alinhamento de estruturas em imagens médicas: estudo...

Mestrado em Engenharia Biomédica

Alinhamento de Estruturas em Imagens Médicas: Estudo, Desenvolvimento e Aplicação

Trabalhos Práticos

Frederico Lázaro Jacob Setembro de 2008


Relatório realizado no âmbito da disciplina de Trabalhos Práticos do

Curso de Mestrado em Engenharia Biomédica da

Faculdade de Engenharia da Universidade do Porto

Frederico Lázaro Jacob Licenciado em Engenharia Electrotécnica pelo Instituto Superior de Engenharia do Porto

Orientador:

João Manuel R. S. Tavares Prof. Auxiliar do Departamento de Engenharia Mecânica e Gestão Industrial

Faculdade de Engenharia da Universidade do Porto

Co-orientador:

Ana Mafalda Reis Assistente Hospitalar de Neurorradiologia

Hospital Pedro Hispano, Matosinhos


Frederico Lázaro Jacob Página 1 de 87

Agradecimentos

Ao Professor João Tavares, pelo apoio fornecido ao longo da elaboração deste

estudo, pela constante disponibilidade e apoio.

À Dr.ª Ana Mafalda Reis, pelo apoio prestado durante o presente estudo.

A todos os que possibilitaram o desenvolvimento deste trabalho.



Resumo

Este relatório surge no âmbito da disciplina de Trabalhos Práticos do curso de

Mestrado em Engenharia Biomédica da Faculdade de Engenharia da Universidade do

Porto e teve como principal finalidade, fazer um enquadramento prático com as

técnicas a usar no projecto de Dissertação que irá decorrer no segundo ano lectivo do

referido curso.

Assim, este trabalho teve como primordiais objectivos a identificação e o

estudo de técnicas de alinhamento de estruturas em imagens médicas, sendo estas

usadas de forma a garantir que uma determinada estrutura se apresenta na “mesma”

posição, orientação e escala em diferentes imagens. Geralmente, os algoritmos

computacionais destas técnicas são utilizados, por exemplo, para o diagnóstico e o

acompanhamento de pacientes com esclerose múltipla, por detecção e quantificação

de forma automática ou semi-automática, isto é, independentemente da intervenção

do operador humano e de forma rápida e reproduzível, da evolução dessa doença.

Em resumo, o trabalho exposto neste relatório, teve como objectivos

fundamentais o levantamento bibliográfico, o estudo e a apresentação de técnicas de

alinhamento de estruturas em imagens médicas, bem como a experimentação

exploratória de implementações computacionais existentes.



Índice I – INTRODUÇÃO ........................................................................................................ 13

1.1. Enquadramento ............................................................................................ 15

1.2. Objectivos ..................................................................................................... 16

1.3. Estrutura do relatório ................................................................................... 17

1.4. Contribuições principais ............................................................................. 18

II – ESCLEROSE MÚLTIPLA ...................................................................................... 19

2.1. Introdução ..................................................................................................... 21

2.2. Noções históricas ........................................................................................ 22

2.3. Descrição da doença ................................................................................... 24

2.4. Formas de esclerose múltipla ..................................................................... 26

2.5. Critérios de diagnóstico .............................................................................. 28

2.6. Resumo ......................................................................................................... 30

III – RESSONÂNCIA MAGNÉTICA ............................................................................. 31

3.1. Introdução ..................................................................................................... 33

3.2. Princípios de funcionamento ...................................................................... 34

3.3. Artefactos ...................................................................................................... 36

3.4. Tempos de relaxamento .............................................................................. 38

3.5. Contraste das imagens ................................................................................ 39

3.6. Resumo ......................................................................................................... 43

IV – ALINHAMENTO DE IMAGENS ............................................................................ 45

4.1. Introdução ..................................................................................................... 47

4.2. Métodos ......................................................................................................... 48

4.2.1. Conceitos .................................................................................................... 48

4.2.2. Metodologias clássicas ............................................................................... 50

4.2.2.1. Método geométrico .............................................................................. 51

4.2.2.1.1. Extracção de pontos ..................................................................... 51

4.2.2.1.2. Determinação da transformação ................................................... 54

4.2.2.2. Ajuste em intensidade ......................................................................... 55

4.2.3. Métodos para o alinhamento de imagens ................................................... 58

4.3. Validação dos métodos ............................................................................... 65

4.4. Implementações computacionais existentes ............................................ 66

4.4.1. Implementações comerciais ....................................................................... 66

4.4.2. Implementações académicas ..................................................................... 67

4.5. Experimentação ............................................................................................ 71



4.5.1. Enquadramento .......................................................................................... 71

4.5.2. Definição das imagens ............................................................................... 73

4.5.3. Extracção de primitivas geométricas .......................................................... 74

4.5.4. Modelo de transformação e reamostragem da imagem ............................. 75

4.5.5. Resultados .................................................................................................. 76

4.6. Resumo ......................................................................................................... 77

V – CONSIDERAÇÕES FINAIS E PERSPECTIVAS FUTURAS ................................ 79

REFERÊNCIAS ............................................................................................................ 83



Lista de figuras

Figura 2.1 – Retrato de Jean-Martin Charcot

Figura 2.2 – Ilustrações das lesões descritas por Charcot

Figura 2.3 – Ilustração da EM efectuada por Robert Carswell

Figura 2.4 – Mapa da prevalência da EM

Figura 2.5 – Estrutura esquemática simplificada de um neurónio típico

Figura 2.6 – Lesão de EM no hemisfério do cérebro

Figura 2.7 – Evolução clínica esquemática das diferentes formas de EM

Figura 2.8 – Corte de IRM sagital à cabeça

Figura 3.1 – Momento magnético de núcleos de Hidrogénio de tecido biológico

Figura 3.2 – Artefacto devido ao movimento do paciente

Figura 3.3 – Artefacto devido a um objecto metálico

Figura 3.4 – Artefacto devido às interferências ferromagnéticas

Figura 3.5 – Evolução do momento magnético longitudinal

Figura 3.6 – Evolução do momento magnético transversal

Figura 3.7 – Impulso de RF com representação de TR e TE

Figura 3.8 – IRM em ponderação T1

Figura 3.9 – IRM em ponderação T2

Figura 3.10 – IRM em ponderação DP de doente do sexo feminino com EM

Figura 4.1 – Exemplo de alinhamento

Figura 4.2 – Exemplos de transformações 2D de imagens

Figura 4.3 – Medida de similaridade

Figura 4.4 – Histogramas 2D da entropia conjunta para idênticas IRM da cabeça

Figura 4.5 – Campo de deslocamento em redor da lesão

Figura 4.6 – Representação da probabilidade de pertencer a uma classe

Figura 4.7 – Detecção de mudanças em pequenas lesões em pacientes com EM

Figura 4.8 – Alinhamento de imagem em DP com outra em T1

Figura 4.9 – Mapas contendo a proporção de cada tecido

Figura 4.10 – Preservação de topologia num alinhamento de IRM

Figura 4.11 – Alinhamento com B-splines hierárquicas

Figura 4.12 – Interface da aplicação iMIPS

Figura 4.13 – Interface da aplicação MeVisLab

Figura 4.14 – Botão a seleccionar para alinhar as diferentes sequências de IRM do

mesmo exame

Figura 4.15 – Interface do sistema computacional SPM



Figura 4.16 – Função register2d.m

Figura 4.17 – Resultados obtidos com o sistema computacional Image Registration

Figura 4.18 – Imagem de referência

Figura 4.19 – Imagens distorcidas

Figura 4.20 – Extracção de pontos com a função cpselect

Figura 4.21 – Alinhamento das imagens de IRM



Lista de tabelas

Tabela 3.1 – Principais diferenças de contraste encontradas em tecidos

Tabela 4.1 – Tipo de transformação versus número de pares de pontos de controlo



Glossário de siglas

CT – tomografia computorizada

DP – Densidade de protões

EM – Esclerose múltipla

IRM – Imagem por ressonância magnética

PET – Tomografia por emissão de positrões

RF – Radiofrequência

RMN – Ressonância magnética nuclear

SPECT – Tomografia por emissão mono-fotónica

SNC – Sistema nervoso central

SNP – Sistema nervoso periférico

T1 – Tempo de relaxamento longitudinal

T2 – Tempo de relaxamento transversal

TE – Tempo de eco

TR – Tempo de repetição



I – INTRODUÇÃO



1.1. Enquadramento

Na medicina moderna, a imagiologia tornou-se numa ferramenta importante,

porque assiste no estabelecimento de diagnósticos e acompanhamento de patologias,

sendo muitas vezes um elemento importante na tomada de decisões relativamente a

cirurgias, possibilitando o seguimento da evolução de determinadas estruturas ou

lesões internas, (Maintz and Viergever 1998; Hill, Batchelor et al. 2001), ao longo do

tempo, sem recurso a métodos cirúrgicos invasivos. Estas são as razões pelas quais,

os elementos recolhidos num exame imagiológico médico são cada vez mais

numerosos e ricos em informação. Desta forma, os procedimentos para a tomada de

decisão apoiam-se cada vez mais na aquisição e na análise de imagens médicas

digitais, de resolução espacial e temporal em constante evolução, em detrimento das

impressas em filme radiográfico. Assim sendo, a quantidade de dados disponíveis

para cada paciente torna-se crescente, (Hill, Batchelor et al. 2001), o que obriga a

maior tempo de análise e à selecção das informações a utilizar primordialmente

(tarefas sempre algo complexas). Por estes motivos, os meios computacionais que

permitem o tratamento e a análise dos dados de forma automática ou semi-

automática, tomam na actualidade, um lugar de importância cada vez mais relevante.

As imagens médicas contêm informação anatómica e funcional importante,

reflectindo de forma adequada o estado do paciente. Sendo assim, para a correcta

análise e avaliação por um técnico de saúde especializado e também para retirar o

máximo potencial dos dados recolhidos, as imagens têm de ser previamente tratadas.

No caso do estudo de patologias específicas, devem também ser alinhadas

espacialmente com as realizadas em exames anteriores, isto porque, as diferenças de

dimensão, de orientação, ou outras distorções espaciais, tornam difícil a análise das

zonas de interesse em diferentes exames.

Detectar as mudanças para a utilização desejada, aproveitando as

significativas e rejeitando as menos importantes, em regiões de várias imagens de

uma mesma estrutura, tomadas em momentos diferentes ou segundo diferentes

técnicas de imagiologia, é de interesse generalizado devido a um grande número de

aplicações em diversas disciplinas, (Radke, Andra et al. 2005), mas subsiste como

sendo uma operação delicada. A finalidade é então, a de identificar o conjunto de

parâmetros que diferem entre a última sequência de imagens recolhidas e as

anteriores, de forma a detectar a presença de diferenças entre as mesmas. A

quantificação dessas diferenças, por exemplo, através da medição dos volumes das



estruturas de interesse, pode ser usada para caracterizar a gravidade ou a evolução

de uma doença, (Bricq, Collet et al. 2008).

Neste capítulo visa-se expor os objectivos inerentes a este trabalho, bem

como, a estrutura base adoptada para este relatório.

1.2. Objectivos

As principiais metas definidas neste trabalho são de proceder, através da

análise de imagens de ressonância magnética (IRM), à localização automática das

regiões encefálicas afectadas pela esclerose múltipla (EM), patologia que a meio do

século passado era considerada como a doença neurológica mais comum e grave

entre os jovens adultos que vivem em climas temperados, (Murray 2005).

Posteriormente, há também o intuito de quantificar e de medir objectivamente a

evolução temporal dessas lesões. Na actualidade nos serviços de imagiologia, estas

tarefas são efectuadas manualmente por um médico especialista, o que tem como

desvantagens o elevado tempo dispendido e o facto de a sua reprodutibilidade ser

reduzida, (Grimaud, Zhu et al. 2002).

Pretende-se assim, desenvolver metodologias, úteis para os clínicos, no

diagnóstico e no acompanhamento dos pacientes com EM. Assim, com as referidas

metodologias, aspira-se a partir de uma série de imagens médicas, que progridem

temporalmente, proceder à detecção e à quantificação de forma automática, isto é, de

maneira rápida, reproduzível e independente do operador humano, (Grimaud, Zhu et

al. 2002), da evolução de uma doença neurológica crónica, de causas ainda pouco

conhecidas e com sintomas que rapidamente podem limitar a qualidade de vida do

doente.

De salientar que, por muito indispensáveis e válidas que sejam as imagens,

muitas vezes existem nas mesmas discrepâncias ligadas à resolução, à distorção

geométrica associada à física subjacente à aquisição da imagem, fenómeno ao qual

as imagens de ressonância magnética são bastante susceptíveis, (Hill, Batchelor et al.

2001), e a outros efeitos, que perturbam a obtenção de análises adequadas.

O trabalho exposto neste relatório, teve como objectivos principais a realização

do levantamento bibliográfico, o estudo e a descrição de técnicas existentes para o

alinhamento de estruturas em imagens médicas, bem como, a experimentação

exploratória de implementações computacionais existentes. Assim sendo, pretendeu-

se mais especificamente:



Estabelecer os parâmetros importantes no estudo do alinhamento de estruturas

em imagens médicas;

Identificar, estudar e apresentar algumas das metodologias computacionais

aplicáveis ao alinhamento de estruturas em imagens médicas; Explorar as vantagens e os inconvenientes de cada uma das metodologias

computacionais, dando especial ênfase às mais adequadas para o diagnóstico e o

acompanhamento dos pacientes com esclerose múltipla, a partir de imagens; Analisar, descrever e ensaiar implementações computacionais disponíveis; Desenvolver, usando a ferramenta de desenvolvimento MATLAB, um algoritmo

para testar o alinhamento de imagens de ressonância magnética obtidas aquando

do acompanhamento da evolução das lesões de esclerose múltipla.

1.3. Estrutura do relatório

O presente relatório encontra-se dividido nos restantes capítulos:

II – Esclerose múltipla Neste capítulo é efectuada uma breve descrição da patologia médica abordada

com maior ênfase neste projecto, isto é, a esclerose múltipla.

III – Ressonância magnética O terceiro capítulo deste documento descreve algumas noções relacionadas

com imagens de ressonância magnética, bem como as técnicas para a obtenção de

imagens através desse tipo de dispositivos.

IV – Alinhamento de imagens Posteriormente, no capítulo IV, é tratado o tema principal deste estudo, isto é, a

descrição da análise do levantamento bibliográfico efectuado sobre o alinhamento de

estruturas em imagens médicas, com referência a trabalhos que constituem um

enquadramento válido a este projecto e que demonstram a sua viabilidade, e o

desenvolvimento de um algoritmo para testar o alinhamento de algumas imagens de

de ressonância magnética.

V – Considerações finais e perspectivas futuras Para terminar, este documento inclui-se no capítulo V, uma conclusão final com

indicação das perspectivas de trabalho futuro.



1.4. Contribuições principais

Como principal contribuição, deste relatório que surge no âmbito da disciplina

de Trabalhos Práticos do Curso de Mestrado em Engenharia Biomédica e que serve

como trabalho introdutório ao projecto de Dissertação, salienta-se o estudo

aprofundado e a revisão bibliográfica da informação considerada pertinente para esta

área. De salientar que as contribuições exactas do trabalho só serão conhecidas com

maior clareza uma vez finalizado o processo de investigação e redigida a respectiva

Dissertação.



