método para seleção automática de espectros de interesse ... · introdução 16 etapa de...

UNIVERSIDADE ESTADUAL DE CAMPINASFaculdade de Engenharia Elétrica e de Computação

Danilo Rodrigues Pereira

Método para seleção automática de espectrosde interesse em espectroscopia multi-voxel por

ressonância magnética

Campinas

2017

UNIVERSIDADE ESTADUAL DE CAMPINASFaculdade de Engenharia Elétrica e de Computação

Danilo Rodrigues Pereira

Método para seleção automática de espectros deinteresse em espectroscopia multi-voxel por ressonância

magnética

Dissertação apresentada à Faculdade deEngenharia Elétrica e de Computação daUniversidade Estadual de Campinas comoparte dos requisitos exigidos para a obtençãodo título de Mestre em Engenharia Elétrica,na Área de Engenharia de Computação.

Orientadora: Profa Dra. Leticia Rittner

Este exemplar corresponde àversão final da tese defendida peloaluno Danilo Rodrigues Pereira, eorientada pela Profa Dra. LeticiaRittner

Campinas2017

Agência(s) de fomento e nº(s) de processo(s): Não se aplica.

Ficha catalográficaUniversidade Estadual de Campinas

Biblioteca da Área de Engenharia e ArquiteturaLuciana Pietrosanto Milla - CRB 8/8129

Pereira, Danilo Rodrigues, 1984- P414m PerMétodo para seleção automática de espectros de interesse em

espectroscopia multi-voxel por ressonância magnética / Danilo RodriguesPereira. – Campinas, SP : [s.n.], 2017.

PerOrientador: Leticia Rittner. PerDissertação (mestrado) – Universidade Estadual de Campinas, Faculdade

de Engenharia Elétrica e de Computação.

Per1. Espectroscopia de prótons por ressonância magnética. 2. Espectroscopia

de ressonância magnética nuclear. 3. Imagem por ressônancia magnética. 4.Python (Linguagem de programação de computador). I. Rittner, Leticia,1972-.II. Universidade Estadual de Campinas. Faculdade de Engenharia Elétrica e deComputação. III. Título.

Informações para Biblioteca Digital

Título em outro idioma: Method for automatic selection of spectra of interest in multi-voxelmagnetic resonance spectroscopyPalavras-chave em inglês:Proton magnetic resonance spectroscopyNuclear magnetic resonance spectroscopyMagnetic resonance imagingPython (Computer programming language)Área de concentração: Engenharia de ComputaçãoTitulação: Mestre em Engenharia ElétricaBanca examinadora:Leticia Rittner [Orientador]Gabriela CastellanoBrunno Machado de CamposData de defesa: 13-02-2017Programa de Pós-Graduação: Engenharia Elétrica

Powered by TCPDF (www.tcpdf.org)

COMISSÃO JULGADORA - DISSERTAÇÃO DE MESTRADO

Candidato: Danilo Rodrigues Pereira, RA: 121601

Data da defesa: 13 de fevereiro de 2017.

Título da dissertação: Método para seleção automática de espectros de interesse emespectroscopia multi-voxel por ressonância magnética

Comissão Julgadora:

Profa Dra. Leticia Rittner (Presidente, FEEC/UNICAMP)

Profa Dra. Gabriela Castellano (IFGW/UNICAMP)

Dr. Brunno Machado de Campos (FCM/UNICAMP)

A ata de defesa, com as respectivas assinaturas dos membros da Comissão Julgadora,encontra-se no processo de vida acadêmica do aluno.

Dedico este trabalho à minha querida esposa Leonora, pelo apoio incondicional e porestar sempre ao meu lado.

Agradecimentos

A conclusão deste trabalho de mestrado não seria possível sem a colaboração dediversas pessoas, às quais gostaria de manifestar meus sinceros agradecimentos.

Em primeiro lugar a Deus que sempre me deu força a nunca desistir dos meussonhos.

À minha orientadora Dra Leticia Rittner, pela confiança em mim depositada epor acreditar que eu era capaz de desenvolver esse trabalho. Gostaria de agradecer todosseus ensinamentos, motivação, dedicação e paciência. Sou muito feliz e orgulhoso por tera oportunidade de conhecer uma pessoa tão especial.

Ao professor Dr. Roberto Alencar Lotufo, agradeço pela oportunidade defazer parte de seu grupo de pesquisa. Pelas orientações e acompanhamentos que foramimportantes para meu desenvolvimento pessoal e profissional.

À minha querida esposa Leonora Covre Lazdenas, agradeço todo seu amor,paciência e principalmente por estar sempre meu lado nos momentos mais difíceis e nuncadeixar eu desistir.

À minha familia, minha mãe Lucimar (in memoriam), meu pai Milton, meuirmão Edmilson e minha irmã Deise, vocês são a razão do meu viver.

Aos colegas de trabalho, em especial Roberto Medeiros, Mariana Bento eIrene Fantini, agradeço pela amizade e incentivos ao longos de todos esses anos juntos.Vocês são muito especiais para mim.

À professora Dra Simone Appenzeller, aos alunos Renan Bazuco e AlineLapa da Faculdade de Ciências Medicas (FCM) - UNICAMP e professora Dra GabrielaCastellano do Instituto de Física Gleb Wataghin (IFGW) - UNICAMP que ajudaramna realização e validação dos experimentos.

À Faculdade de Engenharia Elétrica e de Computação FEEC/UNICAMP, pelaexcelente estrutura que oferece aos estudantes, pesquisadores e funcionários.

À Diretoria Geral de Administração DGA/UNICAMP, pelo suporte durante arealização desse projeto de mestrado.

À Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP), pelo apoiofinanceiro.

“Nas grandes batalhas da vida, o primeiro passo para a vitória é o desejo de vencer”.Mahatma Gandhi

ResumoA espectroscopia por ressonância magnética, apesar de ser uma técnica recente, vem sendobastante utilizada para estudar alterações metabólicas em tumores cerebrais e outrasdoenças do cérebro em geral. Porém ainda não existem métodos que explorem bem asinformações contidas na região da imagem de ressonância magnética de onde o conjuntode espectros foi adquirido. Conhecer essas informações é importante, pois permite que aquantificação dos metabólitos seja mais precisa. O presente trabalho tem como objetivoapresentar um método capaz de analisar a região da imagem de ressonância magnética deonde foi coletado o conjunto de espectros, identificando, por exemplo, os tipos de tecidos:substância branca (WM - White matter), substância cinzenta (GM - Gray matter) e fluidocerebroespinal (CSF - Cerebrospinal fluid) e/ou estrutura cerebral (hipocampo, corpocaloso, etc.), nela contidos e, posteriormente, possibilitar a seleção de um subconjunto deespectros de interesse. Essa abordagem torna possível analisar melhor os dados adquiridosatravés da técnica, agrupando espectros provenientes de regiões semelhantes, como tecidos(GM, WM e CSF) ou estruturas (estruturas cerebrais, tumores ou lesões). A partirdeste agrupamento é possível criar subconjuntos de espectros de interesse e realizara quantificação dos metabólitos em cada um dos espectros isoladamente ou todos osespectros do subconjunto.

Palavras-chaves: Espectroscopia por ressonância magnética; Imagem por ressonânciamagnética; Imagens espectroscópicas; Seleção de espectros; Python/NumPy.

AbstractMagnetic resonance spectroscopy (MRS) although a recent technique, has been widelyused to study metabolic changes in brain tumors and other diseases of the brain ingeneral. Currently there are no good methods that exploit the information contained inthe region of the magnetic resonance image, from where the set of spectra was acquired.This information is important to allow a more accurate quantification of metabolites. Thisstudy aims to present a method to analyze the region of the magnetic resonance imagefrom where the set of spectra was collected, identifying for example the types of tissue(white matter, gray matter and cerebrospinal fluid) and/or brain structure (hippocampus,corpus callosum, etc.) contained, and consequently allowing the selection of a set of thespectra of interest. This approach makes it possible to better analyze the data acquiredthrough the MRS, grouping spectra from similar regions, such as tissues (GM, WM andCSF) or structures (brain structures, tumors or lesions). From this grouping it is possibleto create subsets of spectra of interest and execute the quantification of the metabolitesin each spectrum alone or in all the spectra of the subset.

Keywords: Magnetic resonance spectroscopy (MRS); Magnetic resonance imaging(MRI); Magnetic resonance spectroscopy imaging (MRSI); Spectra selection;Python/NumPy.

Lista de ilustrações

2.1 Técnicas distintas baseadas em ressonância magnética: MRI e MRS . . . 192.2 Sinal representado no domínio temporal (FID) e o sinal representado no

domínio da frequência (espectro), obtido após a aplicação da FT . . . . . 212.3 Diferentes técnicas para a aquisição dos espectros: SVS e MRSI . . . . . 282.4 Voxel MRS indica a região na imagem de onde um espectro foi adquirido

e voxel MRI representa um elemento da imagem . . . . . . . . . . . . . . 293.1 Principais etapas do método proposto . . . . . . . . . . . . . . . . . . . . 323.2 Volume de interesse (VOI) de MRSI com as coordenadas no espaço do

scanner . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 333.3 Registro entre a VOI e a imagem de ressonância magnética . . . . . . . . 353.4 Porcentagens de GM, WM e CSF na região dos espectros . . . . . . . . . 363.5 Máscaras binárias de tecidos geradas a partir do Freesurfer . . . . . . . . 373.6 Registro entre o VOI (rotulado) em cada mascara binária de segmentação

(tecidos) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 373.7 Registro entre o VOI (rotulado) com a MRI e a máscara binária de

segmentação (hipocampo) . . . . . . . . . . . . . . . . . . . . . . . . . . 383.8 Registro da imagem de ressonância magnética com a máscara de

segmentação binária e o VOI . . . . . . . . . . . . . . . . . . . . . . . . . 383.9 Principais módulos da ferramenta computacional . . . . . . . . . . . . . . 403.10 Biblioteca de funções da ferramenta computacional . . . . . . . . . . . . 403.11 Segmentação manual do hipocampo gerada pelo especialista com MNI

Display . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 423.12 Visualização dos espectros . . . . . . . . . . . . . . . . . . . . . . . . . . 433.13 Resultado da quantificação de um espectro médio utilizando o software

LCModel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 444.1 Registro entre a imagem e o VOI adquirido na região supraventricular

posterior . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 464.2 Registro entre a imagem e o VOI adquirido na região do hipocampo . . . 474.3 Registro entre a imagem e o VOI (SVS) adquirido na região do cerebelo . 474.4 Máscara binária de segmentação gerada pelo software MNI Display . . . 494.5 Listagem dos espectros selecionados e as porcentagens de intersecção com

a máscara binária de segmentação (manual e automática) . . . . . . . . . 544.6 Listagem do subconjunto de espectros selecionados e visualização de

apenas 16 espectros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

Lista de tabelas

2.1 Principais metabólitos estudados em MRS . . . . . . . . . . . . . . . . . 253.1 Descrição dos campos armazenados no cabeçalho do arquivo MRSI . . . . 414.1 Porcentagens de tecidos calculadas nos 2 VOI’s adquiridos de um sujeito 484.2 Porcentagens de tecidos calculadas por espectro do VOI . . . . . . . . . . 484.3 Listagem dos espectros e as porcentagens de intersecção com a máscara

binária de segmentação . . . . . . . . . . . . . . . . . . . . . . . . . . . . 504.4 Espectros selecionados de acordo com a porcentagem de intersecção com

a máscara binária de segmentação . . . . . . . . . . . . . . . . . . . . . . 514.5 Espectros selecionados de acordo com a porcentagem de tecidos . . . . . 52

Lista de Acrônimos e Abreviações

Ala AlaninaAMARES Advanced method for accurate, robust and efficient spectral fitting of MRSAVC Acidente vascular cerebralCho ColinaCr CreatinaCSF Cerebrospinal fluid (Fluido cerebroespinal)DICOM Digital imaging and communications in medicineGln GlutaminaGlu GlutamatoGM Gray matter (Substância cinzenta)jMRUI Java-based magnetic resonance user interfaceLac LactatoLCModel Linear combination of model spectraLES Lúpus eritematoso sistêmicomIno Mio-inositolMR Magnetic resonance (Ressonância magnética)MRI Magnetic resonance imaging (Imagem por ressonância magnética)MRS Magnetic resonance spectroscopy (Espectroscopia por ressonância

magnética)MRSI Magnetic resonance spectroscopy imaging (Imagem espectroscópica por

ressonância magnética)NAA N-acetil-aspartatoNAAG N-acetil-aspartato-glutamatoNIfTI Neuroimaging informatics technology initiativeNMR Nuclear magnetic resonance (Ressonância magnética nuclear)PCr FosfocreatinaQUEST Quantitation based on quantum estimationSVS Single voxel spectroscopy (Espectroscopia de voxel único)VOI Volume of interest (Volume de interesse)WM White matter (Substância branca)

Sumário

1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151.1 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161.2 Estrutura da dissertação . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

2 Espectroscopia por ressonância magnética . . . . . . . . . . . . . . . . . . . 182.1 Conceitos fundamentais em MRS . . . . . . . . . . . . . . . . . . . . . . . 19

2.1.1 Frequência de Larmor . . . . . . . . . . . . . . . . . . . . . . . . . 192.1.2 Deslocamento químico . . . . . . . . . . . . . . . . . . . . . . . . . 202.1.3 Transformada de Fourier (FT) . . . . . . . . . . . . . . . . . . . . . 21

2.2 Principais metabólitos observados em MRS . . . . . . . . . . . . . . . . . . 222.2.1 N-acetil-aspartato (NAA) . . . . . . . . . . . . . . . . . . . . . . . 222.2.2 Colina (Cho) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222.2.3 Creatina (Cr) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222.2.4 Alanina (Ala) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 232.2.5 Lactato (Lac) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 232.2.6 Glutamato (Glu) e Glutamina (Gln) . . . . . . . . . . . . . . . . . 232.2.7 Mio-inositol (mIno) . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

2.3 Quantificação dos metabólitos . . . . . . . . . . . . . . . . . . . . . . . . . 242.3.1 AMARES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 242.3.2 LCModel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 242.3.3 QUEST . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

2.4 Exemplos de aplicações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252.4.1 Tumores cerebrais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252.4.2 Acidente vascular cerebral (AVC) . . . . . . . . . . . . . . . . . . . 252.4.3 Lúpus eritematoso sistêmico (LES) . . . . . . . . . . . . . . . . . . 262.4.4 Traumatismo craniano . . . . . . . . . . . . . . . . . . . . . . . . . 262.4.5 Câncer de próstata . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

