Aplicou-se o algoritmo de deteção automática de EVR na SB cerebral, encontrando-se na Figura 8.19 a energia do modelo ao longo das iterações, e na Tabela 8.11 o número de candidatos a EVR e aqueles que foram aceites.
130
Figura 8.18 - Espaços de Virchow-Robin detetados nos gânglios da base. Na primeira linha encontram-se exemplos de EVR detetados quando se exclui 10% dos voxels com maior e menor intensidade no cálculo das estatísticas,
enquanto na segunda os exemplos referem-se ao caso em que a quantidade de remoção foi de 20%.
Neste caso, também 50.000 iterações foi suficiente para a convergência do RJMCMC, verificando-se que, com exceção do sujeito 4, esse estado foi atingido antes das 10.000 iterações. Este facto deve-se ao menor número de candidatos a EVR, relativamente aos gânglios da base, o que reduz as possibilidades de procura do algoritmo e possíveis “saltos” entre dimensões.
Analisando a Tabela 8.11 verifica-se que o número de candidatos a EVR e segmentos aceites é significativamente inferior ao dos gânglios da base. Este facto deve-se à SB contrastar mais com os EVR, e a sua intensidade estar mais distante dessas estruturas, o que faz com que não exista tanto tecido normal que possa estar em zonas de resposta positiva dos filtros.
A remoção de 20% dos pontos mais e menos intensos durante o cálculo das estatísticas resultou em menos candidatos e menos EVR aceites, devido à diminuição da gama de intensidades para as quais os filtros obtinham resposta positiva.
A contagem do número de candidatos aceites pelo RJMCMC por comprimento, em milímetros arredondados às unidades, pode ser consultada na Figura 8.20. Tal como nos gânglios da base, também na SB a maioria dos segmentos detetados media 3 mm, e a remoção de uma maior quantidade de pontos para o cálculo das estatísticas teve maior efeito sobre esses.
a) b) c)
f) e)
131
Figura 8.19 - Energia do modelo Marked Point Process para Espaços de Virchow-Robin na substância branca cerebral. Avaliou-se a remoção de 10% dos pontos mais e menos intensos de cada classe para o cálculo das
estatísticas, testando a exclusão de a) 10% e b) 20%.
Tabela 8.11 - Número de candidatos a Espaço de Virchow-Robin e segmentos aceites na substância branca cerebral cerebral, para cada percentagem de remoção de pontos.
%
removida EVR Suj. 1 Suj. 2 Suj. 3 Suj. 4 Suj. 5 Suj. 6 Suj. 7 Suj. 8 Suj. 9 10 Candidatos 10 43 5 632 32 28 18 2 28
Aceites 4 7 2 59 10 6 3 0 5
20 Candidatos 6 29 0 388 18 11 12 2 10
Aceites 1 5 0 26 3 1 1 0 2
Figura 8.20 - Quantidade de Espaços de Virchow-Robin aceites por comprimento, na substância branca cerebral. Em a) as estatísticas foram calculadas após remoção de 10% dos pontos mais e menos intensos, enquanto em b) a
quantidade foi de 20%.
132
Na Figura 8.21 observam-se os EVR detetados na SB de um dos sujeitos, e uma aproximação à região onde foram detetadas duas dessas estruturas, na região de interesse utilizada no processamento.
Figura 8.21 - Espaços de Virchow-Robin na substância branca.
Observando os exemplos de EVR aceites pelo RJMCMC da Figura 8.22, constata-se que é capaz de detetar objetos em regiões com características dessas estruturas, nomeadamente por conterem voxels com menores intensidades, próximas do LCR.
Na Figura 8.22(c) e na Figura 8.22(f) encontram-se exemplos de EVR aceites para o sujeito 4. Este foi aquele com maior número de candidatos e estruturas aceites, sendo a maioria FPs localizados em grandes áreas de tecido que pode estar lesionado, uma vez que demonstram ter intensidades mais baixas. Assim, pode-se pensar que a remoção de mais pontos no cálculo das estatísticas teve maior impacto nestas regiões, dado que o número de candidatos aceites reduziu para menos de metade.
Na globalidade, o algoritmo parece detetar melhor os EVR na SB do que nos gânglios da base, não sendo necessário excluir uma grande quantidade de pontos para se obter poucos candidatos e segmentos FPs.
133
Figura 8.22 - Espaços de Virchow-Robin detetados na substância branca cerebral. Na primeira linha encontram-se exemplos de EVR detetados quando se exclui 10% dos voxels com maior e menor intensidade no cálculo das estatísticas, enquanto na segunda os exemplos referem-se ao caso em que a quantidade de remoção foi de 20%.
8.6. Sumário
Neste capítulo apresentou-se os resultados obtidos ao longo da presente dissertação. Assim, para a segmentação de SC, SB e LCR, avaliaram-se as características utilizadas, verificando-se que as mais relevantes foram as que incluíam informação da vizinhança. Além disso, concluiu-se que o coeficiente de Gini é equivalente, neste contexto, ao ganho de informação para avaliar a divisão dos nós das RFs, que a utilização de 100.000 extraídos aleatoriamente de cada sujeito é suficiente para treinar o classificador, e que o aumento do número de DTs é positivo, mas no caso do número de nós de profundidade máxima pode ser negativo, diminuindo os resultados a partir de determinado momento devido ao overfitting. Assim sendo, o melhor resultado, em Dice, deu-se com uma floresta com 60 DTs e 25 nós de profundidade máxima permitida, obtendo-se 0,719 ± 0,019, 0,847 ± 0,014 e 0,885 ± 0,023 para LCR, SC e SB, respetivamente, no conjunto de treino utilizando leave-one-out, e 0,683 ± 0,039, 0,834 ± 0,026 e 0,876 ± 0,017 no conjunto de teste.
Uma vez que apenas se iria utilizar a sequência T1 para a deteção de EVR, avaliou-se o impacto da utilização apenas desse tipo de imagens sobre a segmentação de tecidos, obtendo- se os resultados, em Dice, para o conjunto de treino com leave-one-out de 0,713 ± 0,019, 0,837 ± 0,017 e 0,878 ± 0,026 para LCR, SC e SB, respetivamente. Assim se verificou que T1 é a mais importante para a distinção entre as classes, mas a FLAIR é muito relevante se existirem
a) b) c)
f) e)
134
lesões da SB, que neste caso foram mal classificadas como SC, quando anteriormente eram corretamente atribuídas à SB. Utilizando-se este treino na base de dados MRBrainS, aplicou-se o algoritmo às sequências MPRAGE disponíveis, e verificou-se que, devido à normalização, eram corretamente segmentadas.
Na deteção dos EVR não se pôde fazer uma validação objetiva, dado não existirem marcações manuais. No entanto, observou-se que o algoritmo é mais eficaz quando aplicado na SB, podendo ser aplicado nos gânglios da base mas o número de FP aumenta, pelo que se deve investigar alterações nos filtros que os melhorem para regiões de SC. O algoritmo RJMCMC atinge o estado de convergência, tendo-se verificado que 50.000 iterações são suficientes para estas regiões de interesse.
135