II – ESCLEROSE MÚLTIPLA



2.1. Introdução

A esclerose múltipla, patologia com muitos aspectos que continuam a ser

complexos, consiste numa doença inflamatória / desmielinizante do sistema nervoso

central (SNC). Este sistema é formado pelo encéfalo e pela medula espinal,

consistindo no centro de comando que interpreta toda a informação sensorial,

controlando também todas as ordens “motoras” dadas aos músculos. Esta patologia

caracteriza-se essencialmente pela destruição ou pelo endurecimento da bainha de

mielina, que desempenha funções importantes nas trocas interneuronais e recobre as

fibras nervosas do sistema nervoso central. Milhões de tecidos nervosos podem ser

afectados e as cicatrizes que se formam depois de passada a inflamação são

conhecidas por esclerose, uma doença que normalmente prevalece em pacientes no

início da idade adulta.

Os sintomas desta patologia podem ser bastante graves, podendo variar

significativamente de pessoa para pessoa e afectando praticamente todas as funções

biológicas de acordo com a forma de manifestação da doença, desde o controlo dos

movimentos à percepção sensorial. Assim, a sua progressão pode acarretar, por

exemplo, a paralisia de membros ou mesmo, a perda da visão. Na EM, o número, a

morfologia, frequentemente ovular, a localização, (Brown 1992), a dimensão, de

alguns milímetros a vários centímetros de diâmetro, e a coloração das lesões,

amarelada ou cinzenta rosada, podem variar no tempo, (Clanet and Lyon-Caen 1998),

de um paciente para outro ou mesmo entre diferentes cortes imagiológicos obtidos

através de técnicas de imagem distintas.

Após a epilepsia, esta é doença neurológica que mais afecta os jovens adultos,

iniciando-se geralmente entre os 15 e os 50 anos, apresentando como idade mais

comum os 30 anos, atingindo ambos os sexos, mas com uma prevalência duas a três

vezes superior nas mulheres, (Murray 2005).

O presente capítulo aborda a esclerose múltipla. Inicialmente efectua-se uma

contextualização histórica da patologia, depois, procede-se à sua descrição incluindo

causas, prevalências e tipos, e finalmente termina-se com a definição dos critérios de

diagnóstico usados pelos técnicos de saúde especialistas. No final do capítulo, é

apresentada uma súmula da informação exposta.



2.2. Noções históricas

Jean-Martin Charcot (figura 2.1), neurologista francês que viveu entre 1825 e

1893, procedeu em 1868, conjuntamente com Edmé Vulpian, à primeira descrição

(figura 2.2) histológica completa, com limites bastante imprecisos, (Grimaud, Zhu et al.

2002), das lesões da patologia actualmente conhecida por esclerose múltipla, após

contemplar na autópsia de jovens pacientes que sofriam de tremores e de paralisias, a

presença de placas cinzentas espalhadas na medula espinal e no cérebro. De forma a

separar este tipo de tremores dos da Doença de Parkinson, Charcot apresentou-a, nas

suas descrições iniciais, como sendo bastante rara e nomeou-a de sclérose en plaque.

O termo esclerose múltipla, deriva do germânico multiplen sklerose e foi apenas aceite

pela generalidade a partir de meados do século XX, (Murray 2005).

Figura 2.1 – Retrato de Jean-Martin Charcot (retirado de (Murray 2005))

Figura 2.2 – Ilustrações das lesões descritas por Charcot (retirado de (Murray 2005))

De salientar que, no seu estudo, Charcot estabeleceu ainda muitas das

características importantes da actual EM, tais como:

A destruição ou o endurecimento, ou seja a transformação em placas, da mielina,

que é a bainha isolante constituída por gorduras que envolve a maioria das fibras

nervosas e que permite acelerar a transmissão dos impulsos nervosos às restantes

partes do corpo. De salientar que o elevado conteúdo de gordura lhe dá uma

aparência esbranquiçada. Este fortalecimento interfere na transmissão dos

impulsos ao cérebro1 ao nervo óptico e à medula espinal, dificultando assim, o

controlo de várias funções orgânicas, tais como a visão, o andar e o falar.

A proliferação de fibras e de núcleos das células da glia, que são células não

neuronais do sistema nervoso central que dão suporte e nutrição aos neurónios.

1 Para um determinado indivíduo, é uma estrutura anatómica estável e não deformável ao longo do tempo, (Hill, Batchelor et al. 2001), mesmo no caso da EM, onde há apenas uma modificação dos seus tecidos.



Antes de Charcot, outros investigadores obtiveram informações sobre esta

doença. Destes, de realçar o trabalho de Robert Carswell, que em 1838 apresentou a

primeira demonstração da patologia, bem como, a sua primeira ilustração, figura 2.3,

(Murray 2005).

Figura 2.3 – Ilustração da EM efectuada por Robert Carswell (retirado de (Murray 2005))

Ao longo do século e meio seguinte, relatos sobre a doença, as suas causas,

etc., foram constantes e variados, dependendo essencialmente dos avanços

tecnológicos que iam ocorrendo na área médica, fazendo com que na actualidade os

especialistas a considerem como o efeito de um predisposição genética, sendo

transmitida de pais para filhos, e ambiental, dependendo do clima, modo de vida,

exposição a variados tipos de vírus, etc., não sendo no entanto apenas o resultado de

um simples factor, (Clanet and Lyon-Caen 1998; Murray 2005).

Em 1938, G. Steiner foi um dos primeiros a observar e a propor que o

predomínio para a EM estava associado a factores regionais. Assim, em certas zonas

do planeta, conforme a figura 2.4, como no norte da Europa, nos Estados Unidos da

América e no Canadá, existe uma forte prevalência para a patologia,

comparativamente com os países localizados em redor do Mar Mediterrâneo ou na

América do Sul.

Figura 2.4 – Mapa da prevalência da EM (retirado de (mult-sclerosis 2008))



Da associação da EM com factores regionais, de realçar que:

A doença é excepcional na Ásia e em África, sendo apenas em 1987 registado o

primeiro caso num paciente negro.

O risco de desenvolver a doença muda quando um indivíduo migra de um país de

incidência baixa para um de incidência elevada ou vice-versa, (Clanet and Lyon-

Caen 1998; Murray 2005);

Assim, mesmo com os grandes progressos da medicina, poucos elementos

foram introduzidos na compreensão desta doença que afecta sensivelmente 2.5

milhões de pessoas no mundo, atingindo na Europa um em cada 1000 habitante.

Continuando a sua causa algo encoberta, (Clanet and Lyon-Caen 1998), e o seu

diagnóstico delicado.

2.3. Descrição da doença

A esclerose múltipla é uma doença neurológica que frequentemente começa

com sintomas esporádicos e que normalmente não progride de maneira uniforme

dependendo da forma de manifestação da doença. Estes indícios podem ocorrer em

qualquer área servida pelos nervos mielinizados da matéria branca do encéfalo ou da

medula espinal, sem afectar o sistema nervoso periférico (SNP). Este consiste nos

nervos sensorio-motores que transmitem ao SNC a informação recebida pelo corpo e

os sinais de comando do SNC aos músculos. Isto, provoca nos pacientes reacções

diversas, como, fraqueza nas pernas, dificuldade em controlar a bexiga ou mesmo,

dormência facial, (Murray 2005). De realçar que, uma vez diagnosticada, nenhum

parâmetro clínico permite prever de forma precoce e simples a posterior evolução do

grau de deficiência, (Grimaud, Zhu et al. 2002).

Apesar de ter causas incertas, sendo a área mais controversa desta patologia a

definição da sua causa, (Murray 2005), a EM aparenta envolver actividades anormais

do sistema imunitário2 processadas no SNC e caracterizadas pela quebra na mielina

que envolve o axónio, (Grimaud, Zhu et al. 2002).

O SNC contém células nervosas, os neurónios, e células gliais, que asseguram

também, a comunicação entre os diversos neurónios. Um neurónio típico, figura 2.5, é

constituído, na sua forma mais simplificada, por:

2 Tem por função proteger e facilitar a sobrevivência do indivíduo, lutando contra os agentes patogénicos externos e os corpos estranhos.



Um axónio que propaga o impulso nervoso proveniente do corpo celular e é

coberto por uma bainha de mielina de forma a assegurar elevadas velocidades e

boa qualidade na condução dos sinais nervosos. As bainhas de mielina permitem

aos sinais nervosos eléctricos saltar de um nódulo para o seguinte, sendo isto, a

base de uma condução nervosa rápida.

Um corpo celular que contem numerosos dendritos, que são pequenas

protuberâncias que se ligam aos neurónios imediatamente vizinhos;

Figura 2.5 – Estrutura esquemática simplificada de um

neurónio típico (retirado de (mult-sclerosis 2008))

Na EM, os processos inflamatórios danificam ou destroem as bainhas da

mielina das células nervosas, sendo esta perda conhecida por desmielinização. Estas

lesões que se apresentam como placas de forma bastante irregular e que predominam

exclusivamente na substância branca, (Clanet and Lyon-Caen 1998), tornam-se

visíveis quando a mielina é removida ou quando ela fica muito fina na região. Os

axónios que ficam sem a mielina deixam de conduzir, ou fazem-no de forma mais

lenta, os sinais eléctricos; logo, o impulso é transmitido ao longo da totalidade da fibra

nervosa, o que demora bastante mais tempo do que se tivesse que saltar de nódulo

para nódulo, o que se traduz nos sintomas neurológicos normalmente sentidos durante

um ataque de EM.

Como a localização das regiões lesionais é imprevisível a natureza dos défices

neurológicos associados pode variar consideravelmente. Uma vez desaparecida a

inflamação, poderá ser possível a restauração da função neurológica, estando-se na

presença de um episódio transitório de manifestação de EM. Contudo, em casos de

desmielinização grave e prolongada, os neurónios podem ser destruídos antes da

capa protectora de mielina poder ser restabelecida novamente.

Assim, nos doentes com EM, a bainha de mielina que isola as fibras nervosas,

torna-se o alvo de um ataque orquestrado por parte de linfócitos e macrófagos, que

são diferentes tipos de glóbulos brancos, desencadeado por um fenómeno



imunológico. Isto significa que o sistema imunitário não consegue distinguir as suas

próprias células das estranhas e daí ele ataca e destrói os seus próprios tecidos,

conduzindo então a uma doença auto-imune onde o sistema imunitário reage contra

os constituintes do organismo como se eles fossem substâncias estranhas, produzindo

anti-corpos dirigidos a esse combate. Como resultado, surgem então, lesões em

diversos locais do SNC (figura 2.6).

Figura 2.6 – Lesão de EM no hemisfério do cérebro (retirado de (Clanet and Lyon-Caen 1998))

Na actualidade não existe nenhum tratamento curativo eficaz para esta

patologia, havendo no entanto terapêuticas sintomáticas que permitem melhorar a

qualidade de vida do doente antes que possibilitam o atraso no seu desenvolvimento.

2.4. Formas de esclerose múltipla

A EM tem formas de apresentação distintas, surtos, episódios ou

exacerbações. De uma forma clássica, pode-se considerar a existência de quatro

diferentes tipos de EM:

A esclerose múltipla recorrente remissiva (EMRR) é a forma mais comum e ocorre

em aproximadamente 40% dos casos. Os doentes têm surtos ou sintomas

imprevisíveis, mas geralmente voltam ao normal (remissão) recuperando total ou

parcialmente do surto. O tipo de sintomas é muito vasto, porque depende da parte

do SNC afectado.

A esclerose múltipla secundária progressiva (EMSP) surge em cerca de 25% dos

doentes que têm EMRR. Nesta fase, os doentes continuam a ter surtos mas a

recuperação torna-se incompleta, originando uma deterioração progressiva da

condição física, isto é, há um aumento gradual de sintomas e de incapacidades.

A esclerose múltipla primária progressiva (EMPP) aparece quando os doentes

apresentam sintomas que se agravam de forma constante e não têm surtos



distintos, remissão ou recuperação. Assim sendo, na EMPP, a incapacidade

agrava-se gradualmente e pode estabilizar em determinada altura ou continuar a

piorar. A EMPP é a forma mais incapacitante da doença e a mais problemática

quanto ao seu tratamento, afectando normalmente as pessoas que sofreram os

seus primeiros sintomas com 40 anos ou mais. Ao contrário das outras formas de

EM, tem a mesma probabilidade de ocorrência em homens e mulheres.

A esclerose múltipla progressiva recorrente (EMPR) caracteriza-se por surtos

sensitivos ligeiros, pouco frequentes, com recuperação total. Depois de um ou dois

surtos com recuperação completa e sem qualquer incapacidade, esta forma de EM

não se agrava ao longo do tempo e não existe uma incapacidade permanente ou

progressão da doença. A EMPR é uma das formas menos comuns da doença,

com apenas 10% dos doentes diagnosticados.

Na figura 2.7, é possível observar a evolução clínica esquemática das

diferentes formas de EM expostas anteriormente. Nas imagens presentes, os picos

representam os surtos que podem ser seguidos de uma remissão total ou parcial. De

salientar que geralmente a escolha do modelo de tratamento é efectuada mediante o

tipo de evolução da doença.

EMRR EMSP

EMPR EMPP Figura 2.7 – Evolução clínica esquemática das diferentes formas de EM (retirado de (mult-sclerosis 2008))



2.5. Critérios de diagnóstico

Após a descrição inicial estabelecida por Charcot, os critérios de diagnóstico

variaram bastante ao longo dos tempos, e desde que excluídas outras doenças

neurológicas, assentavam nas características clínicas como sintomas, sinais, evolução

e remissão.

Nos primórdios da doença, os pacientes eram tardiamente diagnosticados e

somente quando repetidamente apresentavam comportamentos patológicos, logo,

com este tipo de procedimento os doentes tinham uma esperança de vida curta após o

diagnóstico, (Murray 2005). Mais tarde, com o avanço tecnológico dos meios auxiliares

de diagnóstico, foram estabelecidos critérios para a definição do diagnóstico da EM,

permitindo o diagnóstico diferencial com outras patologias.

Os primeiros sintomas surgem em 70% dos casos entre os 20 e os 40 anos de

idade e podem manifestar-se sob diferentes formas, sendo que na maioria dos casos

períodos sintomáticos alternam com assintomáticos. Surgem então sob a forma de

surtos de exacerbação-remissão, que consiste na aparição de novos sinais ou de

sintomas de disfunção neurológica com uma duração superior a 24 horas, ou na

deterioração significativa dos sintomas pré-existentes e que tinham estabilizado ou

permanecido ausentes durante pelo menos trinta dias. Este facto pode tornar o

diagnóstico difícil e impreciso, uma vez que os sintomas desaparecem após alguns

dias, para só voltarem passados alguns meses ou mesmo anos.

É bastante difícil de realizar correctamente um estudo epidemiológico da

esclerose múltipla, devido essencialmente a razões relacionadas com a natureza da

patologia; isto é, não existe nenhum marcador específico para a EM, (Clanet and

Lyon-Caen 1998), e para além disso, muitos dos sinais e sintomas associados à EM

podem ser causados por outras doenças, pois, os seus indícios não são específicos.

O diagnóstico da EM não dispõe de nenhum teste específico, sendo o exame

neuropatológico post-mortem o único meio de o confirmar. Baseando-se em dados

clínicos laboratoriais e radiológicos, (Zimmerman, Gibby et al. 2000), nomeadamente

os obtidos através de imagens de ressonância magnética (IRM). Embora,

sensivelmente 5% dos pacientes não tem lesões perceptíveis através de IRM, (Clanet

and Lyon-Caen 1998).

