-se mais relevantes que outros para a detecção de AVCs. Sendo assim, decidiu-se por classificar os parâmetros clínicos nos grupos primário e secundário, conforme a Tabela 7.2 e a Tabela 7.3. Foram realizados testes para validar esta divisão, conforme descrito no capítulo 8. Tabela 7.2 Parâmetros Clínicos - Grupo Primário. Primário Idade do paciente Sexo Vômito Cefaléia Tempo de cefaléia Déficit motor Depressão do estado de consciência Tabela 7.3 Parâmetros Clínicos - Grupo Secundário. Secundário Fumante Diabetes Angina Pressão alta Foi verificado que em alguns casos ocorreu o não preenchimento de alguns parâmetros clínicos contidos na anamnese. 96

111 Os exames cujas anamneses não apresentavam respostas para qualquer um dos parâmetros clínicos primários foram descartados, não sendo usados para a composição do banco de dados. Em contrapartida, para exames cujas anamneses apresentavam parâmetros clínicos secundários com preenchimento incompleto, foi considerada a ausência de preenchimento como uma resposta indefinida. 7.4 Codificação Para a apresentação das informações na rede neural foi necessária a codificação dos dados obtidos na etapa de pré-processamento. Dividiu-se a codificação em dois grupos: imagens e anamnese Imagens Os parâmetros radiológicos foram quantificados pelo sistema CAD-BR com base na análise das imagens radiológicas dos pacientes. Essa quantificação foi realizada com valores inteiros oriundos da contagem dos pixels remanescentes. Do processo de quantificação dos pixels remanescentes foram obtidos valores variando de 0 a aproximadamente. Com o objetivo de normalizar a contagem, os valores encontrados foram divididos por 1.000, sendo o valor 0 para a ausência de lesão. Valores de contagem superiores a foram representados pelo valor 1, que é a codificação máxima. Como exemplo, considerando uma lesão retangular hipotética que seja quantificada por pixels, agrupados em 20 linhas e 50 colunas, onde cada pixel tenha lado igual a 0,5mm. A lesão terá as dimensões de 10mm por 25mm. Conforme descrito anteriormente, foram gerados dois grupos com informações dos pixels remanescentes: um grupo representando a quantificação dos pixels que caracterizam uma lesão isquêmica e outro grupo representando lesões hemorrágicas. Estes valores foram utilizados em separado, cada um representando uma entrada na rede neural Anamnese Os dados caracterizados como parâmetros clínicos foram obtidos através do questionário respondido pelo paciente ou seu acompanhante, e quantificados da seguinte maneira: 97

112 a) Idade Pacientes com idade entre 0 e 20 anos receberam valor 0,25; Pacientes com idade entre 20 e 40 anos receberam valor 0,5; Pacientes com idade entre 40 e 60 anos receberam valor 0,75; Pacientes com idade superior a 60 anos receberam valor 1. b) Sexo Pacientes do sexo masculino receberam valor 0,5; Pacientes do sexo feminino receberam valor 1. c) Vômito Valor 0,5 para pacientes que não apresentaram episódio de vômito; Valor 1 para pacientes que apresentaram episódio de vômito. d) Diabetes Valor 0,5 para pacientes com taxa de glicose normal; Valor 1 para pacientes com altas taxas de glicose. e) Fumante Valor 0,5 para não fumantes; Valor 1 para fumantes. f) Cefaléia Valor 0,5 para os pacientes que não sentiam dores de cabeça; Valor 1 para os pacientes que sentiam dores de cabeça. g) Tempo de cefaléia: Pacientes que não sentiram dores de cabeça receberam valor 0; Pacientes que tiveram cefaléia nas últimas 24 horas receberam valor 0,25; Pacientes que tiveram cefaléia nas últimas 48 horas receberam valor 0,5.; Pacientes que tiveram cefaléia na última semana receberam valor 0,75; Pacientes que tiveram cefaléia no último mês receberam valor 1. h) Angina: Pacientes que não relataram dor no peito receberam 0,5; Pacientes que relataram dor no peito receberam valor 1. i) Déficit motor: Movimentos normais receberam o valor 0,5; A perda de movimento em qualquer membro do corpo recebeu o valor 1. j) Pressão alta 98

