relatÓrio - paginas.fe.up.pttavares/downloads/publications/... · este relatório tem como...

RELATÓRIO

APLICAÇÕES MATLAB EM

MEDICINA NUCLEAR

Programa Doutoral em Engenharia Biomédica

Unidade Curricular: Tópicos Especiais em Engenharia Biomédica II

Ano Lectivo 2015/2016

REGENTE: PROFESSOR DOUTOR RENATO NATAL JORGE

ORIENTADOR: PROFESSOR DOUTOR JOÃO MANUEL TAVARES

CO-ORIENTADOR: DOUTOR RICARDO VARDASCA

DOMINGOS VIEIRA (200908269)

8 JULHO 2016

Unidade Curricular – Tópicos Especiais em Engenharia Biomédica I

PROGRAMA DOUTORAL EM ENGENHARIA BIOMÉDICA 2

PROGRAMA DOUTORAL EM ENGENHARIA BIOMÉDICA

Unidade Curricular

Tópicos Especiais em Engenharia Biomédica II

“Aplicações MATLAB em Medicina Nuclear”

Regente da Unidade Curricular: Professor Doutor Renato Natal Jorge

Orientador: Professor Doutor João Manuel Tavares

Co-Orientador: Doutor Ricardo Vardasca

Ano Lectivo 2015/2016

Relatório Unidade Curricular – Domingos Vieira (200908269)



ÍNDICE

1 Introdução ............................................................................................................................. 4

2 Estudos Imagiológicos em Medicina Nuclear ........................................................................ 5

2.1 SPECT ............................................................................................................................. 5

2.2 PET ................................................................................................................................. 6

2.3 Imagiologia Hibrida ....................................................................................................... 6

3 MATLAB em Medicina Nuclear.............................................................................................. 8

3.1 Aplicações e Ferramentas MATLAB............................................................................... 8

3.1.1 Digitalização .......................................................................................................... 9

3.1.2 MATLAB Image Tool ............................................................................................ 10

3.1.3 Ajuste de Contraste ............................................................................................. 11

3.1.4 Delineação de Contornos .................................................................................... 11

3.1.5 Interpolação de Imagem ..................................................................................... 12

3.1.6 Filtragem de Imagem .......................................................................................... 13

3.1.7 Segmentação de Imagem .................................................................................... 16

3.1.8 Remoção de fundo .............................................................................................. 17

3.1.9 Co-Registo de imagem ........................................................................................ 19

3.1.10 Volume e Visualização 3D ................................................................................... 19

3.1.11 MATLAB Surface Plot ........................................................................................... 20

3.1.12 DICOM ................................................................................................................. 21

4 QAV-PET .............................................................................................................................. 24

4.1 Definição ..................................................................................................................... 24

4.2 Instalação .................................................................................................................... 24

4.3 Processamento de imagem ......................................................................................... 24

4.3.1 Brilho e Contraste ................................................................................................ 24

4.3.2 Zoom e Centralização .......................................................................................... 25

4.3.3 Cortes .................................................................................................................. 26

4.3.4 Seleccão de Imagens Multimodais ...................................................................... 26

4.3.5 Segmentação ....................................................................................................... 26

4.3.6 Quantificação ...................................................................................................... 28

4.3.7 Renderização e Relatório .................................................................................... 28

5 Conclusão ............................................................................................................................ 30

6 Referências Bibliográficas ................................................................................................... 31



1 INTRODUÇÃO

Este relatório tem como principal objectivo descrever os conteúdos técnico-científicos

apreendidos após realização de breve revisão bibliográfica e de simples manipulações do

software MATLABTM acerca do tema relativo à “Aplicações MATLAB em Medicina Nuclear”,

tendo em vista a cumprir com os requisitos necessários para aprovação à unidade curricular

Tópicos Especiais em Engenharia Biomédica II, no âmbito do Programa Doutoral em Engenharia

Biomédica (PRODEB), ano lectivo 2015-2016.

Os conteúdos em causa foram selecionados com base na sua pertinência face ao tema de tese

final do programa doutoral a que me proponho, após consulta com orientador Professor Doutor

João Manuel Tavares (FEUP).