Com a IRM a precisão e a rapidez de detecção da EM tornaram-se mais

elevada, sendo visíveis lesões de pequenas dimensões, permitindo que medidas

terapêuticas possam ser efectuadas de forma precoce de maneira a melhorar o

impacto na vida quotidiana dos doentes e de tentar controlar a progressão da doença.



No entanto, por vezes os sinais e sintomas podem ser tão subtis que não é possível

confirmar o diagnóstico durante um longo período de tempo. Nas imagens da figura

2.8, apresentam-se, como exemplo, seis cortes com 6 mm de espessura de uma IRM

sagital, sem lesões de EM, à cabeça.

Figura 2.8 – Corte de IRM sagital à cabeça (retirado de (Doyon, Cabanis et al. 2001))

Os critérios de diagnóstico que incluem a IRM como método auxiliar, são os de

F. Barkhof; o que permite aumentar a sensibilidade e a especificidade da IRM na

detecção da EM. Estes preceitos salientam que um paciente sofre de esclerose

múltipla se pelo menos três dos seguintes parâmetros são encontrados, (Clanet and

Lyon-Caen 1998):

Uma lesão que reforça após a administração de produto de contraste

paramagnético , (Doyon, Cabanis et al. 2001), ou na ausência de lesão que capte

produto de contraste paramagnético, de nove lesões hiperintensas em T2.

Uma ou mais lesões infratentoriais;

Uma ou mais lesões justacorticais;

Três ou mais lesões periventriculares.



2.6. Resumo

Os conceitos abordados neste capítulo visaram principalmente orientar e

facilitar a compreensão da patologia principal considerada neste projecto.

Deste capítulo, pode-se concluir que a esclerose múltipla é uma patologia:

Com incidência maior em habitantes de determinadas áreas do planeta;

Com muitos aspectos, mesmo com a actual evolução da medicina, que continuam

desconhecidos;

Que se caracteriza essencialmente pela destruição ou endurecimento da bainha

de mielina que recobre e isola as fibras do sistema nervoso central;

Com sintomas que podem ser bastante graves, pois afectam praticamente todas

as funções biológicas.

A imagiologia é um dos critérios para o diagnóstico da EM que é

essencialmente clínico-laboratorial. A imagem ajuda no diagnóstico e avaliação da

carga lesional ao longo dos tempos.



III – RESSONÂNCIA MAGNÉTICA



3.1. Introdução

A descoberta da radiação x permitiu à medicina progredir consideravelmente,

porque as técnicas de imagiologia posteriormente desenvolvidas têm o intuito de

visualizar o interior do corpo humano sem a necessidade de recorrer a procedimentos

invasivos.

As principais técnicas para a aquisição de imagens encefálicas volumétricas

são a tomografia por emissão de positrões (PET), tomografia por emissão mono-

fotónica (SPECT), tomografia computorizada (CT) e imagem por ressonância

magnética (IRM). O termo imagem médica abrange uma grande variedade de tipos de

imagens, com diversos princípios físicos subjacentes e diferentes aplicações, (Hill,

Batchelor et al. 2001). As imagens normalmente utilizadas nos cuidados de saúde e na

investigação médica variam de imagens microscópicas de cortes histológicos a

sequências de vídeo utilizadas remotamente para consulta.

No caso específico da esclerose múltipla, no estabelecimento do diagnóstico

na fase inicial, é geralmente necessário analisar uma série de IRM, (Rey, Subsol et al.

2002); porque permite obter uma indicação sobre a natureza dos tecidos envolvidos,

bem como, observar as zonas desmielinizadas, contribuindo posteriormente para o

acompanhamento do doente e avaliação dos tratamentos efectuados.

A IRM proporciona imagens internas do corpo humano de alta resolução,

sendo adequada para visualizar as estruturas de tecido mole, como o cérebro ou a

medula espinal. É uma técnica não invasiva de diagnóstico, (Grimaud, Zhu et al.

2002), que se baseia na interacção entre os núcleos de hidrogénio e um campo

magnético exterior sensivelmente 10000 vezes superior ao da Terra, (Doyon, Cabanis

et al. 2001).

A IRM teve origem num fenómeno físico conhecido desde 1946, a ressonância

magnética nuclear (RMN) e foi inicialmente utilizada para aplicações na área da

química e da bioquímica, nomeadamente a espectroscopia, (Doyon, Cabanis et al.

2001), permitindo a obtenção de informações sobre as estruturas das moléculas ou

ainda da taxa de reacção das substâncias. Estes dados, associados aos processos de

reconstrução espacial, permitiram em 1977 obter a primeira imagem do tórax humano.

Somente em 1981, é que I. R. Young e os seus colaboradores demonstraram que a

sensibilidade da IRM permite a detecção in-vivo das placas de EM, (Doyon, Cabanis et

al. 2001).

De salientar que, as principais vantagens da IRM, relativamente aos outros

métodos de diagnóstico por imagem, são a descrição precoce de alterações dos



tecidos e a não utilização de radiações ionizantes, como acontece com os raios X que

são a fonte da imagem, por exemplo, da tomografia computorizada, da PET e da

SPECT, estas últimas permitindo medir a actividade cerebral através de marcadores

radioactivos. Tem como principal limitação, o elevado tempo de aquisição.

Ao longo do presente capítulo, efectua-se uma análise sobre alguns aspectos

gerais da IRM, especificamente, da forma como funcionam os equipamentos e quais

os principais contrastes observados nas imagens, bem como sobre os artefactos que

as podem perturbar. No final do capítulo, é apresentado um resumo da informação

exposta.

3.2. Princípios de funcionamento

A IRM não é um exame específico para a EM mas permite uma boa análise

quantitativa e qualitativa, possibilitando verificar a evolução do paciente, (Hill,

Batchelor et al. 2001),. A informação qualitativa é a posição das lesões, até à

confirmação da patologia ou a correlação com os sinais clínicos; enquanto, a

informação quantitativa representa normalmente o volume global das lesões ou a sua

variação de tamanho de forma a determinar a resposta terapêutica, (Rey, Subsol et al.

2002).

Ao invés das imagens radiográficas convencionais, que são bidimensionais e

analógicas, as IRM são digitais, tridimensionais e compostas de vários cortes de um

mesmo volume real, o que lhes permite fornecer conteúdos de grande qualidade

informativa, sendo um importante meio de diagnóstico para patologias encefálicas3.

Antes de mais, é essencial referir que, o aparelho de ressonância magnética

deve estar localizado numa sala isolada própria para o efeito, sendo todas as suas

funções controladas e monitorizadas a partir do exterior desse espaço através de uma

consola colocada junto do técnico de saúde especialista.

Existe uma cavidade central onde, durante o exame, o doente é colocado. O

íman do aparelho, que tem uma forma variável e uma força de campo geralmente de

0.2 a 3 Tesla, (Doyon, Cabanis et al. 2001), sendo que para a EM não deve ser inferior

a 1.5 Tesla, encontra-se localizado nesta área e serve para produzir um campo

magnético uniforme que induz a magnetização dos tecidos do paciente, (Moore and

Zouridakis 2004), sendo estes constituídos principalmente por átomos que se

distribuem em duas camadas distintas:

3 A maioria das lesões cerebrais é responsável por um aumento do conteúdo do tecido em água, parâmetro ao qual a IRM é muito sensível, (Doyon, Cabanis et al. 2001).



Uma mais externa na qual deambulam os electrões;

Uma mais interna (núcleo), que é constituída por um determinado número de

protões e de neutrões animados por um movimento colectivo complexo.

Se o núcleo for formado por um número ímpar de protões e de neutrões possui

uma propriedade chamada de spin que apresenta um movimento detectável de

rotação sobre o próprio eixo, (Doyon, Cabanis et al. 2001). Este movimento, devido à

carga eléctrica dos protões, cria um campo electromagnético com força finita e com

direcção variável, figura 3.1, cujo vector representativo se denomina de momento

magnético e caracteriza a intensidade e a orientação de um dipolo magnético.

Figura 3.1 – Momento magnético de núcleos de Hidrogénio de tecido biológico (retirado de (Doyon, Cabanis et al. 2001))

No início de um exame, o íman orienta todos os momentos magnéticos do

paciente, (Doyon, Cabanis et al. 2001), na direcção do seu campo magnético que

cresce linearmente numa das três direcções do espaço. É nesta fase, que o técnico de

saúde especialista, através da consola, escolhe os parâmetros que quer ver

representados, como tempo de repetição, tempo de eco, sequência de impulsos,

número de cortes e espessura de cortes, começando de seguida o exame.

Quando a máquina procede ao exame, uma antena, que consiste numa bobine

de formas variáveis envolvendo a parte do corpo a explorar e que está localizada

dentro do equipamento, emite ondas de RF específicas, que são absorvidas pelos

protões orientados do paciente, produzindo uma modificação na sua orientação, em

relação ao movimento do campo magnético principal. Este fenómeno físico denomina-

se de ressonância, (Moore and Zouridakis 2004).

Quando "ligadas", as ondas de RF chocam lateralmente com os protões e

quando "desligadas", os protões relaxam, voltam às suas posições iniciais e irradiam

os seus próprios sinais, isto é, as ondas que contêm informações sobre os tecidos do

paciente.



Após cada impulso de RF aplicado, o sistema representado pelo vector

resultante inicia o relaxamento, retornando ao equilíbrio anterior à onda RF após um

determinado lapso de tempo, chamado de tempo de relaxamento que depende de

vários factores, como a intensidade das ondas de RF e do campo magnético usados,

da uniformidade desses campos magnéticos, do tipo de tecido orgânico, da interacção

entre protões, etc..

De salientar que cada conjunto de impulsos de RF, “ligados” e “desligados”, e

de sinais recebidos gera uma imagem de um minúsculo volume do corpo, sendo esta

informação transmitida à consola que, através de métodos matemáticos, a transforma

em pixéis e consequentemente em imagens. Como o dispositivo de ressonância

magnética repete esta sequência várias vezes, alterando sempre ligeiramente o local

no qual a sua energia é focada, pode-se no término visualizar uma imagem completa

de uma parte do corpo humano. Desta forma, a IRM é obtida através da aplicação de

um campo magnético e de sequências de impulsos de RF e gera imagens a partir do

sinal da ressonância dos átomos de Hidrogénio que constituem 63% do corpo humano

e que possuem um grande momento magnético.

Actualmente, os sistemas de IRM mais comuns usam forças de campo de 0.5 a

1.5 Tesla, (Moore and Zouridakis 2004), o que faz com que os protões girem a uma

velocidade de vários milhões de vezes por segundo.

3.3. Artefactos

As IRM são susceptíveis de apresentar distorções adicionadas durante a sua

formação, (Bricq, Collet et al. 2008), sendo as mais comuns causadas pelo campo

magnético principal e por artefactos, o que pode fazer com que as imagens estejam

desalinhadas devido à sua presença, (Rey, Subsol et al. 2002).

O conhecimento da existência de erros e de artefactos em IRM é essencial

para a correcta interpretação das imagens obtidas, sendo alguns deles evitáveis pela

exacta escolha dos parâmetros de aquisição das mesmas, (Doyon, Cabanis et al.

2001).

Os artefactos podem ser gerados por:

Situações intrínsecas ao doente como por exemplo, a gordura, o movimento (figura

3.2) ou a presença de componentes metálicas (figura 3.3);

Situações externas ao paciente e inerentes ao método de aquisição, como a

sobreposição de estruturas, as interferências ferromagnéticas (figura 3.4), o ruído

aleatório ou as não homogeneidades de ganho da antena de RF, que se



manifestam pelas variações espaciais lentas da intensidade dos tecidos na

imagem e se devem às imperfeições do equipamento de aquisição ou à interacção

electrodinâmica induzida no paciente, (Bricq, Collet et al. 2008).

Figura 3.2 – Artefacto devido ao movimento do paciente

(retirado de (Doyon, Cabanis et al. 2001)) Figura 3.3 – Artefacto devido a um objecto metálico

(retirado de (Doyon, Cabanis et al. 2001))

Figura 3.4 – Artefacto devido às interferências ferromagnéticas (buraco negro

na cavidade ocular) (retirado de (Doyon, Cabanis et al. 2001))

Os artefactos traduzem-se por fenómenos de aspecto bastante variável,

surgindo por exemplo, no caso dos artefactos de movimento (figura 3.2), sobre a forma

de imagens “fantasmas” das estruturas em causa.

Em relação às estruturas anatómicas normais, as lesões da EM têm um

contraste bastante baixo e o sinal de uma lesão pode ser, mas não é habitual,

semelhante ao de uma estrutura normal, (Grimaud, Zhu et al. 2002).

Segundo L. G. Brown, (Brown 1992), as distorções relacionadas com as

mudanças ou com a introdução de ruído no sensor de imagem, bem como as

alterações de posição do paciente e as outras variações indesejáveis, podem

contribuir de forma nefasta para o correcto alinhamento das estruturas presentes.

Logo, mesmo com o pré-processamento das imagens, as perturbações ainda podem

afectar o algoritmo que vai alinhar a sequência de dados e nesse caso, verifica-se uma

imprecisão no alinhamento obtido, (Rey, Subsol et al. 2002).



3.4. Tempos de relaxamento

A formação de IRM é influenciada pelos tempos de relaxamento dos tecidos,

que dominam o brilho dos pixéis do exame; isto é, pela velocidade com que se

realinham os momentos magnéticos com o campo magnético principal, depois de

terem sido alterados por um impulso inicial de RF, (Moore and Zouridakis 2004).

Assim, os tempos de relaxamento, sendo um processo exponencial, podem ser

caracterizados por dois tipos diferentes de escalas temporais que variam consoante o

estado normal ou a patologia do tecido, (Doyon, Cabanis et al. 2001):

T1 (longitudinal ou relaxamento spin-eco) → A aplicação de impulsos de RF

adiciona energia ao sistema e faz com que os protões mudem para um estado de

maior excitação ou de maior energia. O processo de dissipação dessa energia, no

ambiente magnético desses protões e o seu retorno ao estado de mais baixa

energia, é chamado de Tempo 1 de relaxamento ou T1 e corresponde ao tempo

após a paragem de um impulso de 90º em que o momento magnético longitudinal

(ML) demora a atingir 63% do seu valor de equilíbrio (Meq), figura 3.5.

Como para se formar uma imagem são necessárias várias ondas de RF, é

imperativo que se espere um certo tempo de relaxamento para que o próximo

impulso seja eficiente; ou seja, deve-se aguardar um determinado T1, função da

massa e do tamanho das moléculas que constituem o tecido, (Doyon, Cabanis et

al. 2001). De salientar que, em geral, T1 aumenta com a intensidade do campo

magnético.

Figura 3.5 – Evolução do momento magnético longitudinal (retirado de (Doyon, Cabanis et al. 2001))

T2 (transversal ou relaxamento spin-spin) → Cada protão tem um campo

magnético próprio, que começa a desorganizar-se e a afectar vizinhos, numa

reacção simultânea, após cada impulso de RF, transferindo energia entre si e

saindo de fase. Esta relação é chamada de Tempo 2 de relaxamento ou T2 e é o



tempo após a paragem de um impulso de 90º em que o momento magnético

transversal (MT) demora a decair para 37% do seu valor de equilíbrio (Meq),

(Doyon, Cabanis et al. 2001), figura 3.6.