113 Pacientes que relataram não sofrer de pressão alta receberam valor 0,5; Pacientes que relataram sofrer de pressão alta ou que apresentaram valores altos recentemente medidos receberam valor 1. l) Depressão do estado de consciência: Foi utilizada a Escala de Coma de Glasgow. Ela compreende três testes: respostas de abertura ocular, fala e capacidade motora. A soma dos três valores foi considerada. A Escala de Coma de Glasgow menor possível é 3 (coma profundo) e o maior é 15 (pessoa desperta). Os valores encontrados foram normalizados, sendo todos eles divididos por 15. Os possíveis valores para codificação dos parâmetros clínicos são mostrados na Tabela 7.4. Tabela 7.4 Codificação dos parâmetros clínicos Parâmetro Clínico Possíveis Valores Idade do paciente 0,25 0,5 0,75 1 Sexo 0,5 1 Fumante 0 0,5 1 Vômito 0,5 1 Diabetes 0 0,5 1 Cefaléia 0,5 1 Tempo de cefaléia 0 0,25 0,5 0,75 1 Angina 0 0,5 1 Déficit motor 0,5 1 Pressão alta 0 0,5 1 Depressão do estado de consciência 0 a Conjunto de treinamento e testes Do conjunto de dados coletados, elaborou-se a base computacional para o treinamento do sistema. Cada um dos 780 registros dessa base (total de casos coletados) compõe-se de uma cadeia de 13 valores numéricos, representando os 11 campos dos parâmetros clínicos e os 2 campos da codificação dos parâmetros radiológicos (grupos com informações de pixels remanescentes representando a quantificação dos pixels para lesões isquêmicas e hemorrágicas). A codificação numérica das patologias investigadas, para representar a saída esperada é mostrada na Tabela

114 Um exemplo contendo alguns registros da base de dados utilizados como entrada da rede na fase de treinamento é mostrado na Tabela 7.5. Tabela Registros da base de dados utilizados como entrada da rede neural Entrada Codificação A B C D Rede Neural O sistema computacional desenvolvido nesse trabalho baseou-se na técnica de redes neurais artificiais do tipo perceptron multicamadas. A opção por esse tipo de rede se deu pelo fato de o problema tratado ser basicamente uma classificação de amostras em determinados padrões, sendo essa a principal aplicação dos perceptrons. Para o treinamento da rede, utilizou-se o paradigma da aprendizagem supervisionada, através do algoritmo de backpropagation. Para o treinamento da rede foi utilizado o programa Matlab. Os pesos oriundos do processo de treinamento foram armazenados e utilizados posteriormente na ferramenta desenvolvida. Vários testes para diferentes configurações da rede foram realizados. Mantendo-se sempre o mesmo número de elementos nas camadas de entrada e de saída, ou seja, 13 nós na camada de entrada (representando os 13 parâmetros do protocolo de entrada), e 2 nós na camada de saída (cada um representando um dos padrões de classificação). Foi utilizada a Tabela 7.6 como valores alvo da rede neural. Tabela 7.6 Codificação das Patologias Patologia Representação numérica Neurônio 1 Neurônio 2 Exame Normal 0 0 AVC Hemorrágico 0 1 AVC Isquêmico 1 0 AVC Hemorrágico e Isquêmico