2.5 Metódos para localização espacial do VOI . . . . . . . . . . . . . . . . . . 272.5.1 Voxel único (SVS) . . . . . . . . . . . . . . . . . . . . . . . . . . . 272.5.2 Imagens espectroscópicas (MRSI) . . . . . . . . . . . . . . . . . . . 28

2.6 Considerações importantes na aquisição dos dados em MRS . . . . . . . . 292.6.1 Homogeneidade do campo magnético . . . . . . . . . . . . . . . . . 292.6.2 Supressão de água . . . . . . . . . . . . . . . . . . . . . . . . . . . 292.6.3 Escolha dos parâmetros do protocolo de aquisição . . . . . . . . . . 302.6.4 Concentrações absolutas x concentrações relativas . . . . . . . . . . 30

3 Método proposto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 313.1 Localização espacial dos espectros na imagem de ressonância magnética . . 31

3.2 Análise do conteúdo do VOI . . . . . . . . . . . . . . . . . . . . . . . . . . 343.2.1 Análise baseada em porcentagem de tecidos . . . . . . . . . . . . . 353.2.2 Análise baseada em intersecção com estruturas de interesse . . . . . 36

3.3 Seleção do subconjunto dos espectros de interesse . . . . . . . . . . . . . . 383.4 Ferramenta computacional . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

3.4.1 Entrada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 403.4.2 Processamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 423.4.3 Saída . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

4 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 454.1 Conjunto de dados utilizados . . . . . . . . . . . . . . . . . . . . . . . . . . 454.2 Experimentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

4.2.1 Localização espacial dos espectros na imagem de ressonânciamagnética . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

4.2.2 Análise do conteúdo do VOI . . . . . . . . . . . . . . . . . . . . . . 474.2.2.1 Análise baseada em porcentagem de tecidos . . . . . . . . 474.2.2.2 Análise baseada em intersecção com estruturas de interesse 49

4.2.3 Seleção do subconjunto dos espectros de interesse . . . . . . . . . . 534.2.4 Visualização dos espectros . . . . . . . . . . . . . . . . . . . . . . . 53

5 Discussões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 566 Conclusões e Perspectivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

6.1 Perspectivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 606.2 Publicações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

Referências . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

15

1 Introdução

Espectroscopia por ressonância magnética (MRS - Magnetic resonancespectroscopy) é uma técnica que permite a análise do conteúdo químico de uma amostrade forma não-invasiva, quantificando metabólitos específicos passíveis de serem detectadospela técnica. Os dados espectroscópicos são gerados utilizando os mesmos princípios físicosda técnica de imagem por ressonância magnética (MRI - Magnetic resonance imaging),mas ao invés de informação anatômica, esses dados fornecem informações químicas efisiológicas da amostra analisada. Os princípios físicos da MRS são semelhantes aos daformação da MRI, porém, ao invés de imagem convencional, o sinal adquirido pela bobinado equipamento de ressonância magnética é transformado em um espectro contendo picosem diferentes frequências. O sinal do espectro pode ser representado em forma de umgráfico, onde cada pico do gráfico corresponde a um metabólito específico encontrado naamostra analisada [1].

O objetivo da MRS é identificar e medir as concentrações de alguns metabólitosconsiderados importantes biomarcadores, tais como o N-acetil-aspartato (NAA), Creatina(Cr), Glutamato/Glutamina (Glx), Colina (Cho), entre outros [1]. Na maioria dos estudosde MRS em seres vivos utiliza-se o hidrogênio (1H) como o núcleo de interesse, devidoà abundância natural e alta sensibilidade relativa aos outros núcleos como fósforo (31P),flúor (19F), carbono (13C) e sódio (23Na). A técnica de MRS também é utilizada paraanalisar as variações metabólicas em diferentes tipos de patologias, como por exemplo:tumores cerebrais [2], acidente vascular cerebral (AVC) [3], lúpus [4, 5, 6], traumatismocraniano [7, 8], câncer da mama e próstata [9] e doenças neurodegenerativas [10].

Na MRS in vivo, antes da aquisição dos dados é necessário definir o volume deinteresse (VOI - Volume of interest), ou seja, localizar espacialmente de onde se querextrair os espectros. As principais técnicas para localização espacial do VOI podem serdivididas em 2 categorias: volume único (SVS - Single voxel spectroscopy) e imagensespectroscópicas (MRSI - Magnetic resonance spectroscopy imaging). Em SVS apenasum espectro é obtido a partir do VOI selecionado na imagem de ressonância magnética, eem MRSI, é possível obter um mapeamento espacial das variações dos metabólitos numadada região anatômica, para um conjunto de voxels em uma única aquisição. As principaisdiferenças entre essas técnicas são: SVS permite uma melhor relação sinal-ruído, o tempode aquisição é curto e é indicada para analisar regiões pequenas como lesões e tumorescerebrais. Na MRSI é possível fazer um mapeamento das variações dos metabólitos parauma grade de voxels em uma única aquisição e principalmente, analisar regiões maiores,como por exemplo, estruturas anatômicas (hipocampo, corpo caloso, entre outras). Apósa aquisição, é feito um pré-processamento do sinal adquirido e em seguida, é realizada a

Capítulo 1. Introdução 16

etapa de quantificação dos espectros; dessa maneira, é possível extrair informações dosmetabólitos que permitirão tirar conclusões da amostra ou doença estudada. A escolhade uma ou outra técnica depende do tipo de experimento que se queira realizar e daconfiguração do equipamento de ressonância magnética, já que nem todos permitemaquisições de dados MRSI [11].

Existem uma variedade de métodos e ferramentas disponíveis para processar equantificar os sinais da MRS, entre os quais podemos destacar: LCModel [12], jMRUI [13],PERCH [14], AMARES [15] e QUEST [16]. Porém, a grande maioria dessas ferramentasfoi desenvolvida para trabalhar apenas com SVS. A quantificação dos espectros em MRSIprecisa ser aprimorada, pois ainda não existe uma metodologia definida para melhoranalisar os dados adquiridos. Atualmente, não existe uma ferramenta para fazer a seleçãoautomática de um subconjunto de espectros de interesse. Em muitos casos, a seleção é feitade forma manual/visual. Em MRSI, é importante fazer a seleção dos espectros de interesse,pois alguns espectros foram adquiridos fora da estrutura de interesse (hipocampo, corpocaloso, entre outras) ou adquiridos em regiões com diferentes tipos de tecidos. Portanto,alguns espectros podem ser descartados ou agrupados durante à analise.

Estudos recentes encontrados na literatura, propõem diferentes métodos de análise,pré-processamento e quantificação dos sinais adquiridos pela técnica de espectroscopiapor ressonância magnética, a fim de melhorar a análise dos dados. Esses trabalhosmostraram também, que a combinação entre MRS e MRI, pode melhorar o diagnóstico eo acompanhamento de diferentes tipos de doenças [17, 18, 19, 20, 21, 22, 23, 24].

Até onde sabemos, não existe um método de análise MRSI para fazer a seleçãoautomática de um subconjunto de espectros de interesse, levando em consideração quealguns desses espectros foram adquiridos fora da região de interesse e/ou em regiões quecontém diferentes tipos de tecidos.

1.1 ObjetivosO objetivo deste trabalho é propor um método de análise MRSI que permite a

seleção automática de um subconjunto de espectros de interesse de acordo com o tipo deanálise desejada: tecidos (substância branca, substância cinzenta e fluido cerebroespinal)ou estruturas (cerebrais, tumores ou lesões).

O método a ser proposto deve permitir explorar melhor os dados adquiridosatravés da técnica de MRSI, agrupando espectros provenientes de regiões semelhantes.Esse agrupamento deve tornar possível criar subconjuntos de espectros de interesse erealizar a quantificação dos metabólitos em cada um dos espectros isoladamente ou nosubconjunto como um todo.

Capítulo 1. Introdução 17

1.2 Estrutura da dissertaçãoEssa dissertação está organizada em 6 capítulos. O capítulo 2 é uma introdução

à MRS, descrevendo as técnicas de aquisição, os principais metabólitos que sãoobservados pela espectroscopia e exemplos de estudos mostrando como esses metabólitosse comportam em diferentes tipos de doenças.

O capítulo 3 apresenta em detalhes cada etapa do método proposto: localizaçãoespacial dos espectros na imagem de ressonância magnética para ser possível visualizar asregiões de onde os espectros foram adquiridos; análise do VOI em termos de intersecçãocom a estrutura desejada e as porcentagens relativas de tecidos (substância branca,substância cinzenta e fluido cerebroespinal), e seleção de um subconjunto de espectros deinteresse de acordo com o tipo de análise desejada. Também neste capítulo é apresentadaa ferramenta computacional que foi desenvolvida como prova de conceito do métodoproposto.

No capítulo 4 são apresentados os resultados experimentais obtidos através dométodo aplicado a dados reais de MRSI. No capítulo 5 são discutidos alguns aspectosimportantes que foram observados durante a realização deste trabalho. E por fim, ocapítulo 6 apresenta as considerações finais sobre o trabalho realizado, apresentando ascontribuições do projeto e indicando possíveis questões a serem abordadas em trabalhosfuturos.

18

2 Espectroscopia por ressonância magnética

Espectroscopia por ressonância magnética é uma técnica não-invasiva que utilizaos mesmos princípios físicos da técnica de MRI, mas ao invés de informação anatômica,provê informações químicas e fisiológicas da amostra analisada (Fig. 2.3). Através deMRS podemos identificar e medir as concentrações de alguns metabólitos, como oN-acetil-aspartato (NAA), considerado um marcador de viabilidade e função neuronal,a creatina (Cr) um marcador de energia e metabolismo celular, glutamato/glutamina(Glx), entre outros [1], em experimentos in vivo e in vitro. Na maioria dos estudos deMRS utiliza-se o hidrogênio (1H) como o núcleo de interesse, devido à abundância naturale alta sensibilidade relativa aos outros núcleos. Outros núcleos que são utilizados são:fósforo (31P), flúor (19F), carbono (13C) e sódio (23Na). A técnica de MRS representa umadas mais complexas tecnologias modernas que, excepcionalmente, requer conhecimentointerdisciplinar em física, química, bioquímica, bem como ciências médicas. A MRStornou-se uma ferramenta analítica usada em biomedicina para estudar alteraçõesmetabólicas em diferentes tipos de patologias ou condições.

A ressonância magnética nuclear (NMR - Nuclear magnetic resonance) foidescoberta por Felix Bloch e Edward Purcell em 1946 e no início era utilizada apenaspelos físicos para fins de determinar os momentos magnéticos dos núcleos dos átomos.Foi apenas em meados dos anos 1970 que a NMR começou a ser utilizada in vivo, eatualmente melhorias estão sendo desenvolvidas e experiências vêm se acumulando como uso da técnica em pesquisas em diferentes patologias, principalmente relacionadas aocérebro, pulmão e próstata [1, 10].

Atualmente a MRS é utilizada apenas em pesquisas, mas grande esforço está sendofeito para que a técnica seja aplicada no ambiente clínico. Juntamente com a técnicade MRI, a MRS demonstrou através de diversos estudos encontrados na literatura, terpotencial para ser uma ferramenta importante no diagnóstico e acompanhamento dediferentes tipos de doenças [19].

Capítulo 2. Espectroscopia por ressonância magnética 19

Figura 2.1 – Técnicas distintas baseadas em ressonância magnética: MRI e MRS.Figura adaptada de [1]

2.1 Conceitos fundamentais em MRSPor definição, a ressonância magnética (MR - Magnetic resonance) é a propriedade

física exibida por núcleos de determinados elementos que, quando submetidos a um campomagnético e excitados por ondas de rádio frequência (RF) em determinada frequência,emitem rádio sinal, o qual pode ser captado por uma antena e transformado em imagem[25]. O núcleo mais simples é o do hidrogênio, o qual consiste em um único próton. Osprótons e os nêutrons têm uma propriedade chamada spin ou momento angular que nadamais é do que uma rotação similar à rotação da Terra sob o seu próprio eixo. Em adiçãoao seu spin, o próton têm também um momento magnético, o que significa que ele secomporta como um magneto [26]. As razões pelas quais o próton pode se comportar comopequeníssimo magneto são duas: o próton tem carga elétrica e ele gira sobre o seu próprioeixo num movimento chamado spin.

2.1.1 Frequência de Larmor

Se aplicamos um campo magnético externo 𝐵0 em uma partícula, os spins sealinharão, paralelamente ou em sentido contrário a este campo. No entanto, o alinhamentonão será exato: a partícula rodará em torno de um eixo na direção deste campo aplicado,graças ao movimento de precessão dos prótons. Este efeito chama-se “Efeito Zeeman”, efoi descoberto pelo físico Holandês Peter Zeeman em 1897 e explicado por Lorentz em sua“Teoria do Elétron” no mesmo ano. A frequência de precessão denominada Frequência


de Larmor, é proporcional à magnitude do campo magnético, e é dada pela equação deLarmor 2.1:

𝜔 = 𝛾

2𝜋𝐵0

(2.1)

onde: 𝜔 é a frequência de Larmor em Mega-hertz (MHz), 𝐵0 é a magnitude do campomagnético em Tesla (T) e 𝛾 é a razão giromagnética – que é uma constante que diferepara cada tipo de núcleo. Para o átomo de hidrogênio 𝛾 é 42,58MHz/T.

2.1.2 Deslocamento químico

Um conceito fundamental para a MRS é o deslocamento químico (em inglês,Chemical shift). Se todos os núcleos de hidrogênio numa mistura de moléculas tivessema mesma frequência de Larmor, o espectro seria limitado a um único pico. Porém, osnúcleos experimentam diferentes valores de campo magnético devido à blindagem químicaresultante do meio eletrônico que os rodeia [27]. Desta forma, os núcleos com diferentesgrupos químicos vizinhos terão frequências de ressonância diferentes que são dadas pelaequação 2.2:

𝜔 = 𝛾𝐵0 (1 − 𝜎)

(2.2)

onde: 𝜎 é o fator de blindagem química. Portanto, a medida da frequência de ressonânciados prótons em um metabólito é a medida de seu deslocamento químico, que identifica aposição única do pico do metabólito no espectro [1].

Outro fator importante em MRS é que as frequências de ressonância costumam sermedidas em unidades relativas, que são as ppm (partes por milhão), ao invés de unidadesabsolutas como Hz. Isso é feito para que os deslocamentos químicos fiquem independentesdo campo magnético estático aplicado, e dados medidos com diferentes campos possamser comparados entre si. Através da equação 2.3 podemos determinar o deslocamentoquímico para o caso de amostra in vivo:

𝛿 = 𝑓𝑚

𝑓𝑡 · 10−6 + 𝑓𝑟

(2.3)

onde 𝑓𝑚 é a frequência do metabólito, 𝑓𝑡 é a frequência do transmissor, e 𝑓𝑟 é umafrequência de referência com relação a um padrão in vivo. No caso da 1H-MRS, estepadrão é o pico do CH3 do N-Acetil-aspartato (NAA) centrado em 2,01 ppm [28].


