Driftsfasen

Na literatura, são poucos os trabalhos que utilizaram métodos computorizados para a identificação de EVR dilatados, e desses, alguns detetaram-nos como falsos positivos na segmentação de pequenas hiperintensidades em T2, sendo depois removidos.

Em 2004, Descombes et al. aplicaram um método para a deteção e contagem de EVR dilatados, exclusivamente. Começavam por filtrar a imagem de forma a realçar alguns aspetos dessas estruturas, como a largura permitida e o contraste, de maneira a que a pesquisa de candidatos a EVR fosse facilitada. Em seguida, era utilizado um Marked Point Process para associar o comprimento e orientação a cada candidato. Além disso, era possível incorporar informação geométrica e de localização, assim como informação proveniente dos dados (imagem). O modelo definido pelo Marked Point Process era, então, otimizado através da utilização do algoritmo Reversible Jump Markov Chain Monte Carlo. Aplicando apenas à

30

sequência T1, cuja aquisição foi 3D, sendo, posteriormente, interpolada para uma resolução isotrópica de 1 mm, o método identificou 668 EVR dilatados, em 7 volumes, contra 597 marcados pelos médicos [24].

Quatro anos mais tarde, em 2008, Wuerfel et al. optaram por uma abordagem semiautomática, baseada em thresholds e na conectividade das regiões, para identificar os EVR dilatados, que seriam alvo de contagem e medição do seu volume. Foram utilizadas as sequências T1 3D, T2 e FLAIR, estando co-registadas. O foco dos autores era o estudo da correlação entre os EVR dilatados e a esclerose múltipla. A avaliação do método semiautomático demonstrou que a correlação entre o número de EVR dilatados detetados e o número reportado pelo observador, em 10 casos aleatórios, foi de 0,996, que subiu para 0,998 quando se mediu o volume dos mesmos [21].

Por seu lado, Uchiyama et al., no mesmo ano, utilizaram uma operação morfológica white top-hat na sequência T2 para enfatizar pequenas regiões hiperintensas, que eram depois segmentadas aplicando um threshold. Os autores apenas estavam interessados na extração de lacunas, mas sendo estas e os EVR dilatados estruturas de pequenas dimensões, ambos eram extraídos. Para fazer a distinção, os autores utilizaram uma rede neuronal, cujas características eram a localização, dimensão, irregularidade e diferença entre a intensidade em T1 e T2 [54].

Num outro trabalho, publicado em 2011, Ramirez et al. segmentaram hiperintensidades subcorticais, incluindo os EVR dilatados, utilizando um threshold adaptativo. Os EVR eram, mais tarde, excluídos através da remoção de componentes ligados de pequenas dimensões, ou manualmente. Foram utilizadas as sequências T1, T2 e Proton Density (PD) [55].

3.3. Sumário

A segmentação dos tecidos do encéfalo é uma tarefa que já é foco de estudo há mais de 15 anos, existindo diversas abordagens. Predominantemente, utilizaram-se algoritmos não- supervisionados, com especial destaque para os estatísticos. No entanto, nos últimos anos, já têm sido estudadas abordagens que utilizaram classificadores supervisionados, com resultados competitivos. Na Tabela 3.1 pode-se consultar o resumo do estado da arte. Comparar este tipo de algoritmos não é trivial, porque a maioria utiliza imagens de RM privadas, e as métricas também variam de trabalho para trabalho. Porém, alguns autores optam por utilizar a base de dados pública IBSR e publicar os seus resultados com as métricas Dice ou Jaccard, razão pela qual só se incluíram estes resultados na Tabela 3.1.

31

Por outro lado, o problema da deteção computorizada de EVR foi pouco estudado, tendo- se encontrado somente quatro trabalhos publicados, e metade apenas os deteta como erros. Destes, o trabalho de Descombes et al, 2004, é o único totalmente automático. Na Tabela 3.2 encontra-se o resumo do estado da arte para estes algoritmos.

Tabela 3.1 - Estado da arte de segmentação de tecidos. Na coluna Abordagem encontra-se o grupo geral de cada algoritmo, na coluna Particularidade especifica-se o fator inovador, em Observações fornecem-se mais informações relevantes e na coluna Resultados encontram-se os resultados, em DICE, apenas para os algoritmos que utilizaram

a base de dados IBSR.

Abordagem Trabalho Particularidade Observações Resultados _(Dice)

Fuzzy c- means

Pham et al,

1999 [38] - Robusto às condições iniciais. Não tem em conta a vizinhança. - Liew et al,

2003 [39] Introduz informação da vizinhança. Estratégia para preservar bordas. - Wang et al,

2009 [40] Abordagem multi-escala. Utiliza a vizinhança. Robusto à presença de ruído. -

Modelos estatísticos

Wells et al,

1996 [42] Mistura de gaussianas. Probabilidade a priori estacionária. - Van

Leemput et al, 1999

[43]

Mistura de gaussianas

e MRF. Utilização de atlas de probabilidades. MRF pode eliminar detalhes finos. - Zhang et al,

2001 [56] Hidden MRF.

Abandona o atlas de probabilidades, mas ressalva que pode ser

incorporado - Ashburner et al, 2005 [45] Intercala classificação e registo de atlas, iterativamente.

Mistura de gaussianas como modelo probabilístico. Probabilidade a priori

proveniente de atlas. - Greenspan et al, 2006 [46] Informação espacial incorporada na mistura de gaussianas. - SC: 0,81 SB: 0,795 Cardoso et al, 2011 [41] Abordagem de [43] + adaptação do atlas ao sujeito.

Dedicado à segmentação do córtex.

Melhoria nos sulcos e giros. -

Grafos Song et al, _{2006 [48]} Graph cuts. Função de energia de MRF. -

Mean-shift

Jimenez- Alaniz et al,

2006 [50]

Mean-shift +

classificador Bayesiano. Utiliza atlas para probabilidades a priori.

LCR: 0,347 SC: 0,745 SB: 0,771 Mayer et al,

2009 [49] Localização 3D como característica. Janela de procura adaptativa. SC: 0,811 SB: 0,817

Supervisiona- da

Anbeek et al,

2005 [51] K-nearest neighbor. Classificador cria mapas de probabilidades. - Akselrod-

Ballin, 2006 [52], [53]

Support Vector

Machines. Os voxels são agregados antes da classificação.

LCR: 0,514 SC: 0,81 SB: 0,802 Yi et al,

2009 [9] Random Decision Forests. -

LCR: 0,699 SC: 0,9 SB: 0,831

32

Tabela 3.2 - Estado da arte de algoritmos de deteção de Espaços de Virchow-Robin.

Trabalho Exclusividade _{para EVR} Abordagem

Descombes et al, 2004 [24] Sim Automática. Modelização da distribuição e interação dos EVR _{com Marked Point Process e otimização com RJMCMC} Wuerfel et al, 2008 [21] Sim Semi-automático. Baseado em thresholds e conectividade de _regiões Uchiyama et al, 2008 [54] Não White top-hat e thresholds. Separação de EVR e lacunas com _{rede neuronal.}

33