A ideia de tese a qual me proponho realizar tem por base o estudo das diferentes metodologias

de correcção de atenuação da imagem PET através de dados MRI num contexto da Doença de

Alzheimer e encontrar a melhor solução para esse determinante passo que corresponde a um

dos principais desafios actuais da técnica PET-MRI. O desafio em questão servirá de motivação

de investigação científica para o estudo das capacidades desta técnica híbrida que alia as

vantagens e potencialidades da imagiologia funcional a nível molecular com as virtudes e mais-

valias da imagiologia morfológica, do ponto de vista da optimização dos resultados

imagiológicos e dos indicadores quantitativos com relevância clínica, da optimização de

protocolos de aquisição e de fluxo de procedimentos em estudos cerebrais e por fim na criação

de um repositório digital aberto à comunidade cientifica que permita o estudo e análise de

dados ao longo dos anos, numa perspectiva de investigação mas também numa perspectiva de

agregação de informação e conhecimento com fins clínicos.

Este relatório encontra-se organizado com base em capítulos: sendo que o capítulo 2 diz

respeito aos breves fundamentos científicos e clínicos dos estudos imagiológicos na área da

Medicina Nuclear, no capítulo 3 ao software MATLABTM nomeadamente quanto às suas

aplicações e ferramentas, sendo abordadas genericamente as suas principais opções no

contexto proposto, no capítulo 4 aborda-se a ferramenta Quantitative Analysis and Visualization

on PET Images (QAV-PET) que permite uma análise de imagens funcionais e morfológicas de

forma optimizada e simples, usando como arquitectura base o MATLABTM. O capítulo 5

apresenta as principais conclusões obtidas com o trabalho realizado e o capítulo 6 é respeitante

às referências bibliográficas utilizadas.

Em cada uma das secções do relatório é utilizada a língua inglesa sempre que se revele

apropriado por questões de rigor de denominação de conceitos teóricos, ferramentas e

procedimentos práticos.

Por fim, a quando pertinência de esclarecimento de conteúdos técnico-científicos apreendidos,

um pequeno resumo dos temas e identificação dos principais conhecimentos retidos para

possível aplicação para a tese a que me proponho são mencionados.



2 ESTUDOS IMAGIOLÓGICOS EM MEDICINA NUCLEAR

Em procedimentos de Medicina Nuclear, radionuclídeos são combinados a compostos farmacêuticos, para formar radiofármacos. Estes compostos radiofarmacêuticos são administrados ao paciente, convergem e concentram-se em órgãos específicos ou aglomerados celulares que são mais "activos" do que outros. Isto permite ver por imagem cintigráfica a extensão de um processo funcional no corpo, com base na função fisiológica (celular e metabólica) ao invés de confiar em alterações físicas na anatomia do tecido. Em Medicina Nuclear a radiação emitida é proveniente do interior do corpo, em vez de ser gerada por uma fonte externa, como nas técnicas radiológicas. Esta radiação emitida é então detectada e registada por equipamentos detectores como as câmaras gama ou câmaras positrónicas. Em Medicina, estudos em Medicina Nuclear podem identificar situações patológicas numa fase mais precoce do que quaisquer outros testes de diagnóstico. Para além de técnicas de diagnóstico, a Medicina Nuclear apresenta também a capacidade de efectuar procedimentos terapêuticos com radionuclídeos através do uso de radiofármacos como fontes não seladas.

Em geral numa cintigrafia, estudo de Medicina Nuclear, são geradas imagens referentes à

distribuição de um radiotraçador injetado previamente no paciente, onde podem ser analisadas

de forma visual ou quantitativa através de cálculos de biodistribuição, concentração e\ou de

velocidade de movimento desse radiotraçador. Neste exame são formadas primariamente

imagens funcionais, onde se vê a função celular ou metabólica dos órgãos, em contraste com as

técnicas radiológicas em geral onde são formadas imagens anatómicas, onde apenas se vê a

estrutura dos órgãos. O radiotraçador, ou radiofármaco, é geralmente a união de um

radioisótopo, átomo emissor de onda eletromagnética do tipo raio gama que é o sinal para

formação da imagem, com um análogo de uma molécula fisiológica, traçador que é escolhido

de acordo com o órgão e função a ser estudada. Este método tem como vantagens: fornecer

imagens funcionais, ser um método indolor e não invasivo (o radiotraçador pode ser

administrado por via venosa, oral, inalatória ou subcutânea), a ausência de reação alérgica ao

radiotraçador e uma menor exposição à radiação relacionada a outras técnicas de imagem que

utilizam fontes de radiação. No entanto também tem como desvantagens: a baixa resolução

espacial particularmente em termos anatómicos, a disponibilidade de certos radiotraçadores

não ser imediata (produção em reactores nucleares ou em aceleradores), alguns exames

precisam de preparação prévia prolongada (1 a 90 dias) com restrição de certos tipos de

alimentos e fármacos, e alguns processos fisiológicos a serem estudados não poderem ser

adquiridos em tempo útil, sendo que tipicamente a aquisição das imagens pode levar até 45

minutos para atingirem o seu término.