2.1.3 Transformada de Fourier (FT)

Em MRS, os sinais adquiridos são conhecidos como FID’s (em inglês, FreeInduction Decay), adquiridos no domínio temporal. Quase sempre é necessário fazer aconversão do sinal FID para o domínio da frequência. Essa conversão normalmente éfeita aplicando uma transformada de Fourier discreta, DFT (em inglês, Discret FourierTransform) sobre o sinal FID. A DFT é definida pela seguinte equação:

𝑓(𝜔) =+∞∑︁−∞

𝑓(𝑡)[𝑐𝑜𝑠(𝜔𝑡) − 𝑖 · 𝑠𝑖𝑛(𝜔𝑡)]

(2.4)

onde: 𝜔 é a frequência e 𝑡 o tempo de cada ponto que compõe o FID coletado durante aMR [29].

Se o sinal de MR possui uma frequência 𝜔0 e se o sistema de spins não experimentaperda de energia, o movimento da magnetização resultante pode ser representado comouma função senoidal de amplitude constante e o seu espectro correspondente consiste deuma função 𝜔 posicionada em 𝜔0. Se o mesmo sinal decai com uma constante de tempoT2 devido a perda de energia, o espectro correspondente consiste de um pico Lorentzianoposicionado em 𝜔0 e com largura proporcional ao inverso de T2. Ainda, se o sinal contémmuitos componentes, cada um possuindo frequências de ressonância e amplitudes distintase decaindo com um tempo constante, a FT gera um espectro com diversos picos (Fig. 2.2).

Figura 2.2 – O sinal representado no domínio temporal (FID), com vários sinais demetabólitos (esquerda) e o sinal representado no domínio da frequência (espectro),obtido após à aplicação da FT (direita)


2.2 Principais metabólitos observados em MRSEstudos de MRS in vivo normalmente comparam as concentrações de metabólitos

encontrados em diferentes populações ou indivíduos. Se considerarmos estudos emhumanos, há mais de 40 metabólitos estudados, dentre os quais, os de maior interessesão N-acetil-aspartato (NAA), colina (Cho), creatina (Cr), alanina (Ala), lactato (Lac),glutamato (Glu), glutamina (Gln) e mio-inositol(mIno).

2.2.1 N-acetil-aspartato (NAA)

O NAA é o principal pico observado em um espectro adquirido de um cérebroadulto saudável e observado no espectro na frequência de 2.01 ppm. O NAA éum aminoácido livre presente no cérebro em altas concentrações, e está localizadoprincipalmente no sistema nervoso central e periférico. Descoberto em 1956, sua funçãonão é muito conhecida e vem sendo debatida ao longo dos anos. Acredita-se que atuacomo um reservatório de aspartato e um precursor do N-acetil-aspartato-glutamato(NAAG). Em algumas doenças como: esclerose múltipla, HIV, epilepsia do lobo temporal,Alzheimer, tumores cerebrais e lúpus foram observados baixos níveis de NAA [4, 10, 30].

2.2.2 Colina (Cho)

O sinal do metabólito colina total é observado no espectro na frequência de 3.21ppm. Sua concentração no cérebro é aproximadamente 1-2 mmol/kg e não está distribuídauniformemente. Sua concentração na substância branca é maior do que na substânciacinzenta. A concentração da Cho livre em um cérebro adulto normal é pequena (menor que0.03 mmol/kg), mas aumenta significativamente em tumores cerebrais. As mudanças nosníveis de Cho estão geralmente associadas com alterações na composição da membrana.O metabólito Cho é considerado um importante biomarcador para a classificação dediferentes tipos de tumores cerebrais [31].

2.2.3 Creatina (Cr)

Em experimentos de 1H-MRS, a creatina e a fosfocreatina (PCr) são observadosno espectro na frequência em 3.03 ppm e estão presentes principalmente no cérebro,músculos e sangue. A creatina pode ser um indicativo da atividade tumoral [32], já queindica o estado energético da célula. A fosfocreatina está relacionada com a capacidadeenergética do cérebro. A concentração de Cr no cérebro humano é aproximadamente de4.8-5.6 mmol/kg e a sua concentração na substância branca é maior do que na substânciacinzenta. A concentração de PCr é de aproximadamente 4.0-5.5 mmol/kg. O pico érelativamente estável e não apresenta mudanças com a idade e nem em uma grande


variedade de patologias, por isso algumas vezes a Cr e a PCr têm sido usadas comoconcentração de referência em estudos envolvendo câncer cerebral [33].

2.2.4 Alanina (Ala)

A alanina é um aminoácido produzido pelo corpo humano e pode ser encontradono neurocitomas centrais, meningiomas, sangue, fígado, músculos e no coração. O pico éobservado no espectro na frequência de 1.47 ppm em aquisições utilizando tempo de ecolongo e pode ser melhor observada em MRS in vitro. A alanina desempenha uma funçãoimportante no ciclo glucose-alanina entre os vários tecidos e o fígado. Alterações nosníveis da alanina estão associadas normalmente ao desenvolvimento de diabetes, patologiashepáticas e doenças do fígado [34].

2.2.5 Lactato (Lac)

Esse metabólito está presente no cérebro humano em baixas concentrações, o quedificulta ser observado em estudos de MRS in vivo. O sinal do Lac é observado no espectrona frequência em 1.31 ppm e também pode ser encontrado principalmente no fluidocerebroespinal. Níveis elevados de Lac ocorrem depois da hipóxia e sua detecção é degrande interesse nos estudos clínicos em trauma e tumores cerebrais, especialmente emtecido necrótico. É um dos metabólitos mais facilmente encontrado nos tumores e temsido considerado biomarcador para agressividade tumoral, doenças mitocondriais e outrascondições [35, 36].

2.2.6 Glutamato (Glu) e Glutamina (Gln)

O Glu é o aminoácido mais abundante encontrado no cérebro humano com umaconcentração de 12 mmol/kg e atua como um neurotransmissor excitatório. A Glné um aminoácido precursor e armazenador do Glu localizado nos astrócitos. Algunsexperimentos demonstraram que estes metabólitos podem ser identificados separadamentein vivo em magnitudes de campo acima de 4T e nesse caso, glutamato pode ser observadono espectro na frequência entre 2.04 e 2.35 ppm e a glutamina entre 2.12 e 2.46ppm. Estudos demostraram que em concentrações elevadas, o metabólito Glu apresentapropriedades neurotóxicas que podem levar a danos irreversíveis no cérebro [37].

2.2.7 Mio-inositol (mIno)

O sinal do metabólito mio-inositol é observado no espectro em aquisições com otempo de eco curto e tem ressonância na frequência de 3.5 ppm. O metabólito mIno éo isômero encontrado em tecidos. Sua função não é bem definida, mas acredita-se que éum requerimento essencial para o crescimento celular e um armazenador de glicose, e tem


sido proposto como marcador de astrócitos. Os níveis do metabólito mIno se encontramaumentados em astrocitomas de baixo grau e diminuídos ou ausentes em tumores nãogliais. Níveis alterados em sua concentração estão associados à doença de Alzheimer,encefalopatia hepática e dano cerebral em tumores malignos [38].

2.3 Quantificação dos metabólitosA quantificação dos metabólitos nada mais é do que o cálculo das concentrações

relativas dos metabólitos presentes na amostra analisada. Existem uma variedade demétodos e ferramentas disponíveis para a quantificação dos espectros, seja no domíniotemporal ou da frequência. Os principais metódos são resumidos a seguir.

2.3.1 AMARES

O AMARES (Advanced Method for Accurate, Robust and Efficient Spectral fittingof MRS data) [15] é um metódo interativo de quantificação no domínio temporal disponívelno software livre jMRUI (java-based Magnetic Resonance User Interface) [39]. Essemétodo ajusta todos os pontos que compõem o sinal do espectro, por uma soma de senoidesque decaem exponencialmente. Estas funções modelam cada ressonância de maneiraindependente. Por isso, a partir de algum conhecimento prévio, como o deslocamentoquímico das ressonâncias, o usuário pode adicionar restrições ao ajuste e limitar os grausde liberdade do sistema.

2.3.2 LCModel

O LCModel (Linear Combination of Model spectra) [12] é um metódo dequantificação no domínio da frequência bastante utilizado em MRS. Ele foi implementadono software comercial de mesmo nome. O método LCModel ajusta o sinal do espectro comuma combinação linear dos sinais de ressonância magnética de metabólitos isolados. Aideia principal deste método é que alguns metabólitos ressonam em diferentes frequênciasdo espectro. Dessa forma, o método define funções específicas para cada metabólito, asquais podem ser combinadas linearmente para ajustar os dados. Estas funções podem sermedidas de MRS de metabólitos isolados in vitro ou podem ser modeladas com softwaresespecíficos de Mecânica Quântica.

2.3.3 QUEST

A abordagem de ajustar os dados como uma combinação linear de espectroscompletos não é exclusiva do algoritmo LCModel. O método QUEST (QUantitation basedon QUantum ESTimation) [16] implementado no software livre jMRUI, segue esse mesmo


princípio. No entanto, a principal diferença em relação ao algoritmo LCModel, é que oQUEST faz o ajuste no domínio do tempo e não no domínio da frequência.

2.4 Exemplos de aplicaçõesA partir de estudos encontrados na literatura é possível identificar alguns

metabólitos que servem de biomarcadores para uma determinada patologia ou condição(Tabela 2.1). Há uma infinidade de condições e patologias que se beneficiam daquantificação de metabólitos em MRS, dentre as quais podemos destacar: tumorescerebrais, acidente vascular cerebral (AVC), lúpus, traumatismo craniano, câncer depróstata e mama [20, 40].

Tabela 2.1 – Principais metabólitos estudados em MRS

Metabólito Freq. (ppm) BiomarcadoresLactato (Lac) 1.31 Tumores e doenças mitocondriaisAlanina (Ala) 1.47 Câncer e doenças do fígadoN-Acetil-aspartato (NAA) 2.01 Doenças neurológicasGlutamato (Glu) / Glutamina (Gln) 2.35 - 2.46 Danos cerebraisCreatina (Cr) 3.02 Lúpus e traumatismo cranianoColina (Cho) 3.21 Lesões e tumores cerebraisMio-inositol (mIno) 3.50 Alzheimer e tumores cerebrais

2.4.1 Tumores cerebrais

Algumas pesquisas mostraram que a técnica de MRI combinada com a MRS éuma poderosa ferramenta para identificação e classificação de lesões e tumores cerebrais.Através de diversos estudos foi possível observar que o sinal do metabólito Cho é elevadoem quase todos os tipos de tumores cerebrais e por isso vem sendo considerado umimportante marcador bioquímico para avaliar a progressão e resposta ao tratamentode tumores cerebrais. Outros marcadores bioquímicos com o NAA e a Cr também sãoutilizados. No caso do NAA foi observado que o nível do sinal diminui na maioria dostumores, enquanto que mudanças nos níveis de Cr acontecem em tipos específicos detumores [2].

2.4.2 Acidente vascular cerebral (AVC)

O AVC é caracterizado pela perda rápida da função neurológica, decorrente doentupimento (isquemia) ou rompimento (hemorragia) de vasos sanguíneos cerebrais. Oprimeiro experimento utilizando MRS para estudar AVC em humanos foi em 1988 [3].A maioria dos estudos tem observado a presença dos metabólitos NAA, Cho e Lac.


Vários estudos observaram que os níveis de NAA no cérebro reduzem lentamente ao longode uma escala de tempo de uma hora depois do AVC. No caso do metabólito Cho foiobservado tanto aumento como redução nos níveis, mas no caso do níveis elevados podeser o resultado de gliose, enquanto reduções são provavelmente o resultado de edema,necrose e perda de célula. Já níveis elevados de Lac foram observados na fase aguda doAVC, que são os primeiros momentos (horas) após o início dos sintomas [41, 42].

2.4.3 Lúpus eritematoso sistêmico (LES)

O LES é uma doença inflamatória crônica e autoimune do tecido conjuntivo. Deetiologia desconhecida, está ligada a fatores genéticos, hormonais, ambientais e a algunsmedicamentos. Atinge principalmente mulheres na fase reprodutiva, especialmente entre15 e 50 anos. No entanto, cerca de 15-20% dos pacientes com LES desenvolvem a doençaainda na infância e na adolescência, com predomínio do sexo feminino [4]. A maioriados estudos em pacientes com lúpus mostrou uma diminuição na razão dos metabólitosNAA/Cr e um aumento na razão Cho/Cr na substância branca [5]. Acredita-se queos metabólitos NAA, Cr e Cho possam ser biomarcadores úteis para a avaliação demanifestações neuropsiquiátricas em pacientes com lúpus, uma vez que estas alteraçõesmetabólicas são precoces e, muitas vezes, ocorrem antes das manifestações clínicas e nãopodem ser vistas em exames de imagens por ressonância magnética [6].

2.4.4 Traumatismo craniano

As principias causas de traumatismo craniano são os acidentes automobilísticos,atropelamentos e quedas [43]. Os sinais e sintomas dos traumatismos cranianos sãodesmaio, perda da consciência, dor de cabeça intensa, sangramento pela boca, nariz ououvido, diminuição da força muscular, sonolência, dificuldade na fala, alterações da visãoe da audição, perda da memória e coma [44]. Estudos de MRS realizados logo após otrauma mostram alterações metabólicas no cérebro, principalmente nos metabólitos NAA,Cr, Cho e Lac [45]. Um dos primeiros estudos feitos em pacientes juvenis que sofreramtraumatismo craniano mostraram elevação nos níveis de Lac, Cho, mIno e Glu acima de90% e baixos níveis de NAA e Cr [46]. Estudos realizados em adultos mostraram resultadossimilares; a principal diferença observada foi que o nível de Lac presente nos pacientesadultos foi um pouco menor em relação a exames feitos em pacientes juvenis [7, 8].