Figura 3.6 – Evolução do momento magnético transversal (retirado de (Doyon, Cabanis et al. 2001))

Nos tecidos biológicos, os valores numéricos de T2 são geralmente inferiores

aos de T1, sendo o tempo T2 maior quanto mais fluida for a amostra, (Doyon, Cabanis

et al. 2001).

3.5. Contraste das imagens

No sentido de se obter imagens, a aplicação de apenas um impulso de RF é

pouco útil. Assim sendo, é necessária a aplicação de vários impulsos com um elevado

tempo de repetição; isto é, com uma determinada frequência e com prazos adequados

para o aproveitamento dos sinais para a formação de imagens (figura 3.7). O tempo de

repetição é o período que vai da aplicação de um impulso de RF à aplicação do

impulso seguinte, TR, e determina o grau de relaxamento T1; enquanto, o tempo de

eco, que é o período que vai da aplicação do impulso de RF até o pico máximo de

sinal induzido na bobine receptora, TE, controla o grau de relaxamento T2.

Os tempos, expressos em milissegundos, dos parâmetros de aquisição TE e

TR, são normalmente escolhidos de forma a privilegiar um sinal que preferencialmente

depende de um parâmetro do tecido, (Doyon, Cabanis et al. 2001). Deste modo, o

contraste de uma IRM pode ser manipulado através da alteração dos parâmetros

(tempos) da sequência do impulso de RF.



Figura 3.7 – Impulso de RF com representação de TR e TE (retirado de (Doyon, Cabanis et al. 2001))

Na avaliação visual das IRM, elas podem apresentar sinais muito intensos

(branco) ou pouco intensos (preto), passando por uma gama intermédia (tons de

cinzento). Estes sinais, de tonalidades que variam do branco ao preto, representam

diferentes tipos de tecidos, por exemplo, tecido adiposo, músculo ou tecido nervoso.

Numa IRM, um determinado tecido tem um sinal muito intenso, quando possui uma

grande componente transversal de magnetização capaz de gerar um grande sinal na

bobine receptora. Um tecido envia um sinal fraco à bobine receptora quando este

possui uma componente transversal de magnetização de amplitude pequena. Logo, os

meios de contraste agem predominantemente nos tempos de relaxamento T1 ou T2 e

a quantidade de atenuação reflecte a densidade dos electrões presentes no paciente.

Desta forma, as IRM obtêm contrastes diferentes para os mesmos tecidos

estimulados, principalmente pelos mecanismos de ponderação em:

T1 → Uma imagem ponderada em T1 é aquela em que o contraste,

predominantemente, depende das diferenças entre os tempos T1 do tecido

adiposo (curto) e da água (longo), logo, provém da capacidade de transferir

energia para a vizinhança. Um TE curto e um TR curto produzem uma imagem

ponderada em T1.

Deste modo, o T1 permite distinguir os tecidos do cérebro, a matéria branca, a

matéria cinzenta (figura 3.8), o líquido céfalo-raquidiano, o que possibilita um bom

estudo anatómico, (Doyon, Cabanis et al. 2001), as necroses e em adição a uma

injecção de Gd+ mostra áreas desmielinizadas activas, (Rey, Subsol et al. 2002).

Assim, as imagens obtidas em T1 são excelentes para a visualização de detalhes

anatómicos.

Por exemplo, as imagens ponderadas em T1 apresentam o tecido adiposo

brilhante e a água escura enquanto as imagens ponderadas em T2, mostram o

tecido adiposo escuro e a água brilhante.



Figura 3.8 – IRM em ponderação T1 (retirado de (Doyon, Cabanis et al. 2001))

T2 → Uma imagem ponderada em T2 é aquela em que o contraste,

predominantemente, depende das diferenças entre os tempos T2 do tecido

adiposo (curto) e da água (longo), logo, provém da rapidez com que os núcleos

mudam de sentido, no seu movimento. Um TE longo e um TR longo produzem

uma imagem ponderada em T2.

As T2 são particularmente vantajosas para salientar e medir as lesões como a EM,

mas nas quais não há uma diferença de contraste entre a matéria branca e a

matéria cinzenta (figura 3.9).

Consequentemente, resulta uma imagem que aparece maior que a ponderada em

T1, (Dugas-Phocion, González et al. 2004), e que mostra as lesões activas e as

inactivas que habitualmente não surgem na T1, o que possibilita a caracterização

dos tecidos, (Doyon, Cabanis et al. 2001), mas não diferencia os edemas, a

desmielinização, a esclerose e as eventuais necroses, (Rey, Subsol et al. 2002),

logo, as imagens obtidas em T2 são ideais para as visualizar as patologias.

Figura 3.9 – IRM em ponderação T2 (retirado de (Doyon, Cabanis et al. 2001))

Densidade de protões (DP) → Para se obter a ponderação por DP, que é a

concentração de protões no tecido sob a forma de água e de macromoléculas de

proteínas ou de gordura, isto é, líquido > tecidos > gordura, tem de se diminuir os



efeitos dos contrastes de T1 e de T2, sendo que para isso se utiliza um TE curto e

um TR longo, de valor muito superior ao de T1 dos tecidos analisados, de forma à

intensidade do sinal ser independente de T1 e de T2.

De salientar que, o contraste por DP está sempre presente e depende do paciente

e da área que está a ser examinada.

A ponderação por DP é uma imagem que permite a identificação de lesões antigas

ou recentes, que aparecem como manchas brilhantes (figura 3.10), e é

particularmente útil para a identificação de lesões próximas de ventrículos com

fluido.

Figura 3.10 – IRM em ponderação DP de doente do sexo feminino com EM (retirado de (Roentgenology 2008))

As lesões da EM apresentam hipersinal (aparecem claras) em T2 e hiposinal

(aparecem escuras) em T1 no que diz respeito à questão da intensidade normal na

matéria branca, (Dugas-Phocion, González et al. 2004). Assim, classicamente com a

IRM os parâmetros medidos na EM são o volume total das lesões nas sequências

ponderadas em T2 e o número de placas activas nas ponderadas em T1 que reforçam

após injecção de um produto de contraste.

A tabela 3.1 mostra as principais diferenças no contraste encontradas em

regiões com tecidos que apresentam características físicas distintas, quando as IRM

formadas representam as diferenças entre T1, T2 ou DP. As regiões de maior

contraste são indicadas pelo símbolo + e as de menor contraste por -.

Tabela 3.1 – Principais diferenças de contraste

encontradas em tecidos (adaptado de (Roentgenology 2008)) T1 T2 DP

Sólido - + - Gordura + + + Sangue + - +



Na prática as IRM, bem como outros tipos de imagens como as CT e as PET,

surgem sobre a forma de um conjunto de cortes de imagens em 2D (slices), (Xie and

Farin 2004), que correctamente alinhadas, vão formar uma imagem 3D.

3.6. Resumo

Deste capítulo, pode-se concluir que:

O princípio de funcionamento da ressonância magnética consiste na aquisição de

imagens do corpo humano através do aproveitamento dos numerosos átomos de

Hidrogénio que ele possui. Colocados sob um potente campo magnético, estes

orientam-se numa mesma direcção. Seguidamente são excitados por ondas de RF

durante um intervalo de tempo curto, sendo colocados em ressonância, e quando

esse estímulo pára os átomos restituem a energia acumulada produzindo um sinal

que posteriormente é tratado para a obtenção das respectivas imagens. Desta

forma, a IRM explora a capacidade do dipolo H2O de entrar em ressonância.

A ressonância é um fenómeno que ocorre quando um núcleo é exposto a uma

perturbação oscilatória que tem uma frequência próxima de sua própria frequência

natural de oscilação. Esse núcleo ganha energia da força externa e entra em

ressonância.

A IRM é de elevada utilidade para a detecção de lesões que não são visíveis em

imagens radiológicas convencionais.



IV – ALINHAMENTO DE IMAGENS



4.1. Introdução

Para estudar duas imagens ou uma sequência de imagens médicas de um

mesmo paciente, não adquiridas no mesmo instante ou por métodos distintos, é

essencial que subsista concordância de posição, orientação e escala espacial entre as

mesmas. Isto é, existe a necessidade de proceder, com precisão, ao seu alinhamento

- este termo é bastante vago e reagrupa um grande número de problemáticas

diferentes, (Hill, Batchelor et al. 2001), - caso contrário, torna-se difícil ou mesmo

impossível saber se a variação de posição, orientação ou tamanho de uma lesão

corresponde a uma modificação biológica ou a uma mudança de posição do doente,

por exemplo. De salientar que, o desalinhamento das imagens decorre em grande

parte do processo de aquisição, (Grimaud, Zhu et al. 2002).

Assim, o alinhamento, ou reposicionamento, de estruturas em imagens

médicas consiste na utilização de um método que permita estabelecer uma relação

geométrica; ou seja, uma deformação espacial entre os objectos representados de

forma a alinhar duas ou mais imagens de um paciente, obtidas num mesmo exame ou

em exames distintos, em exames adquiridos usando diferentes técnicas de imagem4

ou em análises realizadas por equipamentos distintos, de maneira a recolocá-las sob

as mesmas condições geométricas, (Maintz and Viergever 1998; Hill, Batchelor et al.

2001). Desta forma, estabelece-se uma relação de correspondência ponto a ponto,

(Keeling 2007), com grande precisão, entre as imagens envolvidas, (Grimaud, Zhu et

al. 2002), a fim de sobrepor representações de estruturas semelhantes considerando

um sistema de referência comum. No caso do presente trabalho, as imagens

alinhadas serão posteriormente comparadas para verificar e quantificar a presença e a

evolução da EM.

A comparação entre as diversas sequências de IRM pode ser complexa devido

a diversos factores como, campo magnético, artefactos presentes nas imagens,

espessura dos cortes, tipo de sequencias usadas, posicionamento do paciente ou

ordem de realização das sequencias, (Doyon, Cabanis et al. 2001). Uma forma de

minimizar estes agentes de erro, devendo-se de salientar que a exactidão de um

alinhamento permite mesmo a obtenção de novas possibilidades de tratamento,

(Cherik, Mouhadjer et al. 2007), passa pela utilização de protocolos de aquisição

idênticos, mas tal pode não ser suficiente para suprimir as diferenças de

posicionamento e de orientação do paciente em exames sucessivos. Existe técnicas,

como a utilização de um quadro estereotáxico, que permitem que a cabeça do doente

4 Isto é, imagens multimodais, que consistem na fusão de técnicas de imagiologia distintas.



fique “fixa” na mesa da máquina, (Maintz and Viergever 1998), mas como são bastante

desagradáveis para os pacientes, pois geralmente requerem a sua fixação em alguns

pontos do crânio através de processos cirúrgicos, os médicos apenas as usam em

casos muito particulares de determinadas patologias.

O presente capítulo inicia-se com o estabelecimento de alguns conceitos e

posteriormente expõe alguns estudos realizados na área do alinhamento de estruturas

em imagens médicas, bem como discute algumas das suas principais características.

4.2. Métodos

Nesta secção apresentam-se alguns dos algoritmos usuais para o alinhamento

de imagens médicas. De salientar que esta secção tem como finalidade principal

apresentar as orientações principais do alinhamento de imagens, tendo estas por base

a procura do espaço de transformação óptima de um determinado problema, (Brown

1992).

4.2.1. Conceitos

No âmbito particular do alinhamento de estruturas em imagens médicas, e mais

especificamente na análise de séries de dados de um mesmo paciente ao longo do

tempo, o objectivo principal passa pela obtenção de uma transformação geométrica

entre duas imagens, para que a cada ponto das mesmas corresponda o mesmo ponto

anatómico real.

No quadro da ajuda ao diagnóstico da EM, um técnico de saúde tem

regularmente de comparar imagens de ressonância magnética de um paciente obtidas

espaças de um certo intervalo de tempo. Esta tarefa pode ser bastante laboriosa

porque, por exemplo, o doente pode não estar na mesma posição em ambos os

exame, logo, as duas imagens adquiridas em instantes diferentes não são

directamente comparáveis, (Rey, Subsol et al. 2002), conforme se verifica da

observação das imagens da figura 4.1.

Assim sendo, o problema de alinhamento entre imagens associadas a esta

aplicação intra-paciente (imagens adquiridas são de uma única pessoa, (Maintz and

Viergever 1998; Hill, Batchelor et al. 2001)) e monomodal (imagens obtidas por uma

mesma modalidade) consiste no cálculo de uma transformação dita de rígida, que em

3D tem seis graus de liberdade, (Hill, Batchelor et al. 2001; Rey, Subsol et al. 2002).

Desta forma, esta transformação geométrica em 3D envolve apenas três parâmetros



de translação, para a diferença de posição, e outros três de rotação, para a diferença

em orientação, (Hill, Batchelor et al. 2001; Rey, Subsol et al. 2002), o que permite

expressar a mudança de marcador entre as duas imagens, conforme é visível na

imagem (c) da figura 4.1. De salientar que, segundo D. Rey e os seus colaboradores,

em (Rey, Subsol et al. 2002), o problema do alinhamento através de uma

transformação rígida é bem conhecido, existindo diversos algoritmos que fornecem

bons resultados no caso de imagens intra-paciente e monomodais, sendo exemplo

disso o proposto em (Brown 1992), contudo vários problemas ainda subsistem.

Figura 4.1 – Exemplo de alinhamento: (a) de imagem de IRM de um paciente com EM, (b) Imagens do mesmo paciente adquiridas dois meses mais tarde, (c) Alinhamento rígido obtido (retirado de (Rey, Subsol et al. 2002))

Do ponto de vista das transformações geométricas inerentes ao alinhamento

das imagens, é possível classificá-las como:

Rígidas → É possível através de uma transformação espacial como a rotação e a

translação, envolvendo em 3D o total de seis parâmetros, colocar em relação

quase exacta as estruturas que surgem nas imagens, abrangendo normalmente e

quase que exclusivamente as peças ósseas ou as delimitadas por ossos. Este

problema apresenta baixa complexidade computacional e consequentemente é de

rápida execução. As transformações obtidas podem ser usadas para facilitar o

exame médico de dados de imagens dinâmicas, especialmente através do

aumento da resolução temporal, (Keeling 2007).

Não rígidas → É um problema bastante mais complexo porque o número de

parâmetros é superior ao que se verifica nas transformações rígidas. Muitas das

soluções para determinação das transformações não rígidas, procuram primeiro

encontrar um número de pontos correspondentes nas imagens e, em seguida,

usam essas correspondências para descobrir uma função de transformação que

determina a consonância entre todos os pontos das imagens envolvidas,

(Zagorchev and Goshtasby 2006).



Durante o desenvolvimento de um algoritmo de alinhamento de estruturas em

imagens, várias características comuns podem ser enumeradas, (Maintz and

Viergever 1998):

Dimensionalidade → Se os dados a alinhar são 2D ou 3D;

Base do alinhamento → Se o alinhamento é feito com base em características,

como pontos, inseridas artificialmente nas imagens ou pelo próprio conteúdo

intrínseco das mesmas;

Natureza da transformação → O tipo de transformação geométrica que as imagens

sofreram ao ser adquiridas pelo dispositivo de aquisição;

Modalidades envolvidas → Se as imagens são monomodais ou multimodais.