2.1 SPECT

A SPECT é uma técnica tomográfica de imagem cintigráfica que utiliza a radiação ionizante de

raios gama. É muito semelhante à imagem "planar" da Medicina Nuclear convencional pelo facto

que usa uma câmara gama. Contudo, ela é capaz de fornecer verdadeiro dado em 3D. Na técnica

SPECT, o tipo de radionuclídeo utilizado caracteriza-se por originar apenas um fotão gama por

evento de decaimento radioactivo, ao contrário do par de fotões gama originados na técnica

PET. No entanto como técnica tomográfica CT ou PET, o equipamento em causa gira em redor

do paciente e gera imagens a partir de vários ângulos diferentes. Esta informação é tipicamente

apresentada como cortes transversais do paciente, mas a potente elaboração da imagem



computadorizada pode facilmente ser reformatada em cortes sagitais e coronais ou ser

manipulada quando necessário.

2.2 PET

O PET é um método da Medicina Nuclear que utiliza radionuclídeos que emitem um positrão no momento da sua desintegração, o qual ao se aniquilar com electrões do objecto em análise forma um par de raios gama que são detectados por coincidência para formar as imagens do estudo. O principal estudo PET consiste no uso da glicose ligada a um elemento radioactivo (normalmente flúor radioactivo) que é injectado no paciente. As regiões que metabolizam essa glicose em excesso, tais como tumores ou regiões do cérebro em intensa actividade aparecerão em maior concentração nessas áreas, passiveis de serem visualizadas nas imagens cintigráficas. As imagens informam acerca do estado metabólico dos órgãos e não tanto do seu estado morfológico como as técnicas da radiologia propriamente dita. Podem ser geradas imagens em 3D ou imagens em fatias semelhantes à tomografia computorizada, apresentando valores mais elevados de resolução espacial e sensibilidade que a técnica SPECT.

2.3 IMAGIOLOGIA HIBRIDA

A imagiologia hibrida é um fenómeno recente a nível do diagnóstico médico tendo tido o seu

início de aplicação clínica em meados dos anos 90, após anos de experimentação por Hasegawa

et al 1, através da junção da técnica funcional SPECT com a técnica morfológica CT num mesmo

equipamento passível de aquisição de dados de modo simultâneo, um equipamento SPECT-CT.

Posteriormente em 2001, através da adopção de uma mesma estratégia no que diz respeito á

técnica funcional PET, surgiu disponível comercialmente um equipamento PET-CT, após o

desenvolvimento nos anos anteriores de protótipos, por Townsend et al 2.

Os motivos que estiveram na origem desta combinação entre técnicas deveu-se sobretudo à

possibilidade de aliar as vantagens e potencialidades da imagiologia funcional a nível molecular

com as virtudes e mais-valias da imagiologia morfológica.

O advento da imagiologia híbrida PET-CT teve como principais fundamentos a menor precisão

MRI em diversas indicações clínicas ao contrário do inicialmente considerado pela comunidade

médica nos anos 90, aos elevados níveis de sensibilidade e maior resolução espacial por parte

da técnica PET relativamente à técnica SPECT e a capacidade da componente CT permitir uma

rápida correcção dos níveis de atenuação fotónica inerente ao princípio da técnica PET. Estas

vantagens tornaram-se recorrentes sobretudo no contexto da área de oncologia mas

igualmente nas áreas de cardiologia e neurologia, sendo que hoje em dia comercialmente só

existem disponíveis no mercado equipamentos PET-CT e não equipamentos PET dedicados.