2.4.5 Câncer de próstata

Câncer de próstata é o terceiro tipo de câncer mais comum segundo a OrganizaçãoMundial da Saúde (OMG). Entre as diversas técnicas radiológicas, a MRI é a ferramentadiagnóstica mais útil para a avaliação do tumor causado pelo câncer de próstata. AMRI possui sensibilidade significativamente maior (51-89%) na detecção do tumor quando


comparada com a ultrassonografia transretal (USTR) (27-86%). Recentemente, surgiramestudos utilizando MRS como nova esperança diagnóstica. Ela é capaz de detectar osindicadores metabólicos na glândula prostática, o que ajudaria na acurácia na provávellocalização do tumor [47, 48]. Estudos encontraram níveis elevados dos metabólitos: Cr,Cho, Lip e principalmente o citrato (Cit) [49]. O metabólito Cit é observado no espectrona frequência 2.6 ppm. A glândula prostática é a única parte do corpo humano que contémníveis elevados do metabólito Cit. Umas das limitações encontradas nos estudos de MRSde câncer de próstata é a dificuldade de monitorar os metabólitos Lac e Cr. Quase sempreé necessário fazer a supressão de lipídio (gordura) para evitar a contaminação de lipídiona glândula prostática.

2.5 Metódos para localização espacial do VOIA escolha correta da sequência de pulsos e dos parâmetros de aquisição é quase

sempre determinante para o sucesso dos estudos realizados em MRS. As técnicas para alocalização espacial do VOI, ou seja, a região de onde serão adquiridos os espectros, sãodivididas em 2 categorias: voxel único (SVS) e imagem espectroscópica por ressonânciamagnética (MRSI) (Fig. 2.3). Ambos os metódos tem suas vantagens e desvantagens. Porexemplo, a SVS permite uma maior resolução espectral comparada à MRSI e o tempode aquisição é curto. Já a MRSI permite um mapeamento das variações dos metabólitospara uma grade de voxels em uma única aquisição, porém o tempo para aquisição dosdados é maior (aproximadamente 5-7 minutos). A escolha de uma ou outra técnica vaidepender do tipo de experimento que se queira realizar e da configuração do equipamentode ressonância magnética, já que nem todos permitem aquisições de dados MRSI.

Em MRS, utilizamos algumas nomenclaturas que também são utilizadas emprocessamento de imagens, porém com significados diferentes. Isso acaba gerando umpouco de confusão. Por isso, ao longo dessa dissertação, vamos adotar algumas definições,conforme mostrado na figura 2.4.

2.5.1 Voxel único (SVS)

Na SVS, o espectro é obtido a partir do VOI selecionado na imagem de ressonânciamagnética. Normalmente as dimensões do VOI são de aproximadamente 2 x 2 x 2𝑐𝑚 (8𝑐𝑚3) e sua localização espacial pode ser obtida utilizando uma de duas sequências depulsos: PRESS (Point Resolved Spectroscopy) ou STEAM (Stimulated Echo AcquisitionMode).

A sequência PRESS consiste na aplicação de um pulso de radiofrequência (RF) de90∘ seguido por dois pulsos de 180∘. Os gradientes de campos (𝐺𝑥, 𝐺𝑦 e 𝐺𝑧) são aplicadoscom cada um dos pulsos, de forma que somente os núcleos localizados na interseção dos


três pulsos contribuirão com o sinal [50, 51]. A sequência STEAM utiliza-se do efeito deeco estimulado que ocorre após a aplicação de três pulsos consecutivos de 90∘. A principalvantagem em relação à sequência PRESS é a possibilidade de redução do tempo de eco(TE), embora a intensidade do sinal seja a metade do que se obteria com a PRESS, como mesmo VOI e o mesmo TE [52].

2.5.2 Imagens espectroscópicas (MRSI)

O principal objetivo da técnica MRSI é fazer uma aquisição de um conjunto deespectros e, indiretamente, de uma distribuição espacial de metabólitos, dentro de umaúnica sequência. Os espectros são adquiridos apenas com gradientes de seleção de fatiae codificação de fase. Diferentemente da técnica de MRI um gradiente de codificaçãode frequência não é aplicado em MRSI. Assim, em vez da informação anatômica dadapelo sinal de ressonância magnética convencional, os dados obtidos em MRS contêminformações referente aos metabólitos com diferentes frequências e amplitudes. Essasinformações são obtidas a partir das propriedades de deslocamento químico de cadametabólito.

As mesmas sequências utilizadas para SVS são utilizados para a aquisição dosdados MRSI (STEAM ou PRESS). A principal diferença entre MRSI e SVS é que, apóso impulso de RF, os gradientes de codificação de fase são usados em uma, duas ou trêsdimensões (1D, 2D ou 3D). Numa sequência 1D, a codificação de fase tem um únicosentido, em 2D tem duas direções ortogonais, e em 3D, três direções ortogonais.

Figura 2.3 – Diferentes técnicas para a aquisição dos espectros: SVS e MRSI. Figuraadaptada de [53]


Figura 2.4 – Voxel MRS indica a região na imagem de onde um espectro foi adquiridoe voxel MRI representa um elemento da imagem. Um voxel do espectro (MRS)corresponde a diversos voxels da imagem (MRI). Figura adaptada de [53]

2.6 Considerações importantes na aquisição dos dados em MRSDurante a aquisição dos dados de 1H-MRS in vivo normalmente alguns cuidados

precisam ser tomados e ajustes precisam ser feitos a fim de garantir uma análise o maiscorreta possível [40]. Algumas das principais questões que precisam ser consideradas, sãodiscutidas a seguir:

2.6.1 Homogeneidade do campo magnético

Para garantir a qualidade dos espectros adquiridos, é essencial que o campomagnético, produzido pelo equipamento de ressonância magnética, seja extremamenteuniforme, ou seja, a intensidade do campo magnético e a distribuição de suas linhas decampo devem ser aproximadamente as mesmas em todos os pontos dentro do VOI. A faltade homogeneidade do campo magnético no VOI produz alargamento das linhas espectrais,o que diminui a resolução espectral, causando ruído no espectro [54].

2.6.2 Supressão de água

A supressão de uma ressonância em particular em um espectro, requer umadiferença em alguma propriedade entre o composto que está interferindo na detecção e amolécula de interesse. Um exemplo típico em MRS in vivo é a supressão de água. Nessecaso, a concentração de água, é frequentemente, mais que 10.000 vezes maior do que osmetabólitos, e, sua supressão elimina distorções de base e sinais espúrios, conduzindo auma aquisição mais confiável e consistente do espectro dos metabólitos [28]. A supressão deágua é importante principalmente nas aquisições de MRSI pois o VOI analisado contémmais moléculas de água do que de metabólitos. Os métodos para fazer a supressão de


água mais conhecidos são: excitação com pulso espectral seletivo, análise de diferençasnos parâmetros de relaxação e edição espectral [28].

2.6.3 Escolha dos parâmetros do protocolo de aquisição

Para fazer a escolha dos parâmetros do protocolo de aquisição, é preciso que sejalevado em consideração um conjunto de fatores tais como: supressão de água e gordura,tipos de tecidos encontrados no VOI, tipo de aquisição (TE curto ou TE longo), SVSou MRSI. Em muitos casos a MRSI parece ser uma boa escolha, mas existem algumasregiões do cérebro, por exemplo, que contém uma quantidade grande de CSF (fossacranial posterior, lobos temporais anteriores, hipocampo) e portanto, a técnica SVS émais aconselhável [10].

2.6.4 Concentrações absolutas x concentrações relativas

Um dos problemas encontrados ao analisar os metabólitos em MRS in vivo é adificuldade de determinar o valor absoluto das concentrações dos metabólitos medidos.Isso acontece pois, embora a magnetização 𝑀0 seja diretamente proporcional ao númerode spins, que por sua vez é proporcional à concentração, a medida de 𝑀0 é indireta: oque se observa na verdade é uma corrente induzida proporcional à magnetização no plano𝑥𝑦. Então, o sinal medido de MRS de um dado metabólito é proporcional ao númerode aquisições, ao ganho do receptor, à frequência de Larmor, à concentração molar e aoVOI, sendo também influenciado pela sequência de pulsos e pela bobina utilizadas naaquisição. Dessa forma, encontrar o valor absoluto da concentração dos metabólitos apartir do sinal medido (espectro) é impossível. Embora a concentração relativa forneçamenos informações, ainda assim é aceitável e vem sendo utilizada ao longo dos últimosanos.

31

3 Método proposto

A evolução da técnica de MRS nos últimos 20 anos permitiu que pesquisas baseadasem concentrações de metabólitos pudessem tentar verificar diferenças nos níveis dessasconcentrações, não somente entre indivíduos ou populações, mas também em diferentestipos de patologias [10, 40].

Mais recentemente a MRSI permitiu fazer aquisição de um conjunto de espectros,de maneira uniforme no VOI. Porém o VOI selecionado quase sempre tem o formato de umparalelepípedo, enquanto normalmente o estudo está interessado em adquirir espectros deuma estrutura cerebral, lesões ou tumores. Ou seja, no conjunto de espectros adquiridos,alguns desses espectros são provenientes da região de interesse, outros espectros não, oque torna desejável um método que permita a seleção de um subconjunto de espectros deinteresse.

O método proposto tem como objetivo permitir a seleção automática de umsubconjunto de espectros de interesse adquiridos pela técnica de MRSI, de acordo como tipo de análise desejada: tecidos (substância branca, substância cinzenta e fluidocerebroespinal) ou estruturas (estruturas cerebrais, tumores ou lesões). O método écomposto de três principais etapas: localização espacial dos espectros na imagem deressonância magnética; análise do conteúdo do VOI (intersecção com a estrutura desejadae porcentagens de tecidos presentes) e seleção do subconjunto de espectros de interesse(Fig. 3.1).

Neste capítulo detalharemos cada uma dessas etapas e apresentaremos tambéma ferramenta computacional que foi desenvolvida como prova de conceito do métodoproposto.

3.1 Localização espacial dos espectros na imagem de ressonânciamagnéticaA aquisição dos espectros em MRSI ocorre normalmente logo após a aquisição de

MRI, através de um protocolo pré-definido. A seleção do VOI, ou seja, a região de onde osespectros serão adquiridos, é feita pelo operador do equipamento de ressonância magnéticae de forma manual. Após o término do exame, os dados relacionados aos espectros sãoarmazenados em arquivos separados da MRI e a referência espacial com a MRI ficaarmazenada no cabeçalho desses arquivos. Para visualizar novamente a região de ondeos espectros foram adquiridos, normalmente utiliza-se o software instalado no console doequipamento de ressonância magnética. Porém, isso acaba sendo inviável, principalmente

Capítulo 3. Método proposto 32

Figura 3.1 – Etapas do método: Localização espacial dos espectros na imagem deressonância magnética; análise do conteúdo do VOI e seleção do subconjunto deespectros de interesse

em ambientes que não são exclusivamente dedicados a pesquisas.

Os dados adquiridos através da MRS são armazenados em diferentes formatos dearquivos, dependendo do fabricante do equipamento de ressonância magnética, sendo osmais comuns: .SPAR / .SDAT (Philips), .RDA (Siemens) .SHF / .7 (General Electric).Extraindo as informações armazenadas no cabeçalho do arquivo de MRS, é possívelposicionar corretamente o VOI, ou seja, rotacionar o VOI e posicioná-lo no espaço decoordenadas da MRI. Normalmente o VOI tem o formato de um paralelepípedo e as suascoordenadas são armazenadas no arquivo no espaço de coordenadas do scanner. Atravésde uma transformação afim, é possível transformar essas coordenadas para o espaço decoordenadas do paciente, seguindo as etapas descritas à seguir.

A primeira etapa consiste em calcular as coordenadas dos vértices doparalelepípedo (Fig. 3.2) e armazenar-las em uma matriz 𝑀 :


Figura 3.2 – Volume de interesse (VOI) de MRSI com as coordenadas no espaço doscanner. 𝑎𝑝 : distância (mm) na direção anterior-posterior; 𝑐𝑐 : distância (mm) nadireção cranio-caudal; 𝑙𝑟: distância (mm) na direção esquerda-direita; 𝑎𝑝𝑜𝑓𝑓 :deslocamento (mm) na direção 𝑎𝑝; 𝑙𝑟𝑜𝑓𝑓 : deslocamento (mm) na direção 𝑙𝑟; 𝑐𝑐𝑜𝑓𝑓 :deslocamento (mm) na direção 𝑐𝑐; 𝜃𝑙𝑟 : ângulo entre a direção 𝑙𝑟 e o eixo 𝑥; 𝑁𝑥:quantidade de espectros na direção 𝑥 e 𝑁𝑦 : quantidade de espectros na direção 𝑦

𝑀 =

⎡⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎣

𝑙𝑟2

𝑎𝑝2

𝑐𝑐2 1

− 𝑙𝑟2

𝑎𝑝2

𝑐𝑐2 1

− 𝑙𝑟2 −𝑎𝑝

2𝑐𝑐2 1

𝑙𝑟2 −𝑎𝑝

2𝑐𝑐2 1

𝑙𝑟2

𝑎𝑝2 − 𝑐𝑐

2 1− 𝑙𝑟

2𝑎𝑝2 − 𝑐𝑐

2 1− 𝑙𝑟

2 −𝑎𝑝2 − 𝑐𝑐

2 1𝑙𝑟2 −𝑎𝑝

2𝑐𝑐2 1

⎤⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎦Para que o VOI seja posicionado corretamente na MRI é preciso agora transformar

os vértices calculados anteriormente para o espaço de coordenadas da imagem, através deuma transformação afim (A), conforme a equação 3.1:

𝐴𝑧 =

⎡⎢⎢⎢⎢⎢⎢⎣cos 𝜃𝑐𝑐 − sin 𝜃𝑐𝑐 0 0sin 𝜃𝑐𝑐 cos 𝜃𝑐𝑐 0 0

0 0 1 00 0 0 1

⎤⎥⎥⎥⎥⎥⎥⎦


𝐴𝑦 =

⎡⎢⎢⎢⎢⎢⎢⎣cos 𝜃𝑎𝑝 0 − sin 𝜃𝑎𝑝 0

0 1 0 0sin 𝜃𝑎𝑝 0 cos 𝜃𝑎𝑝 0

0 0 0 1

⎤⎥⎥⎥⎥⎥⎥⎦

𝐴𝑥 =

⎡⎢⎢⎢⎢⎢⎢⎣1 0 0 00 cos 𝜃𝑙𝑟 sin 𝜃𝑙𝑟 00 − sin 𝜃𝑙𝑟 cos 𝜃𝑙𝑟 00 0 0 1

⎤⎥⎥⎥⎥⎥⎥⎦

𝐴𝑡 =

⎡⎢⎢⎢⎢⎢⎢⎣1 0 0 𝑙𝑟𝑜𝑓𝑓

0 1 0 𝑎𝑝𝑜𝑓𝑓

0 0 1 𝑐𝑐𝑜𝑓𝑓

0 0 0 1

⎤⎥⎥⎥⎥⎥⎥⎦

𝑇 =(︁𝐴𝑡 · 𝐴𝑦 · 𝐴𝑥 · 𝐴𝑧 · 𝑀

𝑇)︁𝑇

(3.1)

onde 𝐴x, 𝐴y e 𝐴z são as matrizes de rotação em torno dos eixos 𝑥, 𝑦 e 𝑧; 𝐴t é a matrizde translação; 𝑎𝑝 é a distância na direção anterior-posterior (mm), 𝑙𝑟 é a distância nadireção esquerda-direita (mm) e 𝑐𝑐 é a distância na direção crânio-caudal (mm); 𝑎𝑝𝑜𝑓𝑓 é odeslocamento na direção 𝑎𝑝, 𝑙𝑟𝑜𝑓𝑓 é o deslocamento na direção 𝑙𝑟 e 𝑐𝑐𝑜𝑓𝑓 é o deslocamentona direção 𝑐𝑐; 𝜃𝑎𝑝, 𝜃𝑙𝑟 e 𝜃𝑐𝑐 são ângulos entre 𝑎𝑝, 𝑙𝑟 e 𝑐𝑐 e o eixo 𝑥, 𝑦 e 𝑧 respectivamente(Fig. 3.2); e 𝑇 é a matriz para posicionar o VOI no espaço de coordenadas da imagem.