De salientar que, com base nestes parâmetros, Maintz e Viergever, em (Maintz

and Viergever 1998), classificaram os métodos de alinhamento de imagens médicas

de acordo com um modelo baseado em nove critérios distintos, que são:

dimensionalidade, base para o registo, a natureza da transformação geométrica,

domínio da transformação, grau de interacção com o utilizador, procedimento de

optimização, modalidades envolvidas, pacientes e parte anatómica abrangida.

4.2.2. Metodologias clássicas

Com suporte em algoritmos computacionais existe uma grande diversidade de

métodos para o alinhamento de estruturas em imagens médicas, sendo difícil

estabelecer um estado da arte neste domínio dada a elevada quantidade de estudos

publicados nos últimos anos, ver, por exemplo (Brown 1992), (Maintz and Viergever

1998), (Radke, Andra et al. 2005) e (Hill, Batchelor et al. 2001). Contudo, o número

elevado de trabalhos existentes a abordar este tema, realça o crescente interesse

demonstrado por especialistas de diversas áreas da saúde que diariamente têm de

lidar com um enorme número de imagens que contêm patologias distintas e difíceis de

analisar e que necessitam de recorrer ao seu alinhamento, sendo os métodos usados

consideravelmente dependentes da aplicação em causa, (Brown 1992; Maintz and

Viergever 1998).

A problemática do alinhamento de estruturas em imagens médicas é

normalmente decomposta em duas metodologias clássicas, isto é: os métodos

geométricos e os baseados no ajuste de intensidade, (Xie and Farin 2004). De realçar

ainda que:



Esta análise poderia também ser separada em técnicas multimodal versus

monomodal, rígido versus não rígido, 2D versus 3D, ou intra-paciente versus inter-

paciente;

O conteúdo informativo das imagens às vezes é distribuído de forma desigual.

Assim, pode ser inerentemente impossível realizar o alinhamento de duas

imagens, uma vez que é a sua diferença que carrega as informações úteis,

(Sorzano, Thévenaz et al. 2005);

O desempenho de um algoritmo de alinhamento depende da eficácia da função de

transformação para deformar uma imagem de uma geometria para outra,

(Zagorchev and Goshtasby 2006).

4.2.2.1. Método geométrico

Um método de ajuste geométrico, que é a primeira técnica normalmente usada

para o alinhamento através de operadores matemáticos, de duas imagens cujo tipo de

desalinhamento é desconhecido, (Brown 1992), consiste essencialmente na colocação

em correspondência de características, como pontos, visíveis nas imagens envolvidas,

(Hill, Batchelor et al. 2001), sendo que para isso é necessário encontrar uma

transformação espacial que remova as variações provocadas pelas diferenças na

aquisição das imagens ou pelas diferenças de interesse nas mesmas (como

movimentos e crescimentos), existentes entre as imagens, (Brown 1992).

Segundo (Hill, Batchelor et al. 2001), nos métodos geométricos não há

distinção entre o alinhamento quando as imagens são da mesma modalidade e

quando não o são. Um motivo comum para a realização de intermodality, é comparar

imagens de um paciente tomadas em diferentes momentos de tempo de forma a

verificar se há qualquer alteração subtil de anatomia ou patologia.

De salientar que a determinação de uma transformação geométrica óptima

depende essencialmente do tipo de variações existentes entre as imagens, (Brown

1992). Desta forma, o procedimento comum consiste em extrair e identificação de um

subconjunto de pontos característicos nas imagens, bem como procurar a

transformação que melhor alinha esses pontos.

4.2.2.1.1. Extracção de pontos

Nesta etapa, procede-se à extracção e identificação de um subconjunto de

pontos característicos nas imagens que, por exemplo, devido a uma configuração

geométrica específica ou a um marcador externo, cujo objectivo é ancorar uma



deformação em alguns locais específicos das imagens, (Sorzano, Thévenaz et al.

2005), sensível ao fenómeno físico, se distinguem claramente dos outros presentes.

Os pontos, que devem possuir características geométricas pertinentes, podem

estar, (Bondiau, Malandain et al. 2004):

Isolados, isto é, definidos interactivamente nas imagens por um utilizador;

Agrupados em linhas, em superfícies ou em volumes nas imagens.

A obtenção dos pontos característicos pode ser efectuada por procedimentos

extrínsecos ou intrínsecos, sendo que os métodos de ajuste geométrico necessitam de

uma boa detecção destes pontos, porque se esta etapa falhar o alinhamento pode não

ser correctamente realizado, (Brown 1992).

Extrínsecos → Resultam da aplicação de um dispositivo marcador externo ao

paciente, representativo da posição e da orientação deste no espaço, (Bondiau,

Malandain et al. 2004), que lhe é adicionado, geralmente de forma invasiva, no

momento da aquisição das imagens e que é visível e minimamente detectável pela

modalidade imagiológica considerada, (Maintz and Viergever 1998). Existe

também a possibilidade de usar marcadores não invasivos mas, normalmente, a

sua precisão é bastante inferior à dos invasivos, (Maintz and Viergever 1998).

A obtenção dos pontos característicos por este procedimento é bastante simples

sendo um método computacional fácil, (Bondiau, Malandain et al. 2004), e rápido

de implementar e possível de automatizar, (Maintz and Viergever 1998). No

entanto, tem como inconvenientes a não possibilidade de alinhar uma imagem que

não tenha o mecanismo marcador específico adaptado ou a indicação da

configuração geométrica específica, bem como o facto da medida do dispositivo

externo não ser, provavelmente, representativo do tamanho de um órgão interno

do corpo.

Por definição os procedimentos extrínsecos não incluem informação sobre os

pacientes, logo, a natureza das transformações associadas ao alinhamento

apenas podem ser rígidas, (Maintz and Viergever 1998), sendo a principal

característica da transformação de um corpo rígido o facto de que todas as

distâncias serem preservadas, (Hill, Batchelor et al. 2001). Os pontos extrínsecos

são pouco práticos porque, em estudos distantes no tempo, é difícil garantir a sua

imobilidade.

Intrínsecos → Baseiam-se em pontos e marcadores anatómicos salientes contudo

algumas estruturas anatómicas claramente visíveis numa imagem, podem não o

ser noutra, que geralmente são assinalados manualmente após a obtenção da

imagem, definindo para isso, pontos, rectas, etc., (Maintz and Viergever 1998;



Grimaud, Zhu et al. 2002; Bondiau, Malandain et al. 2004), e que são irrelevantes

para o conteúdo informativo retirado do paciente, (Brown 1992). Assim, além de

uma tarefa fastidiosa, a precisão obtida depende da experiência do técnico de

saúde e dos pontos anatómicos por ele escolhidos, (Bondiau, Malandain et al.

2004). Contudo consiste num procedimento versátil, isto porque, pode ser, pelo

menos em teoria, aplicável a qualquer imagem, indiferentemente dos objectos nela

presentes e dos pacientes, (Maintz and Viergever 1998).

Tecnicamente, a identificação dos pontos por este procedimento assemelha-se

muito a um processo de segmentação, (Maintz and Viergever 1998; Hill, Batchelor

et al. 2001), sendo, em muitos casos, preferível ao extrínseco, visto neste,

existirem sempre pontos disponíveis, (Brown 1992).

De salientar que, nos métodos baseados em marcadores anatómicos, que são

essenciais em aplicações onde as imagens mostram reduzida informação ou

quando, as informações diferem da imagem para a imagem referência, (Sorzano,

Thévenaz et al. 2005), o alinhamento pode ser completamente automatizado, mas

geralmente persiste um desalinhamento de 1 a 2 mm, isto é, geralmente superior

ao tamanho de um pixel, (Maintz and Viergever 1998; Grimaud, Zhu et al. 2002).

Uma grande parte das dificuldades do alinhamento reside na correcta definição

desta etapa, (Bondiau, Malandain et al. 2004), isto porque, pode ser bastante

complexo designar marcadores pertinentes para o estudo a realizar. O alinhamento

com o auxílio de marcadores externos nem sempre atinge um nível de precisão

adequado porque:

Se as imagens contêm ruído ou estão com pouco contraste, existe bastante

dificuldade em obter pontos geométricos pertinentes num processo de selecção

automática, (Sorzano, Thévenaz et al. 2005);

O erro obtido nunca é inferior ao pixel quando são definidos interactivamente,

(Sorzano, Thévenaz et al. 2005);

Os objectos representados nas imagens podem não conservar as suas prioridades

geométricas.

Daqui se pode concluir que, com este tipo de dificuldades, os métodos

geométricos podem não estar adaptados a todos os casos de alinhamentos de

imagens, (Maintz and Viergever 1998).



4.2.2.1.2. Determinação da transformação

Consiste em procurar a transformação (ou a deformação) que melhor alinha os

subconjuntos de pontos característicos nas duas imagens, (Hill, Batchelor et al. 2001;

Xie and Farin 2004). Logo, esta fase é bastante dependente da anterior.

Geralmente, nesta fase, pretende-se minimizar as distâncias entre os

subconjuntos de pontos previamente identificados nas duas imagens a alinhar. Depois,

os pontos são colocados em correspondência e a minimização das distâncias entre os

conjuntos assim obtidos permite o cálculo da transformação desejada, sendo que a

sua precisão depende da usada na extracção dos pontos.

As transformações geométricas usadas para alinhar duas imagens podem ser

classificadas como sendo de domínios, (Brown 1992):

Globais → Se as transformações forem definidas por uma única equação aplicada

para mapear toda a imagem, logo, uma mudança em qualquer parâmetro

influencia a transformação da imagem na sua totalidade;

Locais → Se as transformações apenas afectarem uma pequena parte da imagem,

sendo que cada subsecção, pode ter a sua própria transformação.

O tipo da transformação geométrica de coordenadas das imagens pode ser:

Rígido (rigid) → Se a distância entre dois pontos quaisquer na primeira imagem é

preservada na segunda imagem;

Semelhante (affine) → Quando quaisquer linhas rectas na primeira imagem, são

relacionadas com linhas rectas na segunda imagem, preservando dessa forma o

paralelismo;

Em perspectiva (projective) → Uma linha na primeira imagem está relacionada

com outra na segunda imagem;

Curvado (curved) → Uma linha na primeira imagem é transformada numa curva na

segunda imagem.

A figura 4.2 apresenta exemplos dos vários tipos de transformações

geométricas de imagens.



Figura 4.2 – Exemplos de transformações 2D de imagens (retirado de (Maintz and Viergever 1998))

A escolha apropriada de uma transformação espacial é fulcral para a correcta

detecção de alterações no alinhamento das imagens, (Radke, Andra et al. 2005). Uma

vez escolhido o tipo de transformação geométrica, os seus parâmetros devem ser

estimados através da identificação e da selecção de pontos de correspondência entre

as imagens, sendo que, para cada transformação, é exigido um número mínimo de

pontos, que por seu turno, é definido pelo número de parâmetros a serem estimados.

Por exemplo, com um par de pontos, é somente possível obter duas translações (o

que permite resolver problemas de posicionamento), mas com dois pares de pontos já

se podem fazer simultaneamente duas translações, uma rotação e uma mudança de

escala em ambos os eixos (ou seja, uma transformação de corpo rígido).

4.2.2.2. Ajuste em intensidade

O alinhamento aparenta uma certa simplicidade quando se considera que usa

um referencial externo, solidário com o paciente e facilmente identificável em cada

uma das imagens, (Bondiau, Malandain et al. 2004). No entanto, quando o único elo

existente entre as imagens é o doente envolvido, o problema é bastante mais

complexo, porque nem sempre este aparece nas imagens na mesma posição e

orientação. Neste caso, é possível considerar que a intensidade local das estruturas e

das deformações geométricas diferem, sendo necessário colocar em correspondência

as intensidades de cada imagem.

Desta forma, pode-se afirmar que, para o alinhamento de imagens, os

algoritmos geométricos visam encontrar uma transformação ou deformação entre os

objectos representados nas mesmas, enquanto, os métodos de ajuste de intensidade

procuram obter uma transformação, por comparação local das intensidades nas duas

imagens, (Xie and Farin 2004), ou de valores estatísticos daí derivados, entre as

imagens a alinhar, isto porque estes determinam interactivamente a transformação da



imagem que optimiza a medida de similaridade entre pixéis, (Hill, Batchelor et al.

2001).

Assim sendo, o processo de alinhamento consiste em definir uma medida de

similaridade, que traduza a hipótese de existir uma ligação entre as intensidades das

imagens, (Bondiau, Malandain et al. 2004), e depois utilizar uma estratégia de

optimização de maneira a encontrar a transformação espacial, (Xie and Farin 2004),

que pode consistir em “deslizar” progressivamente as duas imagens, uma sobre a

outra, de maneira a fazer corresponder os pontos que têm intensidades similares. Por

exemplo, Woods propõe um método que usa a soma do quadrado das diferenças das

intensidades entre as duas imagens como medida de similaridade para calcular os

parâmetros óptimos da transformação, (Xie and Farin 2004). Desta forma, estes

algoritmos podem detectar qualquer tipo de alteração, mesmo sem considerar o

aspecto das mudanças pesquisadas.

Em vários cenários de detecção de mudanças, as variações de intensidade nas

imagens, causadas por alterações na posição ou na intensidade de fontes de luz, são

considerados irrelevantes, (Radke, Andra et al. 2005). Mesmo assim, é essencial

efectuar a compensação das diferenças globais de intensidades entre imagens, isto é

a normalização de intensidade, normalmente, através de funções lineares de

correcção.

Estes métodos baseiam-se na utilização de um critério de semelhança,

conhecido por medida de similaridade, que pode ser mais ou menos complexo e que

permite determinar o nível de “proximidade” entre duas intensidades. Esta situação

pode ser escolhida de uma forma bastante natural, como por exemplo, pela

subtracção das intensidades, (Rey, Subsol et al. 2002), ou de uma maneira mais

complexa, sendo neste caso possível realizar alinhamento de imagens com

intensidades bastante diferentes. Assim sendo, se duas imagens idênticas estiverem

correctamente alinhadas uma com a outra, as subtracções das intensidades em cada

par de intensidades, serão nulas, (Cherik, Mouhadjer et al. 2007), estando apenas

visível os pontos brancos característicos da EM, figura 4.3. Deste modo, a intensidade

resultante não está relacionada com a evolução da forma das lesões, mas apenas

com a diferença entre as intensidades de lesões e do fundo, (Rey, Subsol et al. 2002).



Figura 4.3 – Medida de similaridade: As duas IRM à esquerda são de um paciente com EM; A da direita é a resultante da subtracção das primeiras duas imagens (retirado de (Thirion and Calmon 1997))

R. Woods em 1992, (Cherik, Mouhadjer et al. 2007), introduziu originalmente

estes métodos para o alinhamento das imagens multimodais, assumindo que regiões

similares do tecido numa imagem apresentam valores semelhantes de níveis de

cinzento, correspondem a regiões na outra imagem que também possuem valores de

níveis de cinzento parecidos, mas provavelmente diferentes dos primeiros.

Os métodos de ajuste de intensidade podem dividir-se em dois tipos:

Os puros que apenas realizam alinhamento por confrontação entre as intensidades

dos pontos com as mesmas coordenadas. Assim sendo, esta comparação permite

obter um valor de deslocamento da imagem.

Os mistos que para cada ponto, procuram qual o mais próximo, em nível de

intensidade, numa dada vizinhança da outra imagem. Consequentemente, esta

comparação permite obter um valor de deslocamento para cada ponto da imagem

e daí, estimar a transformação para a sua totalidade.