No que diz respeito à junção da técnica funcional PET com a técnica MRI num mesmo

equipamento PET-MRI, o seu desenvolvimento iniciou-se contemporaneamente ao

desenvolvimento do equipamento SPET-CT, por Hammer et al 3 na tentativa de aliar as

vantagens da imagiologia funcional com a maior resolução e à ausência de exposição à radiação

1 Blankespoor SC, Wu X, Kalki K, Brown JK, Tang HR, Cann CE, Hasegawa BH. Attenuation correction of SPECT using x-ray CT on an emission-transmission CT system: Myocardial perfusion assessment. IEEE Trans Nucl Sci. 1996;43:2263–2274 2 Townsend DW. Combined PET/CT: the historical perspective. Seminars in ultrasound, CT, and MR. 2008;29(4):232-

235 3 Hammer B 1990 NMR-PET scanner apparatus Magn. Reson. Imag. 9 4



da técnica MRI, no entanto só em 2010 4 surgiu uma opção viável de equipamento em contexto

clínico. Para o mais tardio aparecimento desta solução de imagiologia híbrida contribuiu a

conhecida incompatibilidade dos detectores PET com o campo magnético da MRI, que obrigou

ao estabelecimento de estratégias industriais de isolamento magnético da componente

eléctrica do PET, mas também à não interferência dos anéis de detectores PET na geração de

um campo magnético estável e homogéneo.

4 Delso G, Fürst S, Jakoby B, et al. Performance measurements of the Siemens mMR integrated whole-body PET/MR

scanner. J Nucl Med. 2011;52:1914–1922



3 MATLAB EM MEDICINA NUCLEAR

Técnicas avançadas de processamento e análise de imagens encontraram ampla utilização na

medicina acompanhando a necessidade de visualização do organismo humano para um correcto

e preciso diagnóstico. Nas aplicações médicas, os dados de imagem são utilizados para recolher

detalhes sobre o processo de doença de um doente, informação que se tornou vital para os

cuidados em Saúde.

As imagens geradas em aplicações médicas são complexas e variam significativamente de

aplicação para aplicação. Imagens de Medicina Nuclear destacam-se das restantes modalidades

imagiológicas por conseguirem fornecer informações sobre as propriedades fisiológicas do

organismo humano, sendo que para se ter imagens de elevada qualidade médica de diagnóstico,

a necessidade de processamento de imagem é ainda mais notório que no caso de outro tipo de

técnicas. O objectivo da área de processamento e análise de imagem com fins de aplicações

médicas é sobretudo o de melhorar a qualidade da imagem adquirida e extrair informações

quantitativas a partir dos dados imagiológicos de uma maneira eficiente e precisa.

MATLABTM (Matrix Laboratory) é um pacote de software interativo de alto desempenho para

computação científica e de engenharia desenvolvido pela MathWorks (Mathworks Inc., 2016).

O MATLABTM permite o cálculo matricial, a implementação de algoritmos, simulação, aplicação

de funções e de dados, e processamento de sinal e imagem através da Image Processing

Toolbox. Este software permite a análise quantitativa e visualização de imagens médicas de

diversas modalidades, tais como a Tomografia Computacional (Computorized Tomography, CT)

Ressonância Magnética (Magnetic Ressonance Imaging, MRI), Tomografia por Emissão de Fotão

Simples (Single Photon Emission Computorize Tomography, SPECT) e Tomografia por Emissão de

Positrões (Positron Emission Tomography, PET). Com o advento da imagiologia híbrida através

da junção de modalidades imagiológicas funcionais (como o SPECT ou o PET) com modalidades

morfológicas (CT ou MRI) a importância de ferramentas como o MATLABTM tornou-se ainda mais

evidente devido à necessidade de adoptar procedimentos de co-registo e de fusão de imagens.

O Image Processing Toolbox (Mathworks Inc., 2016) é um conjunto abrangente de algoritmos

de referência-padrão e de ferramentas gráficas para processamento, análise e visualização de

imagens, bem como o desenvolvimento de algoritmos. A toolbox oferece a possibilidade de

restaurar imagens com ruído ou que apresentam elevada degradação, melhorar as imagens para

uma superior percepção, extrair características, analisar formas e texturas, e registrar imagens.

Assim, inclui todas as funções que o MATLABTM utiliza, a fim de executar qualquer tipo de

tratamento e/ou análise necessária após a aquisição de imagens. A maioria das funções da

toolbox são codificadas em linguagem MATLABTM de acesso livre o que dá oportunidade para o

utilizador inspecionar os algoritmos, modificar o código-fonte e criar funções personalizadas

(Wilson et al, 2003; Perutka, 2010).

3.1 APLICAÇÕES E FERRAMENTAS MATLAB

A qualidade de imagem desempenha um papel importante na Medicina Nuclear uma vez que o

objectivo é alcançar uma imagem fiável do órgão para um diagnóstico preciso e consequente

auxílio no procedimento terapêutico. As características físicas que são usadas para descrever a

qualidade da imagem são sobretudo contraste, resolução espacial e ruído.