Por fim, calcula-se também todos os pontos de intersecção entre o VOI e a MRI.Esses pontos de intersecção são depois utilizados para construir os polígonos resultantese desenhá-los em cada fatia da MRI, utilizando o algoritmo convex hull [55]. Ao términodessa etapa é possível visualizar o VOI, ou seja, a região de onde os espectros foramadquiridos na MRI em cada fatia e nas três vistas: sagital, coronal e axial (Fig. 3.3).

3.2 Análise do conteúdo do VOIA análise do conteúdo do VOI é feita para melhor direcionar a quantificação dos

metabólitos em experimentos in vivo, pois é importante conhecer a região de onde osespectros foram adquiridos. Em muitos casos, a região selecionada contém diferentestipos de tecidos e compostos químicos como por exemplo: substância branca, substânciacinzenta, fluido cerebroespinal, lipídios e água. A presença desses tecidos e compostosmuitas vezes prejudica a quantificação dos metabólitos [56].


Figura 3.3 – Registro entre o VOI e a imagem de ressonância magnética: (a) VOIadquirido na região do hipocampo e (b) VOI adquirido na região supraventricularposterior

3.2.1 Análise baseada em porcentagem de tecidos

O objetivo desta etapa é calcular as porcentagens relativas de tecidos (GM , WM eCSF) contida no VOI. A primeira etapa consiste em obter a MRI segmentada em tecidos,nesse trabalho a segmentação foi obtida pelo Freesurfer [57], mas qualquer outro métodode segmentação de tecidos poderia ter sido utilizado. Em seguida, a imagem é sobrepostaao VOI (Fig. 3.4). As porcentagens relativas de tecidos presentes na região de onde sãoadquiridos os espectros foram calculadas dividindo o número de voxels do VOI atribuídosa uma determinada classe de tecidos (𝑁𝐺𝑀 , 𝑁𝑊 𝑀 , 𝑁𝐶𝑆𝐹 ) pelo número total de voxels daimagem na região que foram coletados os espectros. (Eq. 3.2).

𝑃𝐺𝑀 = 𝑁𝐺𝑀

𝑁𝐺𝑀 + 𝑁𝑊 𝑀 + 𝑁𝐶𝑆𝐹

𝑃𝑊 𝑀 = 𝑁𝑊 𝑀


𝑃𝐶𝑆𝐹 = 𝑁𝐶𝑆𝐹


(3.2)


onde 𝑁𝐺𝑀 , 𝑁𝑊 𝑀 e 𝑁𝐶𝑆𝐹 são o número de voxels do VOI pertencentes à GW, WM e CSFrespectivamente e 𝑃𝐺𝑀 , 𝑃𝑊 𝑀 e 𝑃𝐶𝑆𝐹 são as porcentagens presentes no VOI.

Figura 3.4 – Ilustração das porcentagens de GM, WM e CSF encontradas na região deonde foram adquiridos os espectros (em vermelho). Figura adaptada de [58]

Para calcular as porcentagens de tecidos (GM, WM e CSF) presentes na região deonde cada espectro foi adquirido, é preciso obter a imagem segmentada em tecidos (deforma manual ou automática). Em seguida, são criados as máscaras binárias para cadatipo de tecido a partir da MRI segmentada em tecidos (Fig. 3.5).

O próximo passo consiste em criar uma imagem com as mesmas dimensões do VOI.Em seguida, é necessário dividir a imagem criada em N sub-regiões de acordo com onúmero total de espectros adquiridos. Cada sub-região representa a região de onde cadaespectro foi adquirido e cada voxel (MRI) dessa sub-região receberá um rótulo (Fig. 3.6a).Em seguida, o VOI rotulado é sobreposto às três máscaras binárias de tecidos (Fig. 3.6b)utilizando uma função chamada estimateAffine3D disponível no pacote OpenCV 2.4 [59].

3.2.2 Análise baseada em intersecção com estruturas de interesse

Para identificar os espectros que estão contidos (total ou parcialmente) em umadeterminada estrutura da MRI, usamos uma máscara binária de segmentação. A máscarapode ser gerada manualmente, por exemplo usando o software MNI Display - Software forVisualization and Segmentation of Surfaces and Volumes [60] ou por alguma ferramentade segmentação automática como o Freesurfer.

Assim como na análise baseada em porcentagem de tecidos, aqui também uma imagemcom as mesmas dimensões do VOI é criada e rotulada (Fig. 3.7a) e o VOI rotulado ésobreposto à MRI (Fig. 3.7b). Por fim, é realizado o registro da MRI com o VOI rotuladoe máscara binária de segmentação (Fig. 3.8), calculando-se assim as porcentagens deintersecção dos espectros com a estrutura de interesse.


Figura 3.5 – Máscaras binárias de cada um dos tecidos (WM, GM e CSF) geradas apartir da imagem segmentada em tecidos pelo Freesurfer

Figura 3.6 – Registro entre o VOI (imagem auxiliar rotulada) em cada máscarabinária de segmentação (tecidos)


Figura 3.7 – Registro entre o VOI (imagem auxiliar rotulada) com a MRI e a máscarabinária de segmentação (hipocampo)

Figura 3.8 – Registro da MRI com a máscara de segmentação binária e o VOI dosespectros

3.3 Seleção do subconjunto dos espectros de interesseComo mencionado anteriormente, o VOI quase sempre tem o formato de um

paralelepípedo, por isso muitos espectros são adquiridos numa região que está fora daestrutura de interesse. Se conseguirmos identificar e descartar esses espectros, podemosobter as concentrações relativas dos metabólitos apenas da região de interesse.

Essa etapa do método proposto tem como objetivo selecionar um subconjunto deespectros de interesse de acordo com o tipo da análise que deseja realizar: (a) tecidos


(GM, WM e CSF) ou (b) estrutura (cerebral, tumores ou lesões). Se o tipo da análise fortecidos, um possível critério para a seleção dos espectros de interesse será a porcentagemde tecidos encontrada na região onde o VOI foi adquirido. Se a análise tiver interesse emquantificar apenas os espectros que foram adquiridos em uma estrutura cerebral, tumorou lesão, a seleção do subconjunto dos espectros de interesse será feita considerandoos espectros que interceptam total ou parcialmente) tal estrutura delimitada por umamáscara de segmentação binária traçada (manualmente ou automática) na MRI.

Após selecionado o subconjunto de espectros de interesse, é preciso ainda fazera quantificação desses espectros para encontrar as concentrações dos metabólitospresentes nos espectros selecionados. Uma maneira direta seria quantificar cada espectroisoladamente e depois calcular a média de concentração de cada metabólito obtido. Umaproposta diferente seria calcular um espectro médio, somando os 𝑁 pontos de cada um dosespectros selecionados e dividir pela quantidade de espectros contidos no subconjunto (Eq.3.3). Dessa maneira, espera-se minimizar o ruído e obter as concentrações dos metabólitosmais precisas.

𝐸 =𝑥∑︁

𝑖=1𝑁𝑖(𝑡)

(3.3)

onde 𝐸 é o espectro médio, 𝑁 é conjunto de pontos de cada espectro e 𝑥 é a quantidadede espectros contidos no subconjunto.

3.4 Ferramenta computacionalComo prova de conceito do método proposto, uma ferramenta computacional foi

desenvolvida (Fig. 3.9) no ambiente chamado Adessowiki [61], uma plataforma webcolaborativa de ensino e pesquisa. Por ser um ambiente web, com características de umawiki, é possível escrever toda a documentação, o código-fonte e os resultados, tudo nummesmo ambiente, sem a necessidade de qualquer instalação ou configuração por parte dousuário. A biblioteca de funções (Fig. 3.10) foi implementada em Python/NumPy [62].


Figura 3.9 – Principais módulos que compõem a ferramenta computacional: Entrada;processamento e saída

Figura 3.10 – Biblioteca de funções da ferramenta computacional desenvolvida emPython/NumPy, dentro do ambiente Adessowiki

3.4.1 Entrada

A versão atual da ferramenta computacional suporta os seguintes formatos de arquivos:imagem estrutural - DICOM ou NIfTI; espectro - Philips (.SPAR / .SDAT) e máscara


binária de segmentação - MNI Display (.TAG) ou Freesurfer (.MGZ).

Para fazer a leitura das imagens estruturais utilizamos uma biblioteca de funçõesimplementada em Python para manipulação de imagens médicas chamada NiBabel [63].Os espectros gerados pelo equipamento de ressonância magnética do fabricante Philips, emmuito dos casos, consistem em dois arquivos com extensões .SDAT e .SPAR. O primeiroarquivo contém dados binários que representam os espectros e o segundo armazenaas informações relacionadas aos parâmetros de aquisição e a localização espacial naMRI. As principais informações extraídas desses arquivos e convertidas em matrizesdo Python/NumPy são: tamanho, centro e angulação do VOI nas direções x, y e z equantidade de espectros adquiridos. (Tabela 3.1).

Tabela 3.1 – Descrição dos campos armazenados no cabeçalho do arquivo MRSI

Campo Descriçãoexamination_name nome do examescan_id identificação do examescan_date data do exameap_size tamanho na direção anterior-posterior (mm)lr_size tamanho na direção esquerda-direita (mm)cc_size tamanho na direção crânio-caudal (mm)ap_off_center (aop) deslocamento na direção anterior-posterior (mm)lr_off_center (loc) deslocamento na direção esquerda-direita (mm)cc_off_center (coc) deslocamento na direção crânio-caudal (mm)ap_angulation ângulo na direção anterior-posterior (mm)lr_angulation ângulo na direção esquerda-direita (mm)cc_angulation ângulo na direção crânio-caudal (mm)dim1_pnts quantidade de fatias na direção zdim2_pnts quantidade de espectros na direção xdim3_pnts quantidade de espectros na direção yrows total de espectros adquiridosecho_time tempo de eco (ms)

A máscara binária de segmentação manual suportada pela ferramenta computacionalfoi gerada pelo especialista através do software MNI Display e contém a extensão .TAG(Fig. 3.11). Esse arquivo contém todas as coordenadas dos rótulos da segmentação e essascoordenadas são armazenadas no espaço de coordenadas nativo (MNI Display). Para quea segmentação seja registrada corretamente na MRI é necessário converter as coordenadaspara espaço de coordenadas da MRI.

A máscara binária de segmentação automática foi gerada pelo software Freesurfer,utilizando a imagem estrutural ponderada em T1. O arquivo de segmentação resultantecontém a extensão .MGZ e armazena um conjunto de rótulos. Cada rótulo representa umaestrutura cerebral, por exemplo, os rótulos que representam a região do hipocampo são:17 (lado esquerdo) e 53 (lado direito).


Figura 3.11 – Segmentação manual do hipocampo gerada pelo especialista com aajuda do software MNI Display

3.4.2 Processamento

A etapa de processamento da ferramenta computacional foi dividida em trêsfuncionalidades: Registro entre a MRI e o VOI, análise baseada em tecidos e/ou estruturase seleção do subconjunto do espectros de interesse. A primeira funcionalidade é responsávelpor fazer o registro entre a MRI e o VOI. Através desse registro podemos visualizar aregião na MRI de onde o VOI foi adquirido e direcionar à análise dos metabólitos: tecidos(GM, WM e CSF) ou estruturas (estruturas cerebrais, tumores ou lesões). Se a análiseestiver interesse em saber a porcentagem de tecidos presentes no VOI, é necessário fazero registro entre a MRI com o VOI e a imagem segmentada em tecidos. Se a análisefor baseada em uma determinada estrutura, a ferramenta computacional fazer o registroentre a MRI, o VOI e a máscara binária de segmentação da estrutura de interesse. Porfim, a funcionalidade de seleção de espectros é responsável por criar um subconjunto deespectros de interesse de acordo com o tipo da análise desejada (tecidos ou estruturas) deacordo com um critério definido manualmente pelo especialista.

3.4.3 Saída

Todos os resultados obtidos em cada etapa do método proposto ficarão disponível naplataforma Adessowiki e também algumas informações são gravadas em um arquivo comextensão .CSV (Comma-separated values). As informações salvas no arquivo são: dados doprotocolo de aquisição; lista dos espectros de interesse com as porcentagens de intercessãocom a máscara binária de segmentação; porcentagens relativas de tecidos presentes noVOI e a listagem de todos espectros com as porcentagens relativas de tecidos presentesna região de onde cada espectro foi adquirido.

Após a etapa de seleção do subconjunto de espectros de interesse, é possível visualizartodos os espectros (no domínio da frequência), antes da etapa de criação do espectro


médio. Através dessa visualização podemos identificar os sinais (espectros) ruidosos oucontaminados por CSF, que provavelmente poderão prejudicar a análise dos metabólitos.

Os dados binários que representam os espectros são armazenados em um arquivo comextensão .SDAT, no caso do fabricante Philips, porém cada fabricante do equipamento deressonância magnética tem seu próprio formato de arquivo. A ferramenta computacionalfaz a leitura desse do conteúdo do arquivo .SDAT e armazena-os em uma matriztridimensional do Python/NumPy. Essa funcionalidade foi desenvolvida baseada emuma função disponível na plataforma de código-fonte livre chamada VeSPA - VersatileSimulation, Pulses, and Analysis [64]. Para visualizar os espectros no domínio dafrequência, utilizamos a Transformada Discreta de Fourier (DFT) em cada espectro (Fig.3.12). A partir da visualização dos espectros pertencentes ao subconjunto de espectrosde interesse, o usuário poderá escolher quais espectros não deverão ser considerados paracálculo do espectro médio.