Em (Maintz and Viergever 1998) e em (Brown 1992), são abordados, no

contexto em que o alinhamento das imagens é efectuado sem a supervisão humana,

os métodos baseados na minimização de uma função de custo ou de energia,

associados a uma medida de similaridade entre as imagens. O algoritmo desenvolvido

pára quando é incapaz de encontrar uma nova solução com um custo

significativamente menor do que a actual melhor solução, (Hill, Batchelor et al. 2001).

No caso das imagens monomodais, além das clássicas medidas de correlação,

(Brown 1992), a função de custo utilizada é frequentemente quadrática e associada à

soma da estimativa de transformação corrente, (Hill, Batchelor et al. 2001).

Contudo, geralmente o ajuste em intensidade não é suficientemente específico

para caracterizar automaticamente uma lesão e, na maioria dos casos, várias

modalidades devem ser utilizadas para representar o mesmo cérebro, (Thirion and

Calmon 1997), o que torna reduzido o seu interesse.



De salientar que, existe metodologias híbridas de alinhamento de imagens, isto

é, utilizam numa das imagens uma transformação geométrica e na outra uma de

ajuste de intensidade.

4.2.3. Métodos para o alinhamento de imagens

Muitos dos métodos de alinhamento são usados quando surgem diferenças

significativas de contraste em imagens onde também são esperadas variações

morfológicas significativas, como, alterações do dispositivo, parâmetros diferentes na

aquisição, etc., (Karaçali 2007).

Com base na decomposição das duas metodologias clássicas anteriormente

expostas, foram introduzidas diversas técnicas de alinhamento de imagens, sendo a

seguir apresentada algumas delas.

Os métodos baseadas na teoria da informação são importantes no alinhamento

não rígido de imagens, (Zagorchev and Goshtasby 2006), e podem dividir-se em:

Entropia conjunta (joint entropy) → Este conceito, que consiste numa forma de

medir a quantidade de informação comuns às imagens a alinhar, pode ser

visualizado através de um histograma, onde cada eixo representa as intensidades

em cada imagem, do conjunto das intensidades, que permite também medir a

dispersão da distribuição de probabilidade. A entropia é uma medida de incerteza

porque não depende apenas do possível número de níveis de cinza da imagem,

mas também, da ocorrência de cada um desses valores.

Na figura 4.4, a representação da esquerda é gerada quando as duas imagens

estão alinhadas (como as imagens são idênticas, todos os valores de

correspondência de cinzento estão numa distribuição diagonal e simétrica), a do

meio quando se verifica um desvio, isto é, uma das IRM é rodada um determinado

ângulo em relação à outra, de 2 mm entre elas e a da direita quando esse desvio é

de 5 mm, (Hill, Batchelor et al. 2001).

Como é visível na figura 4.4, o histograma altera-se conforme o alinhamento das

imagens se modifica e fica mais disperso com o incremento dos desalinhamentos

entre elas; isto é, as regiões claras são menos brilhantes e o número de regiões

escuras é bastante reduzido, (Hill, Batchelor et al. 2001). Isto acontece porque o

desalinhamento conduz a que as entradas do histograma correspondam a

diferentes tipos de tecidos nas duas imagens, o que incrementa a entropia, (Hill,

Batchelor et al. 2001).



Figura 4.4 – Histogramas 2D da entropia conjunta para idênticas IRM da cabeça (retirado de (Hill, Batchelor et al. 2001))

Informação mútua (mutual information) → Permite tornar mais robusta o

alinhamento multimodal e resume-se à quantidade de informação de uma imagem

contida na outra e qualitativamente pode ser definida como uma medida da forma

como uma imagem “explica” a outra. Assim, quando a informação mútua entre

duas imagens está ao máximo, elas são consideradas como idênticas. Como o

alinhamento é bem sucedido para uma variedade de modalidades, pode ser

totalmente automatizada com bons resultados, (Pluim, Maintz et al. 2004). A

vantagem da informação mútua sobre entropia conjunta por si só, é que inclui as

entropias das distintas imagens.

De referir que, em (Hill, Batchelor et al. 2001), (Cherik, Mouhadjer et al. 2007),

(Pluim, Maintz et al. 2004) são apresentadas descrições destes métodos baseados na

teoria da informação.

Mais recentemente, D. Rey e os seus colaboradores, em (Rey, Subsol et al.

2002), apresentaram um algoritmo, adaptado ao estudo da evolução da EM, que se

baseia na estimação e análise de um campo de deformação, que contem informação

sobre a variabilidade das estruturas em todo o conjunto, onde é efectuada a

comparação do campo de movimento “aparente” entre duas imagens, sendo a

primeira alinhada por um método rígido. Posteriormente, é tratado o campo de

deslocamento de forma a obter o movimento “aparente” entre imagens através de um

algoritmo de alinhamento não-rígido.

A figura 4.5, considera o campo de movimento “aparente”, que dá uma ideia da

evolução temporal entre as duas imagens, através de um algoritmo de alinhamento

não-rígido e mostra o campo de deslocamento vectorial de image 1 a image 2 em

redor da lesão presente nas duas imagens, enfatizando na retracção radial. Aqui, o

progresso da lesão aparece como uma contracção positiva no campo que contem a

informação, pertinente sobre as diferenças entre as duas imagens, possível de ser

quantificada através de operadores matemáticos como o Jacobiano.



Figura 4.5 – Campo de deslocamento em redor da lesão (retirado de (Rey, Subsol et al. 2002))

Relativamente a esta metodologia, existe diversas variantes, como as

apresentadas por:

Thirion e Calmom, em (Thirion and Calmon 1997), que utilizam um método de

análise baseado na divergência, que traduz as diferenças entre as entradas e as

saídas através de um elemento de volume elementar, do campo de deformação

volumétrico para proceder, inicialmente à detecção de uma lesão de EM activa ou

de outras, como tumores devido a cancros, utilizando para tal um alinhamento com

base numa transformação rígida apoiada em pontos externos, e posteriormente à

quantificação da sua variação de volume.

Karaçali e Davatzikos, em (Karaçali and Davatzikos 2004), que propõem um

método para fazer cumprir a preservação da topologia, isto é, manter a

conectividade entre estruturas anatómicas vizinhas, e a suavização do campo de

deslocamento. Realçam ainda que os mecanismos suavização embutidos num

sistema de alinhamento não são fiáveis para alcançar uma topologia de

mapeamento entre dois pacientes.

Hermosillo e os seus colaboradores, em (Hermosillo, Chefd’Hotel et al. 2002), que

indicam que estimam o campo de deslocamento, no alinhamento de imagens

multimodais, através da maximização das medidas de similaridade mais

adequadas para um espaço dimensional infinito.

Além destas, existem outras técnicas como a exposta por G. Dugas-Phocion e

os seus colaboradores, em (Dugas-Phocion, González et al. 2004), onde é utilizado

um modelo probabilístico como algoritmo de detecção de valores isolados, que inclui o

efeito do volume parcial mas não considera o pixel vizinho, construindo dessa forma,

para a análise das lesões da EM, uma mascara dos tecidos cerebrais e classificando-

os em três classes: matéria branca, matéria cinzenta e fluido cérebro-espinal (figura

4.6).



Figura 4.6 – Representação da probabilidade de pertencer a uma classe: (a) Matéria cinzenta, (b)

Matéria branca, (c) Fluido cérebro-espinal (retirado de (Dugas-Phocion, González et al. 2004))

Em (Sorzano, Thévenaz et al. 2005), é exposto um algoritmo não-linear de

alinhamento de imagens biológicas modelizadas como uma deformação elástica.

Neste, existe a possibilidade de lidar com diversos tipos de deformações através de

uma metodologia baseada na minimização de uma energia funcional que inclui a

medida de não similaridade (erro) entre as imagens, o erro no mapeamento dos

correspondentes marcadores e o campo de deformação, que é a função que efectua o

mapeamento da imagem alvo (objecto que tem de ser correspondido) na imagem fonte

(objecto que sofre a transformação). Smadar Gefen e os seus colaboradores, em

(Gefen, Tretiak et al. 2004), em imagens do mesmo tipo, utilizam wavelets para

representar as deformações diminuindo dessa forma a complexidade do algoritmo

usado no alinhamento. A deformação de cada componente do sinal é estimada pela

minimização da energia elástica, bem como pela redução da soma dos quadrados das

distâncias entre superfícies correspondentes.

Já em (Rousseau, Faisan et al. 2007) é usado um modelo de observação na

ausência de alterações (a contrario approach), onde, as mudanças significativas em

imagens multimodais são definidas como sendo eventos de baixa probabilidade de

ocorrência. Trata-se de uma metodologia não paramétrica que apresenta a vantagem

de reter os diferentes valores de base para a detecção de mudanças, o que lhe

permite controlar a quantidade de dados falsos positivos.

A figura 4.7, mostra os resultados obtidos na detecção de mudanças de

pequenas lesões em pacientes com EM. Do primeiro exame (imagem da esquerda)

para o segundo, surgem duas alterações (assinaladas pelas setas), isto é, a lesão

detectada na parte superior do primeiro exame, já não consta, enquanto, surge no

segundo exame (na parte inferior), uma lesão que não tinha sido inicialmente

assinalada.



Figura 4.7 – Detecção de mudanças em pequenas lesões em pacientes

com EM (retirado de (Rousseau, Faisan et al. 2007))

Minghui Xia and Bede Liu, em (Xia and Liu 2004), apresentam um método para

o alinhamento não rígido de imagens 2D, baseando-se na correspondência de curvas

entre as imagens relacionadas. Comparativamente com os métodos geométricos, não

exige expressamente consonância dos pontos, assumindo que os pontos da imagem

deformada na outra imagem estão na vizinhança dos pontos de correspondência.

Desta forma, a precisão e a eficiência deste modelo são alcançados pela introdução

de um conceito chamado de super-curva (super-curves), que é uma única curva

formada por outras duas, alinhadas e sobrepostas entre si.

Como exemplo deste método, observa-se na figura 4.8, o alinhamento de uma

imagem com ponderação em densidade de protões (figura 4.8 (a)) com outra em T1

(figura 4.8 (b)). A figura 4.8 (c) mostra a mistura de ambas sem alinhamento, situação

corrigida na figura 4.8 (d).

Figura 4.8 – Alinhamento de imagem em DP com outra em T1 (retirado de (Xia and Liu 2004))

É proposto por Bricq e os seus colaboradores, em (Bricq, Collet et al. 2008),

um método para a segmentação não vigiada de IRM multimodal ao cérebro, onde

pretende definir a quantidade de cada substância, como matéria branca, matéria

cinzenta e líquido céfalo-raquidiano, em cada voxel, que representa um pixel em cada

fatia da IRM, quando os dados são volúmicos, (Xie and Farin 2004), do cérebro. O



método proposto leva em conta as informações da vizinhança, utilizando um modelo

Hidden Markov Chain, com capacidade de aprender os parâmetros do modelo através

de uma reprogramação do processo de estimativa, com dois sensores independentes

que têm informação das intensidades dos dados observados e dos mapas de

probabilidades, e usa ainda um Atlas como sensor complementar, com ajuste baseado

em análise probabilística, da imagem em causa com uma existente no mesmo.

Na figura 4.9, é exposto um exemplo dos mapas obtidos em imagens

monomodais através deste algoritmo, sendo que em cada um está contida a

proporção de cada tecido ((a) matéria branca, (b) matéria cinzenta e (c) líquido céfalo-

raquidiano).

Figura 4.9 – Mapas contendo a proporção de cada tecido (retirado de (Bricq, Collet et al. 2008))

Noblet e os seus colaboradores, em (Noblet, Heinrich et al. 2005), apresentam

um algoritmo de transformação não rígida também com o auxílio de um Atlas cerebral,

que lida com a preservação de topologia no alinhamento 3D de modelos de imagens

deformáveis, que simula de forma aceitável o comportamento dos objectos reais,

através do controlo do Jacobiano da transformação. A preservação de topologia,

assegura que as estruturas conectadas entre si, assim continuam, que a relação entre

estruturas vizinhas se mantém e previne o aparecimento ou o desaparecimento das

estruturas. Uma das potenciais aplicações, deste algoritmo é o acompanhamento da

evolução de lesões inter-paciente ao longo do tempo. Neste método, usado por Bricq e

os seus colaboradores, para a realização do alinhamento de imagens em (Bricq, Collet

et al. 2008), o mapa de alinhamento óptimo é encontrado pela minimização da energia

residual entre a imagem fonte deformada e a imagem alvo.

Na figura 4.10, é apresentado um exemplo da contribuição da preservação de

topologia no alinhamento de IRM 3D inter-pacientes do cérebro. A imagem (a) mostra

a fonte, enquanto a (b) é o resultado da correspondência deformável sem qualquer

constrangimento no Jacobiano, já a imagem (c) é o resultado da correspondência



deformável com um constrangimento positivo no Jacobiano (J > 0), por seu lado a

imagem (d) é a imagem alvo.

Neste mesmo trabalho, é referido que a utilização de um Atlas para detectar ou

mesmo segmentar de forma automática algumas estruturas nas imagens anatómicas é

um dos métodos mais robustos, sendo no entanto bastante sensível à qualidade da

referência de comparação, bem como aos erros de alinhamento das imagens. O Atlas

considerado, consiste num mapa do cérebro referenciado a um sistema de

coordenadas baseadas em marcas anatómicas, sendo que o seu uso obriga a ajustar,

ou seja alinhar, as imagens do paciente às do Atlas.

Figura 4.10 – Preservação de topologia num alinhamento de IRM (retirado de (Noblet, Heinrich et al. 2005))

Dos diversos estudos analisados, vários autores, como por exemplo, (Noblet,

Heinrich et al. 2005), (Sorzano, Thévenaz et al. 2005), (Keeling 2007), (Xia and Liu

2004) e (Xie and Farin 2004), seleccionam B-splines de diversos tipos, para modelizar

as imagens, o que permite a construção de uma curva aproximada aos pontos

extremos mas sem passar por estes.

Segundo Zhiyong Xie e Gerald E. Farin, em (Xie and Farin 2004), a maior

desvantagem do alinhamento tradicional com B-splines prende-se com a selecção do

número de parâmetros e de pontos de controlo das B-splines, porque, caso sejam

poucos, apenas um esboço de correspondência pode ser alcançado, enquanto se

forem muitos, as transformações podem exibir oscilações locais. Assim sendo, é



proposto um método com B-splines hierárquicas, que permite calcular o deslocamento

dos pontos de controlo para adaptar a transformação, ultrapassando este problema,

permitindo dessa maneira, alinhar duas imagens como um incremento no nível de

detalhe.

A figura 4.11 mostra um exemplo de um alinhamento, onde alguns dos

marcadores são colocados manualmente, usando o método apresentado por Zhiyong

Xie e Gerald E. Farin, em (Xie and Farin 2004). A imagem da esquerda corresponde à

imagem alvo, a do meio, à imagem fonte e a da direita, à deformação da imagem

fonte.

Figura 4.11 – Alinhamento com B-splines hierárquicas (retirado de (Xie and Farin 2004))

4.3. Validação dos métodos

Um dos aspectos importantes e mais complexos no alinhamento de imagens

consiste na validação dos algoritmos usados, o que pode ser efectuado pela

verificação, visual ou qualitativa, (Radke, Andra et al. 2005), de parâmetros como os

indicados a seguir, (Maintz and Viergever 1998), sendo essencial garantir que ele

sejam exactos, precisos e robustos:

Precisão → Nos métodos geométricos a precisão depende da capacidade em

detectar os pontos característicos e pode obter-se pelo cálculo do erro médio,

enquanto nas metodologias de ajuste de intensidade, dependerá da qualidade e da

geometria das imagens adquiridas, (Bondiau, Malandain et al. 2004).