115 Na maioria das publicações verificadas obteve-se, como sugestão, iniciar os trabalhos com uma configuração de uma camada oculta com um pequeno número de elementos e ir aumentando essa quantidade para se verificar as diferenças. Testou-se uma série de variações quanto ao número de elementos ocultos. Partiu-se inicialmente com uma configuração de apenas uma camada oculta composta de 2 elementos, e aumentou-se gradativamente esse número até alcançar um bom desempenho, conforme descrito no capítulo 8. O número de camadas ocultas também é alvo de intensas pesquisas para se tentar alcançar os valores mais adequados. Optou-se, nesse trabalho, em efetuar também testes com duas camadas ocultas. Nesses testes, os índices encontrados ficaram abaixo dos encontrados com apenas uma camada oculta, não justificando o aumento da complexidade e do peso computacional da implementação. Estabeleceu-se, portanto, a configuração ideal da rede neural, para esse trabalho, composta de 13 elementos na camada de entrada (os 11 elementos dos parâmetros clínicos e os 2 elementos dos parâmetros radiológicos), 2 elementos na camada de saída (as 2 patologias a serem classificadas, podendo ocorrer simultaneamente) e uma camada oculta com 7 elementos, conectando a camada de entrada à de saída, como mostrado na Figura Figura 7.13 Exemplo da rede neural utilizada 101

116 8 Resultados e Discussão Os testes foram realizados utilizando a base de dados criada para validação da metodologia. O sistema desenvolvido ao longo deste trabalho foi comparado com os laudos dos exames de Tomografia Computadorizada de Crânio gold standard. Outro aspecto importante para esta etapa foi a escolha dos testes realizados. Neste trabalho, além dos testes relativos à validação da técnica utilizada foram realizados os seguintes testes com as seqüências de dados: Teste para escolha da melhor arquitetura da rede neural; Teste da importância dos dados da anamnese secundários; Verificação da necessidade dos parâmetros clínicos secundários para a solução do problema. Teste da importância da aplicação de filtros morfológicos; Teste da importância dos parâmetros radiológicos. Todos os testes foram avaliados em relação ao percentual de acerto na base de dados de treinamento e foram utilizadas as medidas de sensibilidade (Sn) e especificidade (Sp) para a base de dados de validação. Usualmente, a sensibilidade e a especificidade são definidas como: TP Sn = (Equação 8.1) TP + FN TN Sp = (Equação 8.2) TN + FP Onde: TP (os verdadeiros positivos (true positives)) são os exames com AVC preditos corretamente; TN (os verdadeiros negativos (true negatives)) são os exames normais preditos corretamente; FP (os falsos positivos (false positives)) são os exames normais preditos como AVC; FN (os falsos negativos (false negatives)) são os exames com AVC preditos como normais. 102

117 Pode-se dizer que Sn é a proporção de exames com AVC que são corretamente preditos, e que Sp é a proporção de exames normais que são corretamente preditos. Estas medidas são importantes para a avaliação da taxa de acerto da ferramenta. 8.1 Avaliação do modelo para detecção de AVCs Seleção de dados Para este estudo foram criadas bases de dados para treinamento e validação. Foram utilizados os dados extraídos do RIS conforme descrito na seção Dos exames do encéfalo, foram selecionados exames cujos parâmetros clínicos primários estavam todos preenchidos. Destes foram separados aleatoriamente exames. Oito deles apresentaram ambas patologias. Os exames foram agrupados em: Exames normais: 672 Exames com AVC isquêmico: 157 Exames com AVC hemorrágico: 179 Após a etapa de pré-processamento, foram encontradas imagens com pixels remanescentes, sendo características de AVC Hemorrágico, características de AVC Isquêmico e imagens normais. As imagens que apresentaram valores nulos de pixels remanescentes após o pré-processamento não foram utilizadas. O banco de dados foi criado utilizando 80% dos dados para treinamento e 20% dos dados para validação. A base de treinamento contém: Imagens AVC hemorrágico: 1.220; Imagens AVC isquêmicos: 1.258; Imagens sem AVC: A base de validação contém: Imagens AVC hemorrágico: 324; Imagens AVC isquêmicos: 314; Imagens sem AVC:

118 8.1.2 Testes para a escolha da melhor arquitetura de rede neural Os testes realizados para encontrar a melhor arquitetura foram: Tamanho da camada escondida Busca da melhor quantidade de neurônios na camada escondida. Influência do valor de saída da rede neural Avaliação da saída da rede neural como probabilidade de uma imagem ser um AVC Tamanho da camada escondida A taxa de aprendizado utilizada na rede backpropagation foi de 0,05 e o momento foi de 0,7. A base de dados utilizada para estes testes continha todos os parâmetros clínicos e radiológicos codificados. Os resultados encontrados estão na Tabela 8.1, que mostra na primeira coluna o tamanho da camada escondida testada, a seguir as informações da taxa de acerto na base de dados de treinamento e generalização. A Figura 8.1 mostra a variação da taxa de erro (erro médio quadrático) da melhor rede neural encontrada. Variação da Taxa de Erro em relação a quantidade de épocas 2500, , ,00 Erro 1000,00 500,00 0, Épocas Figura 8.1 Variação da taxa de erro em relação à quantidade de épocas para rede neural Backpropagation com 7 neurônios na camada escondida 104

119 Tabela Resultados dos testes com tamanho da camada intermediária da rede neural Camada Escondida Base de Dados Treinamento Base de Dados Validação (%) Sn Sp 2 96,5 0,85 0, ,9 0,89 0, ,8 0,90 0, ,3 0,91 0, ,8 0,94 0, ,9 0,96 0, ,9 0,96 0, ,9 0,95 0, ,9 0,92 0, ,9 0,91 0,87 A melhor e mais simples rede neural encontrada possui 7 neurônios na camada escondida. Esta rede obteve convergência com aproximadamente 800 épocas. Foram consideradas imagens normais, imagens compatíveis com AVCs Hemorrágicos e/ou Isquêmicos aquelas cujas saídas da rede neural apresentaram os valores conforme mostrado na Tabela 8.2. Tabela 8.2 Valores limite Patologia Neurônio 1 Neurônio 2 Normal < 0,2 < 0,2 AVC Isquêmico < 0,2 > 0,8 AVC Hemorrágico > 0,8 < 0,2 Ambos > 0,8 > 0,8 105

120 Variação do Erro 1 0,95 Erro 0,9 0,85 Sn Sp 0,8 0, Neurônios na camada intermediária Figura 8.2 Gráfico comparativo das taxa de erro em relação à quantidade de neurônios na camada escondida para rede neural Percebeu-se, experimentalmente, que a variação do tamanho da camada escondida para este problema, a partir de certo ponto, piora a taxa de acerto da validação. Isto se deve ao fato da rede neural estar se especializando nos dados de treinamento, perdendo a sua capacidade de generalização. O tempo de treinamento da melhor rede neural foi de 55 minutos num Pentium D 2.8GHz com 2 GBytes de memória RAM Testes da influência do valor de saída da rede neural Para os testes da influência do valor de saída da rede neural nos resultados foi escolhida uma rede neural com 7 neurônios na camada escondida, por ter sido a rede neural que encontrou o melhor desempenho nos testes de tamanho da rede. A taxa de aprendizado utilizada na rede backpropagation foi de 0,05 e o momento foi de 0,7. Os resultados encontrados estão na Tabela 8.3, que na primeira coluna mostra o valor de saída dos dois neurônios e em seguida as informações de taxa de acerto na base de treinamento, e sensibilidade e especificidade na base de validação. 106

121 Tabela Resultados dos testes da influência do valor de saída na rede neural Camada de Saída Base de Dados Treinamento Base de Dados Validação (%) Sn Sp Saída <0,1 exame normal e >0,9 com AVC 98,8 0,94 0,90 Saída <0,2 exame normal e >0,8 com AVC 99,9 0,96 0,94 Saída <0,3 exame normal e >0,7 com AVC 92,6 0,89 0,86 Saída <0,4 exame normal e >0,6 com AVC 87,1 0,75 0,69 Influência do valor de saída na RN 1,2 1 0,8 Erro 0,6 0,4 Sn Sp 0,2 0 Saída <0,1 exame Saída <0,2 exame Saída <0,3 exame Saída <0,4 exame normal e >0,9 com AVC normal e >0,8 com AVC normal e >0,7 com AVC normal e >0,6 com AVC Valores de saída Figura 8.3 Gráfico comparativo da taxa de erro em relação ao valor de saída da rede neural De acordo com os resultados encontrados, a variação do valor de saída influencia os resultados gerando alguns falsos positivos e falsos negativos, como pode ser visto na Figura