Figura 3.12 – Visualização dos espectros: eixo 𝑥 indica os pontos de espectro e eixo 𝑦indica a amplitude do sinal

Para analisar os metabólitos presentes em cada um dos espectros pertencentesao subconjunto selecionado, é preciso agora fazer a quantificação dos mesmos. Umafuncionalidade desenvolvida na ferramenta é responsável por criar o espectro médioutilizando apenas os espectros contidos no subconjunto. Tendo o espectro médio, aquantificação poderá ser feita de forma semelhante à quantificação realizada na SVS.

Por fim, para realizar a quantificação do espectro médio pelo LCModel, é necessária acriação de quatros arquivos: .RAW (dados binários que representam os espectros); .H2O(contém dados sem a supressão de água); .CONTROL (parâmetro de inicialização doLCModel) e .BASIC (informação sobre modelo espectral). A ferramenta computacionalgera automaticamente os quatros arquivos após a etapa de seleção dos espectros deinteresse. Todos os arquivos são gravados no Adessowiki e ficam disponíveis para download.A figura 3.13 exibe o resultado da quantificação de um espectro médio, utilizando osoftware LCModel. O espectro médio foi obtido através do cálculo da média de todos osespectros do subconjunto de espectros de interesse. Os espectros foram extraídos da regiãosupraventicular posterior (acima do corpo caloso), e o critério de seleção do subconjunto


de espectros foi uma porcentagem mínima de 80% de WM.

Figura 3.13 – Resultado da quantificação de um espectro médio utilizando o softwareLCModel. O espectro médio foi obtido através da média dos espectros pertencente aosubconjunto de espectros de interesse, selecionados de acordo com um critério de seleção(80% de WM)

45

4 Resultados

Nesse capítulo serão apresentados os resultados obtidos através da aplicação do métodoproposto para seleção automática de espectros de interesse em espectroscopia multi-voxelpor ressonância magnética. Os experimentos tiveram como objetivo analisar a viabilidadede uso do método em dados reais, bem como identificar problemas em abertos e eventuaislimitações.

4.1 Conjunto de dados utilizadosOs espectros foram adquiridos de 97 sujeitos utilizando o equipamento de ressonância

magnética da Philips (Achieva 3T), instalado na Faculdade de Ciências Médicas (FCM)da Universidade Estadual de Campinas - UNICAMP. Além dos espectros, foram utilizadastambém nos experimentos as imagens de ressonância magnética ponderadas em T1,com dimensões de 240 x 240 x 180mm, adquiridas simultaneamente aos espectros. Osespectros foram adquiridos de três regiões distintas: hipocampo, supraventricular posteriore cerebelo. Parâmetros de aquisição: sequência de pulso 2D PRESS; ângulo de excitaçãode 90∘; TE: 144ms e TR: 2000ms. As máscaras de segmentação binárias do hipocampoforam obtidas a partir das imagens T1, tanto através de segmentação manual feita peloespecialista com o software MNI Display, como também de forma automática pelo softwareFreesurfer. Todos os sujeitos foram informados com antecedência e assinaram um termo deconsentimento livre e esclarecido, aprovado pelo comitê de ética em pesquisa da Faculdadede Ciências Médicas (FCM) da Universidade Estadual de Campinas - UNICAMP (no CEP920/2007; CAAE: 0669.0.146.000-07).

4.2 ExperimentosO objetivo dos experimentos foi testar o método proposto, no que diz respeito à

seleção automática de um subconjunto de espectros de interesse da MRSI antes daquantificação propriamente dita. Não era objetivo analisar os resultados de quantificaçãoe correlacioná-los com as doenças. Tendo isso em vista, escolhemos um conjunto de dadosadquiridos de diferentes sujeitos e diferentes regiões do cérebro para testar o método.

4.2.1 Localização espacial dos espectros na imagem de ressonância magnética

Nesta etapa o registro da MRI com o VOI foi testado, tanto com espectros MRSIquanto SVS, adquiridos na região supraventricular posterior (Fig. 4.1), hipocampo (Fig.4.2) e cerebelo (Fig. 4.3). Os resultados também foram comparados visualmente com uma

Capítulo 4. Resultados 46

ferramenta similar, desenvolvida em MATLAB como parte de um trabalho de mestrado[65].

Figura 4.1 – Registro da imagem de ressonância magnética com o volume de interesse(MRSI) adquirido na região supraventricular posterior. Tamanho do VOI (mm): 116.66x 79.9 x 16.0; tamanho do voxel MRS (mm): 8.97 x 6.15 x 16.0; tamanho da imagem(mm): 240.0 x 240.0 x 180.0 e grade de 208 espectros (13 x 16)


Figura 4.2 – Registro da imagem de ressonância magnética com o volume de interesse(MRSI) adquirido na região do hipocampo. Tamanho do VOI (mm): 123.5 x 79.9 x 16.0;tamanho do voxel MRS (mm): 7.72 x 6.15 x 16.0, tamanho da imagem (mm): 240.0 x240.0 x 180.0 e grade de 208 espectros (13 x 16)

Figura 4.3 – Registro da imagem de ressonância magnética com o volume de interesse(SVS) adquirido na região do cerebelo. Tamanho do voxel MRS (mm): 15.0 x 15.0 x 15.0e tamanho da imagem (mm): 240.0 x 240.0 x 180.0

4.2.2 Análise do conteúdo do VOI

Para a realização dos testes nessa etapa, foram utilizados máscaras binárias desegmentação automática (Freesurfer) e manual (MNI Display), máscaras de segmentaçãodos tecidos, GM, WM e CSF (Freesurfer) e espectros MRSI adquiridos na região dohipocampo e na região supraventricular posterior.

4.2.2.1 Análise baseada em porcentagem de tecidos

Após o registro entre a MRI, com as máscaras de segmentação de tecidos e o VOI, asporcentagens de GM, WM e CSF foram calculadas e mostradad nas tabela 4.1 e 4.2.


Tabela 4.1 – Porcentagens de tecidos calculadas nos 2 VOI’s adquiridos de um sujeito

VOI (Região) GM (%) WM (%) CSF (%)Hipocampo 10.46 42.2 47.34Supraventricular posterior 16.75 66.23 17.03

Tabela 4.2 – Porcentagens de tecidos presente em alguns dos espectros do VOI naregião supraventricular posterior.

Espectro GM (%) WM (%) CSF (%)1 11.84 87.29 0.882 1.56 96.7 1.743 0.21 99.79 0.04 0.69 98.96 0.355 3.51 81.58 14.926 5.1 90.44 4.467 9.94 89.01 1.058 22.98 28.73 48.299 19.31 43.91 36.7810 9.69 86.23 4.0811 5.63 78.7 15.6712 1.03 89.58 9.413 1.71 97.22 1.0714 6.57 88.95 4.4915 5.68 92.09 2.2416 0.86 96.14 3.017 9.34 87.48 3.1718 1.25 95.01 3.7419 2.12 97.88 0.020 0.69 98.44 0.8721 2.12 92.42 5.4722 3.94 94.52 1.5423 10.09 89.39 0.5324 23.16 33.33 43.525 22.92 44.68 32.426 7.91 85.54 6.5427 9.28 87.57 3.1528 0.51 95.74 3.7529 3.85 93.37 2.7830 3.62 90.69 5.6931 3.98 92.56 3.4632 3.66 93.55 2.8


4.2.2.2 Análise baseada em intersecção com estruturas de interesse

Após o registro entre a MRI, com a máscara binária de segmentação (hipocampo) e oVOI (Fig. 4.4), foi possível calcular as porcentagens de intersecção entre a máscara bináriade segmentação (hipocampo) em cada espectro do VOI. O resultado obtido é mostradona tabela 4.3.

Figura 4.4 – Máscara binária de segmentação do hipocampo gerada pelo software MNIDisplay registrada à MRI e ao VOI adquirido na região do hipocampo


Tabela 4.3 – Listagem de 160 espectros adquiridos na região do hipocampo e asporcentagens de intersecção com a máscara binária de segmentação. VOI (mm): 100.52x 84.74 x 16.0; voxel MRS (mm): 7.73 x 5.3 x 16.0 e grade de 208 espectros (13 x 16)

Espectro Máscara (%) Espectro Máscara (%)1 0.0 41 0.02 0.0 42 0.03 0.0 43 0.04 1.99 44 0.665 4.61 45 2.716 4.32 46 4.517 0.0 47 2.438 0.0 48 0.09 0.0 49 0.010 0.0 50 1.6511 0.0 51 30.0312 0.0 52 37.8913 0.0 53 24.6514 0.0 54 10.6715 0.0 55 0.016 0.0 56 0.017 0.0 57 0.018 0.0 58 0.019 0.27 59 0.020 6.0 60 1.3521 8.16 61 5.6322 5.63 62 8.3123 0.0 63 6.624 0.0 64 0.025 0.0 65 0.026 0.0 66 2.9727 0.0 67 39.3428 0.0 68 51.7429 0.0 69 34.930 1.36 70 16.2231 0.35 71 0.032 0.0 72 0.033 0.0 73 0.034 0.0 74 0.035 7.89 75 0.036 19.93 76 1.7537 12.15 77 10.7338 8.36 78 18.5739 0.0 79 19.840 0.0 80 1.64


Tabela 4.4 – Listagem dos espectros selecionados (em vermelho). O critério de seleçãoutilizado foi uma intersecção com a máscara binária de segmentação de pelo menos 30%

Espectro Máscara (%) Espectro Máscara (%)1 0.0 41 0.02 0.0 42 0.03 0.0 43 0.04 1.99 44 0.665 4.61 45 2.716 4.32 46 4.517 0.0 47 2.438 0.0 48 0.09 0.0 49 0.010 0.0 50 1.6511 0.0 51 30.0312 0.0 52 37.8913 0.0 53 24.6514 0.0 54 10.6715 0.0 55 0.016 0.0 56 0.017 0.0 57 0.018 0.0 58 0.019 0.27 59 0.020 6.0 60 1.3521 8.16 61 5.6322 5.63 62 8.3123 0.0 63 6.624 0.0 64 0.025 0.0 65 0.026 0.0 66 2.9727 0.0 67 39.3428 0.0 68 51.7429 0.0 69 34.930 1.36 70 16.2231 0.35 71 0.032 0.0 72 0.033 0.0 73 0.034 0.0 74 0.035 7.89 75 0.036 19.93 76 1.7537 12.15 77 10.7338 8.36 78 18.5739 0.0 79 19.840 0.0 80 1.64


Tabela 4.5 – Listagem dos espectros selecionados (vermelho). Critério de seleçãoutilizado: região de onde o espectro foi adquirido (voxel) contenha no mínimo 90% deWM

Espectro GM (%) WM (%) CSF (%)1 11.84 87.29 0.882 1.56 96.7 1.743 0.21 99.79 0.04 0.69 98.96 0.355 3.51 81.58 14.926 5.1 90.44 4.467 9.94 89.01 1.058 22.98 28.73 48.299 19.31 43.91 36.7810 9.69 86.23 4.0811 5.63 78.7 15.6712 1.03 89.58 9.413 1.71 97.22 1.0714 6.57 88.95 4.4915 5.68 92.09 2.2416 0.86 96.14 3.017 9.34 87.48 3.1718 1.25 95.01 3.7419 2.12 97.88 0.020 0.69 98.44 0.8721 2.12 92.42 5.4722 3.94 94.52 1.5423 10.09 89.39 0.5324 23.16 33.33 43.525 22.92 44.68 32.426 7.91 85.54 6.5427 9.28 87.57 3.1528 0.51 95.74 3.7529 3.85 93.37 2.7830 3.62 90.69 5.6931 3.98 92.56 3.4632 3.66 93.55 2.833 5.68 91.21 3.1135 1.07 98.29 0.6436 0.17 99.48 0.3537 0.35 98.06 1.5838 2.89 95.11 2.039 13.01 84.85 2.1440 30.14 37.56 32.341 28.8 38.02 33.1842 14.72 78.28 7.0


4.2.3 Seleção do subconjunto dos espectros de interesse

No caso de interesse em um determinada estrutura, e como muito dos espectros nãoestão contidos (parcialmente ou totalmente) na região de interesse delimitada pela máscarade segmentação binária, ficará a critério do especialista decidir o valor de aceitação, ouseja, a porcentagem de intersecção entre a máscara binária de segmentação e o VOI.Considerando o exemplo da tabela 4.3, se o critério de seleção adotado for 30% teremos29 espectros selecionados conforme mostrado na tabela 4.4.

Essa etapa é fortemente dependente da máscara binária de segmentação utilizadana etapa anterior de análise baseada em intersecção com as estruturas. Para ilustrara influência da máscara utilizada no conjunto de espectros selecionados, fizemos umexperimento de seleção de espectros pertencente à região do hipocampo, desta vez com amáscara binária de segmentação do hipocampo gerada pelo software Freesurfer. É possívelobservar na figura 4.5 que o número de espectros selecionados é menor.

No caso de análise em um determinado tipo de tecido, por exemplo, substância branca(WM), o especialista define o critério de seleção, ou seja, a porcentagem de WM que oespectro deve conter para ser incluído na seleção. Considerando o exemplo da tabela 4.2, seo critério de seleção adotado for 90% de WM teremos 22 espectros selecionados conformemostrado na tabela 4.5.

4.2.4 Visualização dos espectros

Mesmo após a seleção dos espectros de interesse de acordo com tipo da análise (tecidosou estruturas), alguns dos espectros selecionados estão ruidosos e poderá prejudicar aquantificação. Neste caso, fica a critério do especialista decidir escolher uma lista deespectros a ser excluídos antes da quantificação. Na figura 4.6 é mostrado uma listagemdos espectros selecionados e a visualização de alguns deles. Nesse exemplo, o VOI foiadquirido no região do hipocampo, com as seguintes dimensões: tamanho (mm): 100.52 x84.74 x 16.0; tamanho do voxel MRS (mm): 6.28 x 6.52 x 16.0 e grade de 208 espectros.O critério para a seleção do espectro foi que cada um deles tenha no mínimo 25% deintersecção com a máscara binária de segmentação.


Figura 4.5 – Listagem dos espectros selecionados de acordo com o critério de seleçãode 25% e as porcentagens de intersecção com a máscara binária de segmentação(esquerda: manual e direita: automática) em cada um deles


Figura 4.6 – Listagem do subconjunto de espectros selecionado, cujo critério de seleçãoutilizado foi que cada um deles tenha no mínimo 25% de intersecção com a máscarabinária de segmentação e a visualização de apenas 16 espectros selecionados

56

5 Discussões

Através dos experimentos realizados, pudemos demonstrar que o método proposto érobusto, pois foi testado utilizando de dados de MRSI adquiridos de diferentes regiões docérebro. Como os dados para executar a localização espacial e o registro dos espectroscom a imagem são extraídos do cabeçalho dos arquivos (espectro e imagem), podemosafirmar que o método é genérico o suficiente para ser inclusive utilizado em dados de MRSadquiridos de outras partes do corpo humano.