Para obter bons resultados na detecção de alterações nas imagens é necessário

usar um alinhamento de alta precisão, (Radke, Andra et al. 2005).

De salientar que, o alinhamento de imagens fica mais preciso quanto a escala

aumenta, uma vez que o conjunto de transformações possíveis também aumenta,

(Noblet, Heinrich et al. 2005).



Robustez e estabilidade → Remete para o requisito básico de que as pequenas

variações na entrada devem resultar em pequenas variações na saída, isto é,

obter um resultado coerente independentemente das condições iniciais.

Fiabilidade → É a exigência de que o algoritmo se deve comportar como o

esperado, dado um intervalo razoável de possíveis entradas de dados.

Recursos necessários → É a referência ao material e ao esforço envolvidos no

processo de alinhamento.

Complexidade do algoritmo.

Verificação.

Utilização clínica.

Uma mudança detectada pelo algoritmo é considerada válida se vários

observadores humanos consideram que há uma alteração, (Radke, Andra et al. 2005);

mesmo assim, é possível afirmar que é bastante difícil definir e validar características

porque dependem de vários parâmetros e das próprias imagens a alinhar.

Para os algoritmos baseados nos métodos geométricos, a propagação do erro

é bem conhecida; no entanto, noutras abordagens os próprios algoritmos não

fornecem indicações úteis de precisão, (Hill, Batchelor et al. 2001).

4.4. Implementações computacionais existentes

A seguir apresenta-se algumas das implementações computacionais de âmbito

comercial e académico que incluem a funcionalidade do alinhamento de sequências

de imagens médicas.

4.4.1. Implementações comerciais

As implementações comerciais identificadas foram desenvolvidas tanto por

fabricantes de equipamento imagiológico, como por empresas especializadas na

elaboração deste tipo de software.

A empresa iMIPS (Integrated Medical Image Processing Systems) comercializa

um sistema, cuja interface está visível na figura 4.12, que integra um conjunto de

aplicações elaboradas para facilitar as tarefas mais comuns na análise de imagens

cerebrais. Além de técnicas de alinhamento monomodal e multimodal, baseadas na

intensidade dos voxeis, fornece ainda, suporte para a visualização 2D e 3D dos

volumes envolvidos.



Figura 4.12 – Interface da aplicação iMIPS (retirado de (iMIPS 2008))

A Applied Medical Imaging apresenta o programa CBA (Computerized Brain

Atlas) para visualizar, interpretar e colocar em correspondência imagens do cérebro de

diferentes modalidades. Neste sistema computacional, baseado num Atlas 3D

bastante detalhado, o alinhamento pode ser efectuado automaticamente, semi-

automaticamente ou manualmente.

O MeVisLab da MeVis Research GmbH, representa uma plataforma de

processamento de imagem (figura 4.13) para a investigação e desenvolvimento, com

ênfase nas imagens médicas. Além dos algoritmos gerais de processamento e de

ferramentas de visualização de imagem, esta aplicação inclui módulos para

segmentação, alinhamento, estimativa do volume, quantificação morfológica e análise

funcional.

Figura 4.13 – Interface da aplicação MeVisLab (retirado de (MeVisLab 2008))

Desta identificação efectuada observa-se que geralmente as informações sobre

as ofertas comercialmente disponíveis são muito escassas.

4.4.2. Implementações académicas

Além das implementações computacionais anteriormente indicadas, existem

outras desenvolvidas no âmbito académico e que deram origem a diversos estudos,

relatados em várias Teses e publicações científicas. De salientar que, muitos dos

autores desses documentos científicos, geralmente apenas se preocupam com a

validação do respectivo algoritmo, tido como o mais eficiente numa dada aplicação

especifica, mas poucos se inquietam com a sua legitimação clínica.



A aplicação SepINRIA5, desenvolvida no Institut National de Recherche en

Informatique et em Automatique, é uma ferramenta para analisar e segmentar,

manualmente ou automaticamente, as lesões da EM presentes no cérebro, através do

estudo de imagens de IRM dos doentes, (SepINRIA 2006).

Após a consideração de uma imagem, e de forma a verificar a presença ou a

evolução da patologia em causa, a imagem seguinte a ser carregada na aplicação

deve partilhar o mesmo tamanho e orientação. Caso isso não aconteça, existe a

necessidade de alinhar as diferentes sequências de IRM do mesmo exame, usando o

botão indicado na figura 4.14.

Figura 4.14 – Botão a seleccionar para alinhar diferentes sequências de IRM do mesmo exame

Do Department of Radiology do Hospital of the University of Pennsylvania -

School of Medicine, de realçar o projecto HAMMER (Hierarchical Attribute Matching

Mechanism for Elastic Registration), que para a segmentação de imagens do cérebro

apresenta um método que demonstra elevada precisão no alinhamento intersujeitos de

imagens de de ressonância magnética cerebrais, (HAMMER 2007). No entanto, o

algoritmo do HAMMER necessita uma pré-segmentação dos tecidos do cérebro uma

vez que os atributos dos vectores usados para igualar hierarquicamente os

correspondentes números de pares de pontos são definidos a partir das imagens

segmentadas.

O sistema computacional SPM6 (Statistical Parametric Mapping) foi

desenvolvido pela University College of London, (SPM 2008), para a análise, através

de técnicas estatísticas, de sequências de imagens cerebrais. Este sistema, figura

4.15, desenvolvido em MATLAB, oferece um conjunto de ferramentas para avaliar o

5 Este sistema computacional encontra-se disponível em domínio público para uso não comercial, em: http://www-sop.inria.fr/asclepios/software/SepINRIA/ 6 Este sistema computacional encontra-se disponível em domínio público para uso não comercial, em: http://www.fil.ion.ucl.ac.uk/spm/software/



sinal de cada voxel da imagem, auxiliando assim o diagnóstico de lesões cerebrais e

dos seus efeitos nas funções neurológicas.

Neste sistema, a análise dos dados divide-se em análise estatística, estudo dos

resultados e pré-processamento, que inclui a correcção do alinhamento da aquisição

das imagens, através de uma transformação geométrica codificada sob a forma de

uma matriz, sendo que com tal procedimento a intensidade de sinal em cada um dos

voxeis cerebrais passa a ser considerada como uma variável independente e é

comparada entre grupos através de testes estatísticos.

Figura 4.15 – Interface do sistema computacional SPM

Os investigadores do Computer Science Department do Dartmouth College

(USA) desenvolveram em MATLAB o sistema Image Registration7 para imagens e

volumes médicos, sendo que a função register2d, figura 4.16, permite efectuar o

alinhamento de duas imagens, (Farid 2006). A transformação entre imagens é

modelada como sendo local e semelhante (isto é, do tipo affine), sendo que um

modelo explícito para a falta de dados é usado de forma a permitir simultaneamente

segmentar e alinhar imagens com dados parciais ou mesmo inexistentes, figura 4.17.

7 Este sistema computacional encontra-se disponível em domínio público para uso não comercial, em: http://www.cs.dartmouth.edu/farid/research/registration.html



Figura 4.16 – Função register2d.m

source target registered source error before registration

error after registration

Figura 4.17 – Resultados obtidos com o sistema computacional Image Registration (retirado de (Farid 2006))

O AIR8 (Automated Image Registration) proposto por Roger P. Woods da

UCLA School of Medicine, consiste numa biblioteca computacional que permite obter

contornos alinhados, usando um método híbrido, geométrico e de ajuste de

intensidades, automático de imagens anatómicas, 2D ou 3D monomodais ou

multimodais, inter ou intrasujeitos, por exemplo, com uma transformação rígida usando

seis pontos ou uma transformação do tipo affine considerando doze pontos, (Woods

2008). Globalmente o sistema calcula localmente uma relação entre as duas imagens

(pixel a pixel) e minimiza a sua variância. Este sistema inclui dois programas:

Alignlinear, que é uma ferramenta de alinhamento linear para imagens intramodais,

sendo que o utilizador pode especificar diversos modelos de alinhamento

(incluindo do tipo rigid, affine, etc.).

8 Este sistema computacional encontra-se disponível em domínio público para uso não comercial, em: http://bishopw.loni.ucla.edu/AIR5/index.html



Align_warp, que é uma ferramenta de alinhamento não-linear que pode ser inter ou

intrasujeitos e que inclui a implementação de modelos 2D e 3D de transformações

lineares espaciais.

O MNI_ANIMAL9 desenvolvido por Louis Collins e Greg Ward do McConnell

Brain Imaging Centre da McGill University, é uma ferramenta completamente

automática, para o alinhamento não-linear de dois volumes obtidos por IRM,

(COLLINS 1998).

Da mesma instituição, de salientar ainda o trabalho de David MacDonald que

produziu o programa Register, (MacDonald 1993), uma aplicação gráfica interactiva

que permite visualizar um ou dois volumes (tipicamente de IRM ou PET) e a fusão de

ambos. O utilizador pode “deslocar-se” ao longo dos volumes e criar, dessa forma,

pontos de referência a usar na determinação da transformação de alinhamento dos

dois volumes.

4.5. Experimentação

Uma possível maneira de se executar estudos prospectivos de uma atrofia

cerebral consiste em realizar uma comparação entre exames de um mesmo paciente,

produzidos de maneira cronológica. Contudo, embora esta seja uma abordagem

válida, também são observadas algumas dificuldades ou restrições, como a

necessidade de existir um exame prévio do paciente. O referido exame não deve ser

nem muito anterior ao actual nem muito próximo do mesmo, pois caso contrário o valor

clínico da comparação pode ser comprometido.

4.5.1. Enquadramento

Para a comparação entre imagens cerebrais de um mesmo paciente, é

necessário que os volumes radiológicos sejam alinhados, uma vez que executados em

diferentes momentos e possivelmente com a utilização de diferentes equipamentos de

imagiologia, serão muito provavelmente observados componentes de desalinhamento

espacial e ruídos. Assim sendo, o principal objectivo do alinhamento é rectificar uma

imagem de modo que a imagem resultante possua o mesmo sistema de coordenadas

da imagem de referência utilizada. Desta forma, todas as imagens passam a ter uma

adequada correspondência espacial.

9 Este sistema computacional encontra-se disponível em domínio público para uso não comercial, em: ftp://ftp.bic.mni.mcgill.ca/pub/mni_autoreg/



Com referido anteriormente, o alinhamento de imagens pode dividir-se em duas

famílias de técnicas clássicas:

O alinhamento geométrico que se resolve pela decomposição em duas etapas

distintas: a extracção, nas duas imagens a alinhar, de primitivas geométricas

(pontos, linhas, volumes, etc.) supostamente semelhantes, e o cálculo da

transformação que melhor sobrepõe esses pontos;

O alinhamento por ajuste de intensidade, que não requer nenhuma extracção de

primitivas geométricas e se apoia directamente sobre as intensidades das

imagens.

Tradicionalmente, o alinhamento de imagens através dos métodos de

alinhamento geométrico envolve as seguintes etapas:

Definição da imagem de referência ou de alvo;

Definição da imagem distorcida ou de fonte (objecto que sofre a transformação);

Identificação de primitivas geométricas de correspondência espacial, denominados

de pontos de controlo;

Definição da modelo de transformação espacial entre o conjunto de primitivas

geométricas identificadas e estimação de seus parâmetros;

Reamostragem da imagem resultante através de uma determinada função de

interpolação. Esta imagem deve ter a mesma dimensão, resolução espacial e

projecção que a usada como imagem de referência, garantindo assim a

correspondência espacial necessária para o estudo conjunto das mesmas.

Nesta etapa deste projecto, desenvolveu-se em ambiente MATLAB, um

algoritmo para realizar o alinhamento de imagens de ressonância magnética obtidas

aquando do acompanhamento da evolução das lesões de EM, num paciente de sexo

feminino, do Hospital Pedro Hispano, Matosinhos. Assim sendo, pretende-se realizar

um alinhamento monomodal e intrasujeito de imagens anatómicas em formato DICOM.

Actualmente, para uniformizar os formatos das imagens médicas, o padrão

DICOM (Digital Imaging and Communications in Medicine) é usual nos equipamentos

médicos comerciais. Tal possibilita a distribuição de distintas modalidades de imagens

em diferentes máquinas, facilitando dessa forma a sua visualização. Uma imagem

DICOM é constituída por um cabeçalho (header), que guarda informações pertinentes

do paciente (como identificação, exame, comprimento das imagens, etc.), seguido

pelos dados que formam a própria imagem.



4.5.2. Definição das imagens

A metodologia para a leitura das imagens em formato DICOM extraídas do

equipamento de ressonância magnética, constitui uma parte integrante do sistema de

análise desenvolvido e foi implementada também em ambiente MATLAB.

Na figura 4.18 apresenta-se o corte escolhido (T1 axial) para referência no

alinhamento das imagens. O volume de referência, é aquele que será escolhido para

definir o espaço de coordenadas padrão com o qual todos os demais volumes serão

alinhados. O exame foi efectuado em 2006/01/06 às 17:30:10, num equipamento da

GE MEDICAL SYSTEMS, com TR: 520.0 e TE: 8.5.

Figura 4.18 – Imagem de referência (identificada como 803137)

A figura 4.19 representa os dois cortes imagiológicos escolhidos para a análise,

sendo o da esquerda relativo ao exame efectuado em 2007/02/02 às 17:07:37 (TR:

620.0 e TE: 8.8) e o da direita ao exame efectuado em 2008/03/28 às 16:27:15 (TR:

620.0 e TE: 8.7). De salientar que estas duas imagens foram adquiridas no mesmo

equipamento que a imagem referência.

Figura 4.19 – Imagens distorcidas (identificadas como 805679 e 804388)



Observa-se que a imagem de referência se encontra com um alinhamento

distinto das duas imagens distorcidas. Devido ao processo de aquisição nota-se

também que essa imagem possui tamanho superior às outras duas.

4.5.3. Extracção de primitivas geométricas

Um método clássico para a extracção, nas duas imagens a alinhar, de

primitivas geométricas (pontos, linhas, volumes, etc.) supostamente semelhantes

consiste em identificar marcadores anatómicos ou artificiais comuns às duas imagens

do paciente, sendo depois, este conjunto de pontos de controlo, colocados em

correspondência entre si. Nesta situação:

O utilizador participa interactivamente na localização dos pontos a usar, sendo

algo geralmente efectuado por técnicos de saúde especializados na anatomia da

região em estudo, obtendo-se desta forma uma precisão adequada à aplicação;

Usualmente, são usados pontos de controlo com propriedades geométricas de

identificação fácil, como por exemplo, locais de grande curvatura, com arestas ou

estruturas ósseas;

A precisão do método depende do número de pontos de controlo utilizados e da

sua qualidade;

O alinhamento das imagens é tratado como uma transformação geométrica rígida

de coordenadas cartesianas de um sistema de referência para outro; logo, um

vector representativo da imagem é transformado num novo pela utilização de uma

transformação geométrica contendo uma matriz de rotação e um vector de

translação.

No sistema desenvolvido, a determinação dos pontos de controlo de forma

interactiva é efectuada no MATLAB com o auxílio da função cpselect, figura 4.20.