122 8.1.3 Teste da importância dos dados secundários da anamnese Este teste tem como objetivo verificar a necessidade da existência dos parâmetros clínicos secundários. Para os testes da importância dos dados secundários da anamnese foi escolhida uma rede neural com 7 neurônios na camada escondida, por ter sido a rede neural que encontrou o melhor desempenho nos testes de tamanho da rede. A Tabela 8.4 mostra na primeira coluna os testes realizados, e nas demais colunas os resultados da taxa de acerto no banco de dados de treinamento, e a sensibilidade e a especificidade para a base de validação. Tabela 8.4 Importância dos dados secundários da anamnese Parâmetros Utilizados Banco de Dados Treinamento Banco de Dados Validação (%) Sn Sp Parâmetros clínicos primários e pixels remanescentes 99,2 0,89 0,85 Parâmetros clínicos secundários e pixels remanescentes 98,7 0,77 0,74 Todos os parâmetros e pixels remanescentes 99,9 0,96 0,94 Variação da Taxa de Erro em relação a quantidade de épocas 30,00 25,00 20,00 Erro 15,00 10,00 5,00 0, Épocas Figura 8.4 Variação da taxa de erro em relação à quantidade de épocas para rede neural backpropagation com 7 neurônios na camada escondida 108

123 A taxa de aprendizado utilizada na rede backpropagation foi de 0,05 e o momento foi de 0,7. Foram consideradas imagens normais, imagens compatíveis com AVCs Hemorrágicos e/ou Isquêmicos aquelas cujas saídas da rede neural apresentaram os valores conforme mostrado na Tabela 8.2. De acordo com a Figura 8.5, o uso de todos os parâmetros clínicos (primários e secundários) em conjunto com os parâmetros radiológicos foi a que alcançou o melhor desempenho. Percebe-se que a rede neural sem os parâmetros clínicos secundários obteve um bom desempenho, mas inferior quando comparado à rede com todos os parâmetros. A rede neural somente com os parâmetros clínicos secundários gerou um desempenho bastante inferior às demais. Portanto, esta informação é bastante importante para o desempenho ótimo da rede, desde que utilizada em conjunto com os demais parâmetros. Importância dos dados secundários da anamnese 1,2 1 Erro 0,8 0,6 0,4 0,2 Sn Sp 0 Parâmetros clínicos primários e pixels remanescentes Parâmetros clínicos secundários e pixels remanescentes Todos os parâmetros e pixels remanescentes Parâmetros Figura 8.5 Gráfico comparativo da taxa de erro em relação aos parâmetros utilizados Teste da importância dos parâmetros clínicos e radiológicos Este teste tem como objetivo verificar a necessidade da existência dos parâmetros clínicos e radiológicos em conjunto. Para os testes da importância dos parâmetros clínicos e radiológicos foi escolhida uma rede neural com 7 neurônios na camada escondida, por ter sido a rede neural que encontrou o melhor desempenho nos testes de tamanho da rede. 109