Todas as etapas do método foram testadas e validadas com dados reais, utilizando umaferramenta desenvolvida em Python/NumPy e no ambiente web colaborativo chamadoAdessowiki. Isto permite que o método proposto seja utilizado e validado por pesquisadorese usuários que não possuam nenhum conhecimento prévio de programação, uma vez quenovos exemplos podem ser executados na plataforma sem a necessidade de nenhumaconfiguração e/ou instalação por parte do usuário. A documentação está disponível, nãosó nesta dissertação, mas na biblioteca desenvolvida em Python.

Outro ponto a se destacar é o tempo relativamente pequeno necessário para a execuçãoda análise proposta pelo método. A ferramenta computacional é capaz de executar todasas etapas do método (localização espacial dos espectros, análise do conteúdo do VOI eseleção dos espectros de interesse) e também cria os arquivos necessários para fazer aintegração com o software LCModel com o tempo médio de 1 minuto e 15 segundos,levando-se em conta que este tempo inclui não só a execução das rotinas em si, mas acomunicação com a sandbox, que é um ambiente de virtualização de hardware responsávelpela execução restrita do código Python do Adessowiki. Uma versão local da ferramentaseria capaz de rodar a análise proposta em um tempo consideravelmente menor, masintroduziria problemas de instalação e gerenciamento de versões que quisemos evitar.

A etapa de localização espacial dos espectros é uma etapa importante do método,pois através dela, podemos visualizar em cada fatia e nas três vistas na MRI, a região deonde o VOI (MRSI ou SVS) foi adquirido. Esta visualização também é possível utilizandoo software instalado no console do equipamento de ressonância magnética, porém issoacaba sendo inviável. Sendo assim, sem a localização espacial e visualização dos espectrosregistrados à MRI, a quantificação dos espectros, muitas vezes, é feita sem ter a certezada localização espacial do VOI na MRI. Além disso, a riqueza de informação da MRSI édesperdiçada, pois a informação espacial de onde foi adquirido cada um dos espectros édesconsiderada.

A etapa de análise de conteúdo do VOI através do registro com a MRI tambémé importante, pois é ela que permite de fato explorar a técnica MRSI, porém é uma

Capítulo 5. Discussões 57

etapa muito dependente das segmentações de tecidos e/ou da segmentação das estruturasde interesse. A imagem de segmentação em tecidos (GM, WM, CSF) utilizada nosexperimentos, por exemplo, foi gerada pelo Freesurfer e importada para a ferramentacomputacional. Durante o desenvolvimento do método proposto, por exemplo, utilizamosespectroscopia MRSI adquirida na região supraventricular e na região do hipocampo. Naregião supraventricular posterior esperava-se encontrar uma porcentagem muito alta desubstância branca (WM), porém os experimentos mostraram que muitos espectros foramadquiridos numa região com grande porcentagem de substância cinzenta (GM). Isso podeter acontecido por dois motivos: o VOI selecionado ultrapassou a região de interesse; asmáscaras de segmentação de tecidos geradas automaticamente apresentam distorções naregião do VOI.

No exemplo de análise por estrutura, os VOIs adquiridos na região do hipocampoapresentaram uma porcentagem elevada de CSF (em média 40% do VOI). Isso é facilmenteexplicado pela visualização do registro de VOI e a MRI, onde é possível perceber quea região de aquisição de cada espectro ainda é muito grande em comparação coma estrutura estudada. Ou seja, a maioria dos espectros, por mais que interceptem ohipocampo, foram adquiridos em uma região de fronteira, contendo outras estruturas quenão o hipocampo. Essa observação pode levar à conclusão, de que para uma análise dosmetabólitos presentes no hipocampo, talvez o mais adequado seja utilizar a espectroscopiaSVS ao invés da MRSI. Além disso, foi também possível observar que a máscara desegmentação do hipocampo obtida pelo Freesurfer foi para a maioria dos sujeitos menor doque as máscaras geradas manualmente pelo especialista utilizando o MNI Display. Nessescasos, as porcentagens de intersecção entre o VOI e a máscara de segmentação forammenores ainda, se comparadas com as porcentagens de intersecção calculadas utilizandoas máscaras de segmentação gerada pelo Freesurfer.

A etapa de seleção de um subconjunto de espectros de interesse baseado na análise deconteúdo do VOI é uma etapa que não foi automatizada no método proposto. Isso porqueela é muito dependente da aplicação, ou seja, o usuário precisar escolher um critériopara seleção dos espectros dependendo do estudo a ser realizado e de conhecimento apriori da região que está sendo estudada. Por exemplo, se desejarmos selecionar apenasespectros cuja região contém uma porcentagem alta de substância branca devemos utilizarum critério de seleção de 100% de WM, ou um valor próximo disso. Portanto, alémda aplicação do método depender do estabelecimento de critérios para a seleção dosubconjunto de espectros, há também a necessidade de se estudar, para cada aplicação(ou conjunto de aplicações), o quanto o resultado da quantificação do subconjunto dosespectros varia de acordo com o critério de seleção aplicado.

Por fim, a etapa responsável por fazer a preparação dos dados e fazer a quantificaçãodos metabólitos utilizando o LCModel, através do espectro médio, ainda não foi validada

Capítulo 5. Discussões 58

por um especialista. A teoria indica que, ao fazer a média dos espectros selecionados,podemos melhorar a quantificação, uma vez que diminuímos o ruído dos espectros. Porém,pudemos observar que nem todos os espectros selecionados de acordo com algum critério(porcentagem de um determinado tipo de tecido ou intersecção com a máscara bináriade segmentação) deveriam ser considerados para o cálculo do espectro médio, uma vezque são muitos ruidosos. No método proposto, é preciso informar quais destes espectrosdevem ser descartados antes do cálculo da média. Seria interessante estudar uma forma deidentificar automaticamente estes espectros ruidosos e desconsiderá-los antes do cálculoda média.

59

6 Conclusões e Perspectivas

Há ainda muito a se fazer para que a técnica de MRSI possa ser melhor exploradae amplamente utilizada pelos especialistas, tanto em pesquisas relacionadas ao cérebro,quanto em ambientes clínicos. Portanto, é importante o desenvolvimento de novos métodose ferramentas para auxiliar na análise dos dados gerados pela técnica.

Neste trabalho foi apresentado um método para, a partir de aquisições de espectrosMRSI, fazer a seleção automática de um subconjunto de espectros de interesse, vistoa importância dessa tarefa no estudo das alterações metabólicas em diferentes tipos depatologias. O método tem como objetivo permitir explorar melhor os dados adquiridosatravés da técnica de MRSI e fazer a análise dos metabólitos de forma mais adequada.

Atualmente a quantificação dos espectros de MRSI é muitas vezes feita em todos osespectros adquiridos, não levando em consideração que alguns desses espectros podem seragrupados ou descartados durante a análise dos metabólitos, pois foram adquiridos forada região de interesse e principalmente em regiões que contêm diferentes tipos de tecidos.A seleção de espectros, quando feita, é realizada de forma visual e/ou manualmente porum especialista.

Através do método proposto será possível analisar com mais detalhes as regiões deonde foram adquiridos os espectros, como por exemplo, saber a porcentagem de cadatecido presente e ainda, quantificar um subconjunto de espectros de interesse e não ototal de espectros adquiridos, como é feito atualmente.

O método proposto foi implementado em Python/NumPy no ambiente Adessowiki.Por ser um ambiente web, para utilizar a ferramenta não é necessária nenhuma instalaçãoe configuração de equipamento ou de software. Todos os testes foram feitos utilizandodados reais e com ajuda de especialistas.

Os experimentos realizados permitiram fazer algumas observações importantes quantoà qualidade dos dados adquiridos, que poderão servir de base para começar um estudosobre os parâmetros de aquisição e o melhor uso da técnica de MRSI em diferentestipos de estruturas (estruturas cerebrais, tumores ou lesões). Por exemplo, a análise dasporcentagens de tecidos (GM, WM e CSF) no VOI mostrou que a região supraventricularposterior contém em média 10% de CSF, quantidade que parece aceitável e queprovavelmente não prejudicará a análise dos metabólitos. Porém, os espectros nos VOIsadquiridos na região do hipocampo apresentaram poucos espectros com uma intersecçãomaior que 50% com a máscara de segmentação, indicando que a técnica de MRSI, pelomenos com os parâmetros de aquisição praticados nos dados utilizados neste trabalho,não permite um estudo adequado dos metabólitos presentes nesta estrutura.

Capítulo 6. Conclusões e Perspectivas 60

6.1 PerspectivasComo continuidade deste trabalho, identificamos a necessidade de fazer uma análise

detalhada das diferenças obtidas na quantificação feita em todos os espectros adquiridose na quantificação utilizando o método proposto para a seleção de um subconjunto deespectros de interesse (estruturas ou tecidos). Além disso, é preciso investigar qual amelhor forma de obter um espectro médio do subconjunto escolhido, permitindo ainda odescarte de outliers ou espectros muito ruidosos para não contaminar o espectro médioobtido.

Também percebemos que pode ser interessante disponibilizar a ferramentacomputacional em forma de toolbox, acompanhada de uma documentação em português,com exemplos didáticos e ilustrações. Dessa forma, outros grupos de pesquisa poderãopassar a utilizar o método proposto, ajudando a validá-lo e propondo melhorias.

6.2 PublicaçõesOs resultados obtidos neste projeto de mestrado foram apresentados em eventos

científicos na área da Engenharia Biomédica e de Imagens Médicas. O trabalho intitulado“Ferramenta computacional para análise e visualização de espectroscopia multi-voxel porressonância magnética” foi apresentado no XXIV Congresso Brasileiro de EngenhariaBiomédica (CBEB) - 2014 e publicados nos anais do evento [66].

Outro trabalho foi apresentado no 2nd BRAINN Congress Brazilian Institute ofNeuroscience and Neuro-technology (CEPID–FAPESP) - 2015, realizado na UniversidadeEstadual de Campinas, com o título “Developing a web-based tool for visualization andanalysis of multi-voxel magnetic resonance spectroscopy” e publicado na revista Journalof Epilepsy and Clinical Neurophysiology - JECN [67].

Por fim, o trabalho “Metodologia para seleção de espectros de interesse emespectroscopia multi-voxel por ressonância magnética” foi apresentado no XXV CongressoBrasileiro de Engenharia Biomédica (CBEB) - 2016, tendo sido também publicado nosanais do evento [68].

61

Referências

[1] Salibi, N., Brown, M. A. Clinical MR Spectroscopy: First Principles. Nova Jersey,EUA: Wiley, 1998. ISBN 9780471182801.

[2] Negendank, W. Studies of human tumors by MRS: a review. NMR in Biomedicine,Wiley Online Library, v. 5, n. 5, p. 303–324, 1992.

[3] Van, D. S., Berkelbach, J. W., Luyten, P. R., Van, R. P. C., Tulleken, C. A., Den ,H. J. A. Cerebral lactate detected by regional proton magnetic resonance spectroscopyin a patient with cerebral infarction. Stroke, Am Heart Assoc, v. 19, n. 12, p. 1556–1560,1988.

[4] Frittoli, R. B., Oliveira, P. K., Bellini, B. S., Marini, R., Fernandes, P. T.,Appenzeller, S.,. Associação entre desempenho acadêmico e disfunção cognitiva empacientes com lúpus eritematoso sistêmico juvenil. Revista brasileira de reumatologia,Elsevier, v. 56, n. 3, p. 252–257, 2016.

[5] Zimny, A., Szmyrka, K. M., Szewczyk, P., Bladowska, J., Pokryszko, D, A.,. In vivoevaluation of brain damage in the course of systemic lupus erythematosus using magneticresonance spectroscopy, perfusion-weighted and diffusion-tensor imaging. Lupus, SagePublications, v. 23, n. 1, p. 10–19, 2014.

[6] Gal, Y., Twig, G., Mozes, O., Greenberg, G., Hoffmann, C., Shoenfeld, Y. Centralnervous system involvement in systemic lupus erythematosus: an imaging challenge. TheIsrael Medical Association journal: IMAJ, v. 15, n. 7, p. 382–386, 2013.

[7] Holshouser, B. A., Ashwal, S., Shu, S., Hinshaw, D. B. Proton MR spectroscopy inchildren with acute brain injury: comparison of short and long echo time acquisitions.Journal of Magnetic Resonance Imaging, Wiley Online Library, v. 11, n. 1, p. 9–19,2000.

[8] Makoroff, K. L., Cecil, K. M., Care, M., Ball J. R., William S. Elevated lactate asan early marker of brain injury in inflicted traumatic brain injury. Pediatric radiology,Springer, v. 35, n. 7, p. 668–676, 2005.

[9] Melo, H. J., Szejnfeld, D., Paiva, C. S., Abdala, N., de Arruda, H. O., Goldman,S. M., Szejnfeld, J. Espectroscopia por ressonância magnética no diagnóstico do câncerde próstata: experiência inicial. Radiologia Brasileira, Radiologia Brasileira, v. 42, n. 1,p. 1–6, 2009.

[10] Barker, P. B., Bizzi, A., De Stefano, N., Lin, D. D. M. Clinical MR spectroscopy:techniques and applications. Cambridge University Press: United Kingdom, 2010.

[11] Zhi-Pei, L., Lauterbur, P. C.,. Principles of magnetic resonance imaging: a signalprocessing perspective. The Institute of Electrical and Electronics Engineers Press: IEEE,2000.

[12] Provencher, S. W. Automatic quantitation of localized in vivo 1H spectra withLCModel. NMR in Biomedicine, Wiley Online Library, v. 14, n. 4, p. 260–264, 2001.

Referências 62

[13] Stefan, D. D. C. F., Di Cesare, F., Andrasescu, A., Popa, E., Lazariev, A., Vescovo,E., Strbak, O. Quantitation of magnetic resonance spectroscopy signals: the jMRUIsoftware package. Measurement Science and Technology, IOP Publishing, v. 20, n. 10, p.104035, 2009.

[14] Laatikainen, R., Niemitz, M., Korhonen, S. P., Hassinen, T., Venäläinen, T. PerchNMR software. PERCH - Pneumonia Etiology Research for Child Health: PERCHProject, 2011.