Neste figura, a imagem da direita representa a de referência enquanto a da esquerda

caracteriza a distorcida. Este tarefa revela-se delicada e trabalhosa, assim, no futuro

projecto de Dissertação, para a realização desta tarefa deve ser desenvolvido um

método automático, fiável e reprodutível.



Figura 4.20 – Extracção de pontos com a função cpselect.

Na figura 4.20, na parte superior esquerda, é visível a opção de guardar, para

uso posterior nos cálculos da transformação de alinhamento, as coordenadas

cartesianas dos pares de pontos de controlo (representados a verde nas figuras

visualizadas) definidos.

4.5.4. Modelo de transformação e reamostragem da imagem

A função cp2tform, do MATLAB, infere uma transformação espacial a partir dos

pares de pontos de controlo obtidos anteriormente, sendo capaz de aplicar vários tipos

de transformações. Esta função requer, tabela 4.1, um número mínimo de pares de

pontos de controlo de forma a inferir correctamente as estruturas envoltas na

transformação.

Tabela 4.1 – Tipo de transformação versus

número de pares de pontos de controlo.

Tipo de transformação Número de pares de pontos

linear conformal 2 affine 3

projective 4 polynomial (ORDER=2) 6 polynomial (ORDER=3) 10 polynomial (ORDER=4) 15

piecewise linear 4 lwm 6

Assim, a transformação adequada é lida na variável e usada na imagem

distorcida, através da função imtransform, que lhe aplica uma transformação espacial

2D.

A implementação realizada em MATLAB para obter o alinhamento das duas

imagens é a seguinte:



base = dicomread('803137'); unregistered_1 = dicomread('805679'); unregistered_2 = dicomread('804388'); uint16_base = imadjust(uint16(base)); uint16_unregistered_1 = imadjust(uint16(unregistered_1)); uint16_unregistered_2 = imadjust(uint16(unregistered_2)); cpselect(uint16_unregistered_1,uint16_base); mytform_1 = cp2tform(input_points,base_points,'projective'); registered_1 = imtransform(unregistered_1,mytform_1); figure, imshow(registered_1,'DisplayRange',[]) figure, imshow(base,'DisplayRange',[]) cpselect(uint16_unregistered_2,uint16_base); mytform_2 = cp2tform(input_points,base_points,'projective'); registered_2 = imtransform(unregistered_2,mytform_2); figure, imshow(registered_2,'DisplayRange',[]) figure, imshow(base,'DisplayRange',[])

4.5.5. Resultados

Após a realização aplicação do algoritmo desenvolvido em Matlab obtém-se as

imagens da figura 4.21, onde a representação da esquerda é a imagem de referência,

a do meio é a gerada aquando do alinhamento com a imagem de IRM efectuada em

2007 e a da direita quando esse alinhamento é executado com a imagem de IRM

efectuada em 2008.

Figura 4.21 – Alinhamento das imagens de IRM

Observa-se na figura 4.21 que, o objectivo inerente ao alinhamento geométrico

pretendido, isto é, das IRM obtidas aquando do acompanhamento da evolução das

lesões de EM, num paciente de sexo feminino, do Hospital Pedro Hispano,

Matosinhos, foi bem sucedido.

No alinhamento geométrico de estruturas em imagens médicas, a qualidade do

cálculo da transformação está totalmente condicionada à escolha dos pontos de



controlo, que por vezes não são obtidos de forma plenamente fiável em todas as

imagens a alinhar, apresentam baixa reprodutibilidade e, como se trata de uma tarefa

manual, é muito dependente da experiencia do técnico de saúde.

4.6. Resumo

O presente capítulo expôs uma descrição de diversos estudos existentes para

o alinhamento de imagens na área médica.

Habitualmente, são consideradas duas categorias clássicas de algoritmos para

o alinhamento de imagens:

Métodos geométricos → Baseiam-se na obtenção de uma transformação

geométrica entre dois subconjuntos de características extraídos de cada imagem a

alinhar, tentando dessa forma pôr as mesmas em correspondência, isto é

alinhando as características consideradas;

Métodos de ajuste de intensidade → Consistem na optimização de um critério de

semelhança com base na comparação local da intensidade das imagens a

emparelhar, tendo como objectivo a procura de uma transformação entre as

mesmas.

Estas famílias estão ligadas às diferentes evoluções das técnicas de

alinhamento que se basearam sobre distintos aspectos como:

A implementação, onde houve uma transição de técnicas que necessitavam de um

pré-tratamento das imagens a alinhar para técnicas sem pré-tratamento mas com

uma complexidade algorítmica acrescida de critérios de avaliação da qualidade do

método;

A aplicação, onde se verificou uma passagem da análise de imagens de apenas

um paciente para o alinhamento de imagens de diferentes pacientes.

Maintz e Viergever, em (Maintz and Viergever 1998), referem que o

alinhamento de imagens raramente é usado em muitas das aplicações clínicas

correntes porque o seu potencial contínua desconhecido. Mas com tantos

desenvolvimentos nesta área, verifica-se a demonstração de um interesse crescente

dos especialistas das diversas áreas da saúde que lidam com uma elevada

quantidade de imagens que contêm patologias distintas e difíceis de analisar e

quantificar.

Existem muitas implementações computacionais, desenvolvidas no âmbito

comercial e académico, sendo que estas últimas deram origem a diversos estudos,

relatados em variadas teses e publicações científicas, encontrando-se algumas delas



disponíveis em domínio público. De salientar que, muitos dos autores desses trabalhos

de investigação, geralmente apenas se preocupam com a validação de um

determinado algoritmo, tido como mais eficiente do que outros numa aplicação

especifica, mas poucos se inquietam com a sua legitimação clínica.

Pode-se concluir deste capítulo que:

No quadro do estudo prático que se quer desenvolver no presente projecto de

Dissertação, se pretende encontrar, analisar e comparar as variações locais que

aparecem nas imagens de um mesmo paciente atingido por esclerose múltipla,

adquiridas em instantes de tempo distintos.

Neste caso especifico, o objecto em análise é a cabeça, que é uma estrutura

naturalmente estável, enquanto as lesões da EM mudam de aspecto com o tempo.

Assim sendo, um alinhamento com base numa transformação rígida parece, nesta

actual fase de desenvolvimento, suficiente para colocar em correspondência as

estruturas anatómicas entre as imagens.



V – CONSIDERAÇÕES FINAIS E PERSPECTIVAS FUTURAS



5.1. Considerações finais

As técnicas para o alinhamento de estruturas em imagens médicas apresentam

um elevado potencial tecnológico, sendo frequentemente usadas em conjunto com

métodos de análise e quantificação que são muitas vezes elementos que auxiliam na

decisão de cirurgias ou que possibilitam o seguimento da evolução de determinadas

patologias ou lesões internas ao longo do tempo.

Neste trabalho foi elaborada uma revisão do estado da arte com a descrição de

algumas metodologias para o alinhamento de estruturas em imagens médicas, tendo-

se salientado a quantidade importante de trabalhos existentes neste domínio científico.

Tendo por base esse estudo bibliográfico, apresentaram-se alguns conceitos relativos

aos algoritmos existentes, bem como se destacou conceitos fundamentais para a

correcta compreensão do problema proposto no presente projecto de Dissertação.

Também se desenvolveu um algoritmo para testar o alinhamento de algumas imagens

de ressonância magnética obtidas aquando do acompanhamento da evolução das

lesões de esclerose múltipla.

Conclui-se deste estudo que, os grandes obstáculos para a obtenção de

algoritmos de alinhamento, principalmente dos que apresentam transformações não

rígidas, estão essencialmente ligados aos recursos computacionais e às dificuldades

de validar os métodos desenvolvidos. No entanto, observou-se que são efectuados

continuamente grandes esforços nesta área, de forma a responder à crescente

solicitação de aplicações úteis para os técnicos de saúde.

Além do alinhamento de estruturas em imagens médicas, neste trabalho foram

ainda analisados os fundamentos da esclerose múltipla, uma doença associada a uma

elevada taxa de mortalidade e a um predomínio ligado a factores regionais, assim

como os princípios das imagens por ressonância magnética, sendo ambos essenciais

para a percepção da referida patologia, bem como do seu diagnóstico, sendo por isso

essenciais no desenvolvimento deste projecto de Dissertação.

De salientar que diversos algoritmos computacionais baseados nos estudos

anteriormente, estão já disponíveis nas consolas de grandes fabricantes de

equipamentos de IRM.



5.2. Perspectivas futuras

O presente documento serve como elemento de enquadramento do projecto de

Dissertação associado, sendo que neste trabalho se tentou expor o estado da arte

associado ao alinhamento de estruturas em imagens médicas.

No projecto de Dissertação, pretende-se conduzir à implementação de alguns

dos métodos descritos neste documento de forma a validá-los com imagens de

pacientes atingidos com esclerose múltipla. De uma forma sucinta, os objectivos

futuros que se pretendem alcançar com a realização deste projecto de Dissertação

são:

Contribuir para a criação de um texto actualizado e completo, sobre o estado da

arte relativo ao alinhamento de estruturas em imagens médicas;

Desenvolver, ensaiar, utilizar, comparar e validar as técnicas consideradas,

recorrendo a dados sintéticos e reais, nomeadamente de pacientes com esclerose

múltipla.



REFERÊNCIAS



Bondiau, P. Y., G. Malandain, et al. (2004). "Traitement des images et radiothérapie =

Image processing and radiotherapy." Cancer radiothérapie 8(2): 120-129.

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).

Brown, L. G. (1992). "A Survey of Image Registration Techniques." ACM Computing

Surveys 24(4): 328-376

Cherik, S., H. Mouhadjer, et al. (2007). Fusion d’Image Médicale Multimodal (IRM,

TEP). 4th International Conference on Computer Integrated Manufacturing

CIP’2007

Clanet, M. and O. Lyon-Caen (1998). La sclérose en plaques, John Libbey Eurotext.

COLLINS, L. (1998). "The MNI_ANIMAL Software Package " Retrieved 2008/09/01,

from http://www.bic.mni.mcgill.ca/users/louis/MNI_ANIMAL_home/.

Doyon, D., E. A. Cabanis, et al. (2001). IRM: imagerie par résonance magnétique,

Masson.

Dugas-Phocion, G., M. A. González, et al. (2004). Hierarchical Segmentation of

Multiple Sclerosis Lesions in Multi-sequence MRI. IEEE International

Symposium on Biomedical Imaging: From Nano to Macro ISBI'04.

Farid, H. (2006). "Image Registration." from

http://www.cs.dartmouth.edu/farid/research/registration.html.

Gefen, S., O. Tretiak, et al. (2004). "Surface Alignment of an Elastic Body Using a

Multiresolution Wavelet Representation." IEEE Transactions on Biomedical

Engineering 51(7).

Grimaud, J., Y.-M. Zhu, et al. (2002). "Les techniques d'analyse quantitative des IRM

cérébrales : application à la sclérose en plaques." Revue neurologique 158(3):

381-389.

HAMMER. (2007). "HAMMER: Deformable Registration " Retrieved 2008/09/01, from

https://www.rad.upenn.edu/sbia/software/index.html.

Hermosillo, G., C. Chefd’Hotel, et al. (2002). "Variational Methods for Multimodal Image

Matching." International Journal of Computer Vision 50(3): 329-343.

Hill, D. L. G., P. G. Batchelor, et al. (2001). "Medical image registration." Physics in

Medicine and Biology 46: 1-45.

iMIPS. (2008). "Integrated Medical Image Processing Systems." Retrieved 2008-09-

01, from http://www.imips.com/.

Karaçali, B. (2007). "Information Theoretic Deformable Registration Using Local Image

Information." International Journal of Computer Vision 72(3): 219-237.

http://www.bic.mni.mcgill.ca/users/louis/MNI_ANIMAL_home/

http://www.cs.dartmouth.edu/farid/research/registration.html

http://www.rad.upenn.edu/sbia/software/index.html

http://www.imips.com/



Karaçali, B. and C. Davatzikos (2004). "Estimating Topology Preserving and Smooth

Displacement Fields." IEEE Transactions on Medical Imaging 23(7): 868-880.

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): 163-183.

MacDonald, D. (1993). "register - interactive volume display and point tagging

program." Retrieved 2008/09/01, from

http://www.bic.mni.mcgill.ca/software/register/register.html.

Maintz, J. B. A. and M. A. Viergever (1998). "A Survey of Medical Image Registration."

Medical Image Analysis 2(1): 1-36.

MeVisLab. (2008). "Medical Image Processing and Visualization." Retrieved 2008-09-

01, from http://www.mevislab.de/.

Moore, J. and G. Zouridakis (2004). Biomedical Tecnology and Devides Handbook,

CRC Press.

mult-sclerosis. (2008). "All About Multiple Sclerosis " Retrieved 2008-09-01, from

http://www.mult-sclerosis.org/.

Murray, T. J. (2005). Multiple Sclerosis: The History of a Disease, Demos Medical

Publishing.

Noblet, V., C. Heinrich, et al. (2005). "3-D Deformable Image Registration: A Topology

Preservation Scheme Based on Hierarchical Deformation Models and Interval

Analysis Optimization." IEEE Transactions on Image Processing 14(5).

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): 1508-1516.

Radke, R. J., S. Andra, et al. (2005). "Image change detection algorithms: A systematic

survey." IEEE transactions on image processing 14(2): 294-307.

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): 163-179.

Roentgenology, A. J. o. (2008). "AJR Integrative Imaging." Retrieved 2008-09-01,

from http://www.ajronline.org/.

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

SepINRIA. (2006). "A Software to Analyse Multiple Sclerosis Brain MRI." Retrieved

2008/09/01, from http://www-sop.inria.fr/asclepios/software/SepINRIA/.

Sorzano, C. Ó. S., P. Thévenaz, et al. (2005). "Elastic Registration of Biological Images

Using Vector-Spline Regularization." IEEE Transactions on Biomedical

Engineering 52(4).

http://www.bic.mni.mcgill.ca/software/register/register.html

http://www.mevislab.de/

http://www.mult-sclerosis.org/

http://www.ajronline.org/

http://www-sop.inria.fr/asclepios/software/SepINRIA/



SPM. (2008). "Statistical Parametric Mapping." Retrieved 2008/09/01, from

http://www.fil.ion.ucl.ac.uk/spm/.

Thirion, J.-P. and G. Calmon (1997). Measuring Lesion Growth from 3D Medical

Images. IEEE Nonrigid and Articulated Motion Workshop NAN'97

Woods, R. P. (2008). "Automated Image Registration." from

http://bishopw.loni.ucla.edu/AIR5/index.html.

Xia, M. and B. Liu (2004). "Image Registration by “Super-Curves”." IEEE transactions

on image processing 13(5): 720-732.

Xie, Z. and G. E. Farin (2004). "Image Registration Using Hierarchical B-Splines." IEEE

Transactions on Visualization and Computer Graphics 10(1): 85-94.

Zagorchev, L. and A. Goshtasby (2006). "A Comparative Study of Transformation

Functions for Nonrigid Image Registration." IEEE Transactions on Image

Processing 15(3).

Zimmerman, R. A., W. A. Gibby, et al. (2000). Neuroimaging: Clinical and Physical

Principles, Springer Verlag.

http://www.fil.ion.ucl.ac.uk/spm/

http://bishopw.loni.ucla.edu/AIR5/index.html

alinhamento de estruturas em imagens médicas: estudo...

Documents