124 A taxa de aprendizado utilizada na rede backpropagation foi de 0,05 e o momento foi de 0,7. Foram consideradas imagens normais, imagens compatíveis com AVCs Hemorrágicos e/ou Isquêmicos aquelas cujas saídas da rede neural apresentaram os valores conforme mostrado na Tabela 8.2. A Tabela 8.5 mostra na primeira coluna os testes realizados, e nas demais colunas os resultados da taxa de acerto no banco de dados de treinamento, e sensibilidade e especificidade para o banco de dados de validação. Tabela 8.5 Importância dos parâmetros clínicos e radiológicos Parâmetros Utilizados Banco de Dados Treinamento Banco de Dados Validação (%) Sn Sp Parâmetros clínicos 87,0 0,64 0,61 Parâmetros radiológicos 85,8 0,71 0,69 Parâmetros clínicos e radiológicos 99,9 0,96 0,94 De acordo com os resultados, a rede neural com os parâmetros combinados foi a que alcançou o melhor desempenho. Percebe-se que a rede neural sem os parâmetros clínicos ou radiológicos tem a sua taxa de erro aumentada, caracterizando a importância desta informação para o desempenho da rede. Parâmetros clínicos e radiológicos 1,2 1 Erro 0,8 0,6 0,4 Sn Sp 0,2 0 Parâmetros clínicos Parâmetros radiológicos Parâmetros clínicos e radiológicos Parâmetros Figura 8.6 Gráfico comparativo da importância dos parâmetros clínicos e radiológicos 110

125 8.1.5 Teste da importância dos filtros morfológicos Este teste tem como objetivo verificar a necessidade da existência de filtros morfológicos descritos na seção Para os testes da importância dos filtros morfológicos foi escolhida uma rede neural com 7 neurônios na camada escondida, por ter sido a rede neural que encontrou o melhor desempenho nos testes de tamanho da rede. A taxa de aprendizado utilizada na rede backpropagation foi de 0,05 e o momento foi de 0,7. Foram consideradas imagens normais, imagens compatíveis com AVCs Hemorrágicos e/ou Isquêmicos aquelas cujas saídas da rede neural apresentaram os valores conforme mostrado na Tabela 8.2. A Tabela 8.6 mostra na primeira coluna o teste realizado, e nas demais colunas os resultados da taxa de acerto no banco de dados de treinamento e validação. Tabela 8.6 Importância dos filtros morfológicos Filtros Utilizados Banco de Dados Treinamento Banco de Dados Validação (%) Sn Sp Utilizando somente filtragem por densidade 93,3 0,68 0,63 Utilizando filtragem e erosão 97,2 0,88 0,87 Utilizando filtragem, erosão e dilatação 99,9 0,96 0,94 De acordo com os resultados, percebe-se que somente a filtragem por densidade não é suficiente para detecção de AVCs. Isto ocorre devido à existência de valores dentro da faixa selecionada que não correspondem à lesão (ruído). Quando se utilizou filtragem e erosão ocorreu uma melhora significativa no desempenho da técnica, isto ocorreu devido à diminuição dos pixels remanescentes fora da região lesionada, o que se mostrou bastante importante para o desempenho da rede. A generalização foi incrementada com a utilização da dilatação. Esta operação diminuiu a influência do ruído resistente ao processo de erosão sobre os pixels da região de interesse, reconectando estes pixels das regiões lesionadas. 111

126 Importância dos filtros morfológicos 1,2 1 Erro 0,8 0,6 0,4 Sn Sp 0,2 0 Utilizando somente filtragem por densidade Utilizando filtragem e erosão Utilizando filtragem, erosão e dilatação Filtros Figura 8.7 Gráfico comparativo da importância dos filtros morfológicos 112

127 9 A Ferramenta Este capítulo tem como objetivo descrever as técnicas utilizadas no desenvolvimento da ferramenta de auxílio diagnóstico para o tratamento de AVC (CAD-BR). Estas técnicas serão descritas utilizando a metodologia de análise estruturada moderna, descrita em YOURDON E. Serão apresentados o diagrama do contexto, o diagrama de fluxo de dados e o diagrama de transição de estados, além das explicações sobre o funcionamento da ferramenta. 9.1 Diagrama do Contexto do Sistema CAD-BR O diagrama do contexto tem como objetivo demonstrar a interface externa com o sistema. Na ferramenta CAD-BR, o principal ator é o clínico. A Figura 9.1 mostra o diagrama do contexto do sistema CAD-BR. Figura 9.1 Diagrama do contexto do sistema CAD-BR 9.2 Diagrama de Fluxo de Dados do Sistema CAD-BR O diagrama de fluxo de dados (DFD) oferece uma visão orientada das funções do sistema. O sistema CAD-BR possui, basicamente, a função de testar um conjunto contendo parâmetros clínicos e radiológicos baseado num banco de dados de parâmetros treinados. O banco de dados de parâmetros treinados é gerado no modo treinamento. A Figura 9.2 mostra este diagrama. 113