Vários problemas decorrentes destes requisitos e da necessidade de alcançar uma melhor

qualidade de imagem têm de ser resolvidos. Processo que se torna muito difícil de ser alcançado

uma vez que alguns conceitos em processamento e análise de imagem são intensivos em termos

de conhecimentos teóricos e de difícil compreensão particularmente para os profissionais de

saúde. Por outro lado, cada fabricante de equipamentos de aquisição de dados normalmente

usa diferentes ambientes de software para a aplicação de reconstrução e visualização de

imagens.

Estas situações complexas podem ser resolvidas usando algoritmos MATLABTM para tornar as

técnicas de processamento mais eficazes na obtenção de informações através de imagens

médicas.

Os dados dos já referidos estudos em Medicina Nuclear são utilizados nas seguintes aplicações

de algoritmos MATLABTM para processamento e análise de imagem. Os exemplos usados são na

sua maioria provenientes de estudos renais, imagens planares e imagens tomográficas,

demonstrações simples da aplicação de ferramentas MATLABTM neste contexto específico.

3.1.1 DIGITALIZAÇÃO

Em todos os sistemas modernos de imagiologia em Medicina Nuclear, as imagens são

apresentadas como uma matriz de elementos de imagem (pixels) discretos, em duas dimensões

(2D) isto é apresentam-se como imagens digitais.

Cada pixel numa imagem digital tem um valor de intensidade e determinadas coordenadas (x,y)

que o identificam espacialmente. No caso de uma imagem de Medicina Nuclear o valor de pixel

mostra o número de contagens associado ao processo de detecção fotónico que nele é

registado. O benefício de um processo de digitalização da informação comparativamente a uma

imagem analógica, é a capacidade de manipulação posterior da imagem digital em termos

computacionais, bem como um registo e armazenamento facilitados.

As imagens digitais são caracterizadas pelo tamanho da matriz, a profundidade de pixels e a sua

resolução. O tamanho da matriz é determinado a partir do número de colunas (m) e o número

de linhas (n) da matriz de imagem (m x n). O tamanho de uma matriz é seleccionado pelo

utilizador. Geralmente, o aumento da dimensão da matriz origina um aumento da resolução

espacial (Gonzalez et al, 2009). As matrizes mais comuns em imagens de Medicina Nuclear são

matrizes 64×64, 128x128, 256 e 256×1024 pixels.

Cada pixel pode tomar 2k de valores diferentes, onde k é a profundidade de bits da imagem. Isto

significa que, para uma imagem de 8 bits, cada pixel pode ter de 1 a 28 (= 256) diferentes níveis

de cor (ou níveis de escala de cinzentos). Imagens de Medicina Nuclear são frequentemente

representadas por 8 ou 16 bits.

O termo “resolução espacial” da imagem refere-se ao número de pixels por unidade de

dimensão da imagem. Em imagens digitais, a resolução espacial depende do tamanho do pixel,

sendo que este é calculado pelo campo de visão (Field of View, FOV), dividido pelo número de

pixels na matriz. Para um FOV padrão, um aumento do tamanho da matriz, diminui o tamanho

do pixel e aumenta a capacidade de ver pontos de menores dimensões, isto é, aumenta a

resolução espacial.

O software MATLABTM oferece funções simples que podem ler imagens de vários formatos e

apresenta um elevado número de mapas de cores. Dependendo do tipo de ficheiro e espaço de

intensidades, a matriz pode ser a duas dimensões, 2D de valores de intensidade (imagens em



tons de cinzento) ou uma matriz a três dimensões, 3D de valores RGB (Red, Green, Blue). No que

diz respeito às imagens de Medicina Nuclear estas podem obedecer a qualquer um destes

critérios: podem assumir uma paleta de escala de cinzentos ou uma paleta de cores RGB.