[15] Vanhamme, L., Van, D. B. A., Van, H. S. Improved method for accurate andefficient quantification of mrs data with use of prior knowledge. Journal of MagneticResonance, Elsevier, v. 129, n. 1, p. 35–43, 1997.

[16] Ratiney, H., Sdika, M., Coenradie, Y., Cavassila, S. Time-domain semi-parametricestimation based on a metabolite basis set. NMR in Biomedicine, Wiley Online Library,v. 18, n. 1, p. 1–13, 2005.

[17] Maudsley, A. A., Wu, Z., Meyerhoff, D. J., Weiner, M. W. Automated processing forproton spectroscopic imaging using water reference deconvolution. Magnetic resonancein medicine, Wiley Online Library, v. 31, n. 6, p. 589–595, 1994.

[18] Doyle, T. J., Pathak, R., Wolinsky, J. S., Narayana, P. A. Automated protonspectroscopic image processing. Journal of Magnetic Resonance, Series B, Elsevier,v. 106, n. 1, p. 58–63, 1995.

[19] Rao, S. B., He, R., Mehta, M., Narayana, P. A. Automated quantitation of protonmagnetic resonance spectroscopic imaging. In: IEEE. Engineering in Medicine andBiology Society, 2003. Proceedings of the 25th Annual International Conference ofthe IEEE. The Institute of Electrical and Electronics Engineers Press, 2003. v. 1, p.513–516.

[20] Fuster, G. E. Biomedical signal analysis in automatic classification problems. Tese(Doutorado) — Editorial Universitat Politècnica de València, 2012.

[21] Carlos, S. B. D. . Estudo da viabilidade da utilização da técnica de MRS in vivoem experimentos funcionais - Dissertação (Mestrado em Física). Universidade Estadualde Campinas - UNICAMP, Instituto de Física “Gleb Wataghin“, 2010.

[22] Landim, R. C. G. . Utilização da fMRS para o estudo da variação deN-acetil-aspartato e N-acetil-aspartato-glutamato durante a ativação cerebral.Universidade Estadual de Campinas - UNICAMP, Instituto de Física “Gleb Wataghin“,2013.

[23] Baena, S. P. C. . Quantificação de sinais de MRS do cérebro in-vivo paraclassificação de tumores - Dissertação (Mestrado em Física). Universidade Estadual deCampinas - UNICAMP, Instituto de Física “Gleb Wataghin“, 2008.

[24] Silva, C. M. P. . KBDM como ferramenta para processamento de sinais deEspectroscopia por Ressonância Magnética - Dissertação (Mestrado em Ciências).Universidade de São Paulo - USP, Instituto de Física de São Carlos, 2013.

[25] Bloch, Felix. Nuclear induction. Physical review, APS, v. 70, n. 7-8, p. 460, 1946.

Referências 63

[26] Pykett, I. L., Newhouse, J. H., Buonanno, F. S., Brady, T. J., Goldman, M. R.,Kistler, J.P., and Pohost, G. M.,. Principles of nuclear magnetic resonance imaging.Radiology, v. 143, n. 1, p. 157–168, 1982.

[27] Drost, D. J., Riddle, W. R., Clarke, G. D.,. Proton magnetic resonance spectroscopyin the brain. Medical physics, Wiley Online Library, v. 29, n. 9, p. 2177–2197, 2002.

[28] De Graaf, R. A. In vivo NMR spectroscopy: principles and techniques. Wiley OnlineLibrary: John Wiley & Sons, 2013.

[29] Hornak J. P. The Basics of NMR. 1997. Acessado em 12/03/2017. Disponível em:<http://www.cis.rit.edu/htbooks/nmr/>.

[30] Barker, P. B. N-acetyl aspartate — A Neuronal Marker. Annals of neurology, WileyOnline Library, v. 49, n. 4, p. 423–424, 2001.

[31] Tedeschi, G., Lundbom, N., Raman, R ., Bonavita, S ., Duyn, J. H., Alger, J. R.,Chiro, G. D. Increased choline signal coinciding with malignant degeneration of cerebralgliomas: a serial proton magnetic resonance spectroscopy imaging study. Journal ofneurosurgery, Journal of Neurosurgery Publishing Group, v. 87, n. 4, p. 516–524, 1997.

[32] Tzika, A. A., Vajapeyam, S., Barnes, P. D. Multivoxel proton MR spectroscopyand hemodynamic MR imaging of childhood brain tumors: preliminary observations.American journal of neuroradiology, Am Soc Neuroradiology, v. 18, n. 2, p. 203–218,1997.

[33] Miller, B. L. A review of chemical issues in 1H NMR spectroscopy:N-acetyl-l-aspartate, Creatine and Choline. NMR in Biomedicine, Wiley OnlineLibrary, v. 4, n. 2, p. 47–52, 1991.

[34] Krishnamoorthy, T., Radhakrishnan, V. V., Thomas, B., Jeyadevan, E. R.,Menon, G., Nair, S. Alanine peak in central neurocytomas on proton MR spectroscopy.Neuroradiology, Springer, v. 49, n. 7, p. 551–554, 2007.

[35] Alger, J. R., Frank, J. A ., Bizzi, A ., Fulham, M. J ., DeSouza, B. X., Duhaney, M.O., Inscoe, S. W. Metabolism of human gliomas: assessment with H-1 MR spectroscopyand F-18 fluorodeoxyglucose PET. Radiology, v. 177, n. 3, p. 633–641, 1990.

[36] Sutton, L, N., Wang, Z., Duhaime, A. C., Costarino, D., Sauter, R., Zimmerman,R. Tissue lactate in pediatric head trauma: a clinical study using 1H NMR spectroscopy.Pediatric neurosurgery, Karger Publishers, v. 22, n. 2, p. 81–87, 1995.

[37] Zhang, Y., Shen, J. Simultaneous quantification of glutamate and glutamine byJ-modulated spectroscopy at 3 tesla. Magnetic resonance in medicine, Wiley OnlineLibrary, 2015.

[38] Castillo, M., Smith, J. K., Kwock, L. Correlation of myo-inositol levels and gradingof cerebral astrocytomas. American Journal of Neuroradiology, Am Soc Neuroradiology,v. 21, n. 9, p. 1645–1649, 2000.

[39] Naressi, A., Couturier, C., Devos, J. M., Janssen, M., Mangeat, C., De Beer, R.,Graveron-Demilly, D. . Java-based graphical user interface for the MRUI quantitationpackage. Magnetic Resonance Materials in Physics, Biology and Medicine, Springer,v. 12, n. 2-3, p. 141–152, 2001.

http://www.cis.rit.edu/htbooks/nmr/

Referências 64

[40] Serkova, N. J., Brown, M. S. Quantitative analysis in magnetic resonancespectroscopy: from metabolic profiling to in vivo biomarkers. Bioanalysis, Future Science,v. 4, n. 3, p. 321–341, 2012.

[41] Gideon, P., Henriksen, O., Sperling, B., Christiansen, P., Olsen, T. S.,. Early timecourse of N-acetylaspartate, creatine and phosphocreatine, and compounds containingcholine in the brain after acute stroke. A proton magnetic resonance spectroscopy study.Stroke, Am Heart Assoc, v. 23, n. 11, p. 1566–1572, 1992.

[42] Graham, G. D., Blamire, A. M., Howseman, A. M., Rothman, D. L., Fayad, P. B.,Brass. Proton magnetic resonance spectroscopy of cerebral lactate and other metabolitesin stroke patients. Stroke, Am Heart Assoc, v. 23, n. 3, p. 333–340, 1992.

[43] Thurman, D. J., Alverson, C., Dunn, K. A., Guerrero, J., Sniezek, J. E. Traumaticbrain injury in the united states: A public health perspective. The Journal of headtrauma rehabilitation, v. 14, n. 6, p. 602–615, 1999.

[44] Graham, D. I., McIntosh, T. K., Maxwell, W. L., Nicoll, J. A. R. Recent advancesin neurotrauma. Journal of Neuropathology & Experimental Neurology, The OxfordUniversity Press, v. 59, n. 8, p. 641–651, 2000.

[45] Ashwal, S., Holshouser, B. A., Shu, S. K., Simmons, P. L., Perkin, R. M., Tomasi,L. G., Knierim, D. S. Predictive value of proton magnetic resonance spectroscopy inpediatric closed head injury. Pediatric neurology, Elsevier, v. 23, n. 2, p. 114–125, 2000.

[46] Ashwal, S., Holshouser, B., Tong, K., Serna, T., Osterdock, R. Proton MRspectroscopy detected glutamate/glutamine is increased in children with traumatic braininjury. Journal of neurotrauma, Mary Ann Liebert, Inc. 2 Madison Avenue Larchmont,NY 10538 USA, v. 21, n. 11, p. 1539–1552, 2004.

[47] Scheidler, J., Hricak, H., Vigneron, D. B., Yu, K. K., Sokolov, D. L., Huang,L. R. Prostate cancer: Localization with three-dimensional proton MR SpectroscopicImaging—Clinicopathologic Study 1. Radiology, Radiological Society of North America,v. 213, n. 2, p. 473–480, 1999.

[48] Yu, K.K., Hricak, H. Imaging prostate cancer. Radiologic Clinics of North America,v. 38, n. 1, p. 59–85, 2000.

[49] Costello, LC and Franklin, RB, and and Narayan, P. Citrate in the diagnosis ofprostate cancer. The Prostate, NIH Public Access, v. 38, n. 3, p. 237, 1999.

[50] Frahm, J., Merboldt, K. D., Hänicke, W. Localized proton spectroscopy usingstimulated echoes. Journal of Magnetic Resonance (1969), Elsevier, v. 72, n. 3, p.502–508, 1987.

[51] Brown, M. A., Semelka, R. C. MRI: basic principles and applications. Wiley OnlineLibrary: John Wiley & Sons, 2011.

[52] Van, D. G, M. In vivo magnetic resonance spectroscopy: basic methodology andclinical applications. European Biophysics Journal, Springer, v. 39, n. 4, p. 527–540,2010.

Referências 65

[53] Allen D. Elster. Welcome to the Questions and Answers in MRI Website. 1994.Acessado em 03/01/2017. Disponível em: <http://mriquestions.com/single-v-multi-voxel.html>.

[54] Mountford, C. E., Stanwell, P., Lin, A., Ramadan, S., Ross, B. Neurospectroscopy:the past, present and future. Chemical reviews, ACS Publications, v. 110, n. 5, p.3060–3086, 2010.

[55] Toussaint, G. T., Avis, D. On a convex hull algorithm for polygons and itsapplication to triangulation problems. Pattern Recognition, Elsevier, v. 15, n. 1, p. 23–29,1982.

[56] Guerrini, L., Belli, G., Mazzoni, L., Foresti, S., Ginestroni, A. D. N., Diciotti,S., Mascalchi, M. Impact of cerebrospinal fluid contamination on brain metabolitesevaluation with 1H-MR spectroscopy: A single voxel study of the cerebellar vermis inpatients with degenerative ataxias. Journal of Magnetic Resonance Imaging, WileyOnline Library, v. 30, n. 1, p. 11–17, 2009.

[57] Dale, A.M., Fischl, B., Sereno, M. I. Cortical surface-based analysis: I. segmentationand surface reconstruction. Neuroimage, Elsevier, v. 9, n. 2, p. 179–194, 1999.

[58] Gussew, A., Rzanny, R., Güllmar, D., Scholle, H.C., Reichenbach, J.R. 1 H-MRspectroscopic detection of metabolic changes in pain processing brain regions in thepresence of non-specific chronic low back pain. Neuroimage, Elsevier, v. 54, n. 2, p.1315–1323, 2011.

[59] Bradski, G., Kaehler, A. Learning OpenCV: Computer vision with the OpenCVlibrary. " O’Reilly Media, Inc.": Sebastopol, CA, 2008.

[60] MacDonald, D.J. MNI-display: Program for display and segmentation of surfacesand volumes. McConnel Brain Imaging Center, Montreal Neurological Institute, 1996.

[61] Lotufo, R. A., Machado, R., Korbes, A., Ramos, R. G. Adessowiki: on-linecollaborative scientific programming platform. Proceedings of the 2009 InternationalSymposium on Wikis, 2009, Orlando, Florida, USA, p. 10, 2009.

[62] Walt, S., Colbert, S.C., Varoquaux, G. The NumPy Array: A Structure for EfficientNumerical Computation. Computing in Science & Engineering, v. 13, n. 2, p. 22–30,2011.

[63] Matthew, B., Michael, H., Ben, M. C., Chris, M, G., Eric, L. . NiBabel: Access acacophony of neuro-imaging file formats. 2006. Acessado em 07/01/2017. Disponível em:<http://nipy.org/nibabel>.

[64] Soher, B. J., Semanchuk, P., Todd, D., Steinberg, J., Young, K,. VeSPA: integratedapplications for rf pulse design, spectral simulation and MRS data analysis. In:Proceedings of 19th Annual Meeting ISMRM. The International Society for MagneticResonance in Medicine: Montréal, Québec, Canada, 2011. p. 1410.

[65] Montelius, M.,. Matlab tool for segmentation and re-creation of H-MRS volumes ofinterest in MRI image stacks. In: ESMRMB October 1–3, Antalya/TR. Department ofRadiation Physics: University of Gothenburg, 2008.

http://mriquestions.com/single-v-multi-voxel.html

http://mriquestions.com/single-v-multi-voxel.html

http://nipy.org/nibabel

Referências 66

[66] Pereira, D. R., Fritolli, R. B., Lapa, A. T., Appenzeller, S., Lotufo, R. A., Rittner,L. . Ferramenta computacional para análise e visualização de espectroscopia multi-voxelpor ressonância magnética. XXIV Congresso Brasileiro de Engenharia Biomédica –CBEB, Uberlândia-MG, 2014.

[67] Pereira, D. R., Fritolli, R. B., Lapa, A. T., Appenzeller, S., Lotufo, R. A., Rittner,L. . Developing a web-based tool for visualization and analysis of multi-voxel magneticresonance spectroscopy. Journal of Epilepsy and Clinical Neurophysiology (JECN),2nd BRAINN Congress Brazilian Institute of Neuroscience and Neuro-technology(CEPID–FAPESP), v. 21, n. 2, p. 66–67, 2015.

[68] Pereira, D. R., Fritolli, R. B., Lapa, A. T., Appenzeller, S., Lotufo, R. A., Rittner,L. . Metodologia para seleção de espectros de interesse em espectroscopia multi-voxel porressonância magnética. XXV Congresso Brasileiro de Engenharia Biomédica – CBEB,Foz do Iguaçu-PR, 2016.

método para seleção automática de espectros de interesse ... · introdução 16 etapa de...

Documents