128 Figura 9.2 Diagrama de Fluxo de Dados (DFD) do sistema CAD-BR 9.3 Diagrama de Transição de Estados do sistema CAD-BR O diagrama de transição de estados (DTE) mostra o comportamento tempodependente do sistema. A Figura 9.3 mostra os estados do sistema CAD-BR. Figura 9.3 Diagrama de Transição de Estados (DTE) do sistema CAD-BR 114

129 9.4 Funcionamento do sistema CAD-BR Nesta seção será explicado o funcionamento do sistema CAD-BR. Este sistema foi dividido nos seguintes subsistemas: Pré-Processamento Este subsistema realiza as funções de pré-processamento descritas anteriormente. Além destas funções, o pré-processamento realiza a adequação dos dados para entrada na rede neural de acordo com os parâmetros clínicos e radiológicos selecionados no banco de dados do CAD-BR. Rede Neural Esta rede neural tem como objetivo aplicar a base de dados previamente treinada selecionada sobre os parâmetros clínicos e radiológicos que estão sendo analisados. O resultado desta etapa é a informação numérica da ocorrência ou não de imagens patológicas no exame. Pós-Processamento A tarefa desta etapa é realizar os ajustes necessários para a exibição das informações geradas pela rede neural de modo a ser compreendida pelo usuário. 115

130 9.5 Telas do programa Após a inicialização o programa exibe a tela mostrada na Figura 9.4. Figura 9.4 Tela de abertura Em seguida (Figura 9.5), deve ser indicado o caminho onde estão contidas as imagens dos exames a serem analisadas. Normalmente, as pastas contendo as imagens dos exames recebem como identificação o número do exame. Figura 9.5 Tela de seleção da pasta onde estão as imagens do exame 116

131 A Figura 9.6 mostra onde pode ser realizada a opção por importar a ficha de anamnese de um arquivo ou realizar o preenchimento manual. Figura 9.6 Seleção do arquivo de anamnese: importação ou preenchimento manual Nesta tela pode ser feita a opção pela importação de um arquivo texto, gerado automaticamente por um RIS, onde as informações contidas devem estar separadas por ponto-e-vírgula. Alguns exemplos são mostrados na Tabela 9.1. A ordem destas informações é a mesma da ficha de anamnese descrita na seção e exibida na Figura 7.6 Tabela 9.1 Exemplos de arquivos texto Formato do arquivo texto 70;m;não;sim;não;sim;<24h;não;não;não;não;alguns;não 58;f;não;não;não;sim;<semana;não;sim;não;todas;não;todos 85;f;não;não;sim;não;<24h;sim;sim;não;todas;alguns;todos Caso haja a opção pelo preenchimento manual, a ficha em formato digital é mostrada na Figura 9.7. Nesta tela devem ser preenchidos todos os parâmetros clínicos conforme mostrado na seção

132 Figura 9.7 Tela de preenchimento da ficha de anamnese Após o preenchimento ou importação do arquivo de anamnese, inicia-se o processamento do exame. Ao término é mostrada uma tela onde é indicada a presença de lesões hemorrágicas ou isquêmicas e são listadas as imagens do exame que apresentaram as patologias estudadas. Caso o sistema considere o exame como normal, é mostrada a informação que não foram encontradas imagens que caracterizassem AVC. A tela com o resultado é mostrada na Figura

133 Figura 9.8 Tela de resultado 119