ALGORITMOS PARA ALINHAMENTO DE IMAGENS MÉDICAS: PRÍNCIPIOS E APLICAÇÃO EM IMAGENS DE ESCLEROSE MÚLTIPLA

Transcrição

1 ALGORITMOS PARA ALINHAMENTO DE IMAGENS MÉDICAS: PRÍNCIPIOS E APLICAÇÃO EM IMAGENS DE ESCLEROSE MÚLTIPLA Frederico L. Jacob, João Manuel R. S. Tavares, Ana Mafalda Reis

2 Problemática Desenvolver metodologias úteis ao diagnóstico e ao acompanhamento de pacientes com esclerose múltipla. Alinhar imagens médicas. Essencial, caso contrário, torna-se difícil ou mesmo impossível saber se a variação de uma lesão numa imagem corresponde a uma modificação biológica ou a uma simples mudança de posição/orientação do doente; Garantir que uma estrutura se apresenta na mesma posição, orientação e escala em diferentes imagens.

3 Alinhamento (I) Colocar em correspondência imagens 2D ou 3D pelo cálculo de uma transformação espacial, com a finalidade de ordenar os pixéis ou os voxéis que constituem as estruturas representadas. Tem como objectivo permitir uma fácil interpretação das estruturas anatómicas apresentadas nas imagens. Estabelecer uma relação de correspondência Imagem fonte Imagem alvo

4 Alinhamento (II) Exemplo [Rey, D., G. Subsol, et al. (2002)]: (a) Imagens de ressonância magnética (RM) de um paciente com esclerose múltipla; (b) Imagens do mesmo paciente adquiridas dois meses mais tarde; (c) Alinhamento obtido entre as imagens. Validação de resultados: Tarefa complexa; Comparação com resultados da análise efectuada por médicos especialístas.

5 Alinhamento (III) Pode ser realizado entre imagens de: Uma mesma modalidade (monomodal); Várias modalidades (multimodal); Diversos pacientes (inter-paciente); Um único paciente (intra-paciente). Dificuldades: A comparação entre imagens pode ser complexa devido a factores como campo magnético, artefactos, espessura dos cortes, tipo de imagens usadas, posicionamento do paciente ou ordem de aquisição das imagens.

6 Processamento e análise de imagem Após a aquisição das imagens, as sucessivas fases usadas para a sua análise quantitativa são: O pré-processamento, de forma a realçar as estruturas e melhorar o contraste entre estas (incluí os princípios associados ao alinhamento de estruturas em imagens); A segmentação, consiste na divisão das imagens em regiões ou sub-regiões homogéneas, consoante um determinado critério, de forma a extrair informação útil; O pós-processamento, que se centra na análise das respectivas estruturas anatómicas.

7 Metodologias para alinhamento (I) Os métodos computacionais de alinhamento de estruturas em imagens médicas são normalmente classificados em: Métodos geométricos: Definir as imagens alvo e fonte; Extrair em cada imagem as primitivas geométricas, como pontos salientes, contornos, marcadores externos, etc., da estrutura anatómica envolvida; Obter o modelo de transformação espacial entre o conjunto de primitivas geométricas identificadas e estimar de seus parâmetros; Reamostrar a imagem resultante.

8 Metodologias para alinhamento (II) Métodos Baseados no ajuste de intensidade: Utilizar os níveis de intensidade dos pixéis das imagens a alinhar, através do uso de um critério de similaridade, como a distância entre elementos anatómicos característicos ou a subtracção de intensidade, sem considerar a existência de qualquer informação geométrica, nem mesmo a posição espacial dos pontos em estudo; Procurar obter a transformação envolvida pela comparação local das intensidades nas imagens ou pelos valores estatísticos daí derivados.

9 Aplicação em imagens de esclerose múltipla (I) Diversas técnicas computacionais foram desenvolvidas para o alinhamento de imagens: Subtrair duas imagens de forma a caracterizar a diferença de intensidade entre as mesmas [Thirion, J.-P. and G. Calmon (1997)]; Quantificar a informação comum nas imagens a alinhar e visualizar a mesma através de um histograma [Hill, D. L. G., P. G. Batchelor, et al. (2001)];

10 Aplicação em imagens de esclerose múltipla (II) Estimar e análisar um campo de deformação que contém informação sobre a variabilidade das estruturas em todo o conjunto [Rey, D., G. Subsol, et al. (2002)]; Utilizar um modelo probabilístico como o algoritmo de detecção de valores isolados, que inclui o efeito do volume parcial mas que não considera o pixel vizinho [Dugas-Phocion, G., M. A. González, et al. (2004)];

11 Aplicação em imagens de esclerose múltipla (III) Usar um modelo de observação na ausência de alterações, onde as mudanças significativas em imagens são definidas como eventos de probabilidade de baixa ocorrência [Rousseau, F., S. Faisan, et al. (2007)]; Definir a quantidade de matérias (substancia branca, cinzenta e líquido céfalo-raquidiano) nos voxels de cada corte da imagem de RM [Bricq, S., C. Collet, et al. (2008)];

12 Considerações finais O processamento e a análise de imagem é uma área multidisciplinar com elevada aplicabilidade em vários domínios técnicos, em particular, na medicina; O elevado número de trabalhos existentes a abordar o tema do alinhamento de imagens médicas, realça o crescente interesse demonstrado nas diversas áreas da saúde que diariamente têm de lidar com um número elevado de imagens que contêm patologias distintas e difíceis de analisar manualmente; Assim, os algoritmos para alinhamento de imagens médicas apresentam um elevado potencial de aplicação.

13 Referências Brown, L. G. (1992). "A Survey of Image Registration Techniques." ACM Computing Surveys 24(4): Maintz, J. B. A. and M. A. Viergever (1998). "A Survey of Medical Image Registration." Medical Image Analysis 2(1): Hill, D. L. G., P. G. Batchelor, et al. (2001). "Medical image registration." Physics in Medicine and Biology 46: Radke, R. J., S. Andra, et al. (2005). "Image change detection algorithms: A systematic survey." IEEE transactions on image processing 14(2): Thirion, J.-P. and G. Calmon (1997). "Measuring Lesion Growth from 3D Medical Images". IEEE Nonrigid and Articulated Motion Workshop NAN'97. Rey, D., G. Subsol, et al. (2002). "Automatic detection and segmentation of evolving processes in 3D medical images: Application to multiple sclerosis." Medical Image Analysis 6(2): Pluim, J. P. W., J. B. A. Maintz, et al. (2004). "f-information measures in medical image registration." IEEE Transactions on Medical Imaging 23(12): Dugas-Phocion, G., M. A. González, et al. (2004). Hierarchical Segmentation of Multiple Sclerosis Lesions in Multisequence MRI. IEEE International Symposium on Biomedical Imaging: From Nano to Macro ISBI'04. Rousseau, F., S. Faisan, et al. (2007). "Une approche a contrario pour la détection de changements dans des images IRM multimodales 3D". 21ème colloque GRETSI. Keeling, S. L. (2007). "Generalized Rigid and Generalized Affine Image Registration and Interpolation by Geometric Multigrid." Journal of Mathematical Imaging and Vision 29(2-3): Bricq, S., C. Collet, et al. (2008). "Unifying framework for multimodal brain MRI segmentation based on Hidden Markov Chains." Medical Image Analysis, Elsevier (in press).

14 Agradecido pela vossa atenção. Frederico L. Jacob ISEP Instituto Superior de Engenharia do Porto João Manuel R. S. Tavares FEUP Faculdade de Engenharia da Universidade do Porto Ana Mafalda Reis SMIC Serviço Médico de Imagem Computorizada