A Image Processing Toolbox suporta os seguintes tipos de imagens:

imagens binárias (os pixels só podem ter dois valores: 0 ou 1, preto ou branco);

imagens em escala de cinzentos ou de intensidades (os dados de imagem em tons de

cinza representam intensidade ou brilho. Os valores inteiros encontram-se dentro do

intervalo de [0, 2k-1], em que k é a profundidade de bits da imagem. Para uma imagem

típica em escala de cinzentos, cada pixel pode ser representado por 8 bits e os valores

de intensidade podem assumir valores dentro do intervalo de [0,255], em que 0

corresponde a preto e 255 a branco);

Cor ou RGB (uma imagem pode ser exibida utilizando três matrizes, cada uma

correspondente a cada uma das três cores vermelho, verde e azul. Sendo o número total

de bits requeridos para cada pixel e o conjunto de cada um dos componentes de cor

individual assume valores no intervalo [0, 255]);

imagens indexadas (matriz 2D em conjunto com um mapa colorido m×3 (sendo m igual

ao número de colunas na matriz de imagem). Cada linha de mapa especifica os

componentes vermelho, verde e azul de uma única cor, sendo que uma imagem

indexada usa mapeamento directo dos valores de pixel para valores coloridos do mapa.

A cor de cada pixel da imagem é determinada usando o valor correspondente da matriz

como um índice para o mapa).

A imagem em tons de cinzento é o tipo de imagem mais conveniente e preferível no

processamento de imagem em Medicina Nuclear. As imagens indexadas devem ser convertidas

em qualquer um dos outros dois tipos, de modo a serem processadas. As funções utilizadas para

a conversão de tipo de imagem são: rgb2gray, ind2rgb, ind2gray e inversamente. Qualquer

imagem pode também ser transformada num binário usando o comando: im2bw. Além disso,

em qualquer imagem, a função impixelinfo pode ser usada a fim de detectar qualquer valor de

pixel. O utilizador do MATLABTM pode mover o cursor do rato dentro da imagem para

visualização das coordenadas do pixel (x,y), bem como os seus valores (RGB). O alcance do pixel

da imagem pode ser exibida pelo comando imdisplayrange.

3.1.2 MATLAB IMAGE TOOL

O Image Tool é uma ferramenta simples e fácil de usar que pode contribuir para um rápido

processamento e análise de imagem sem necessidade de desenvolver código ou usar linguagem

MATLABTM. Estas propriedades tornam esta ferramenta muito útil quando uma análise

imagiológica muito aprofundada não constitui o objetivo final, mas sim a quando a necessidade

de efectuar um processamento rápido.

O Image Tool pode ser inicializado através do comando imtool na respectiva janela de comandos

do MATLABTM. Em seguida, uma nova janela se abre e o próximo passo é carregar uma imagem.

No menu, existem muitas funções já instaladas, de modo a utilizar a ferramenta como um

software de processamento de imagem simples. As opções da ferramenta incluem informação

relativa à aparência da imagem, zoom, centralização da imagem, o juste do nível de janela e da

sua largura, ajuste de contraste, corte, medição de distância, a conversão da imagem para uma

matriz de pixels e diferentes opções de paleta de cores (escala de cinzentos, entre outras). Estas

são as funções mais comuns que podem ser utilizadas numa abordagem inicial de



processamento. Além disso, o utilizador pode utilizar mais algumas opções, como rotação 3D

para as respectivas imagens 3D e obtenção de dados de pixel.

3.1.3 AJUSTE DE CONTRASTE

Um dos primeiros problemas de processamento de imagem é o ajuste de contraste. A imagem

adquirida não costuma apresentar o contraste desejado relativamente ao objeto em estudo. A

melhoria do contraste é absolutamente necessária uma vez que desse modo a forma de regiões

(por exemplo, órgãos), os seus limites e funcionalidade interna podem ser melhor

representados. Além disso, o delineamento de órgãos pode em muitos casos ser conseguido,

sem retirar a actividade de fundo, sendo garantido apenas com manipulação de contrastes.

O comando que implementa processamento de contraste é a função imadjust. Usando esta

função, o contraste de uma imagem pode ser aumentado ou degradado, se necessário. Além

disso, um resultado muito útil pode ser a inversão da paleta de cores, especialmente no caso de

imagens em escala de cinzentos, em que um objecto de interesse pode ser eficientemente

descrito. A função geral que implementa o aumento de contraste é a seguinte:

J = imadjust(I,[low_in high_in],[low_out high_out],gamma)

enquanto que a função de inversão da cor é:

J = imadjust(I,[0 1],[1 0],gamma); or J = imcomplement(I)

supondo que J é a nova imagem, que I é a imagem inicial e que o fator gama descreve a forma

da curva que descreve a relação entre os valores de I e J. Se o factor gama é omitido, então

considera-se este ser igual a 1.

3.1.4 DELINEAÇÃO DE CONTORNOS

Em muitas imagens de Medicina Nuclear, os limites dos órgãos são de difícil visualização devido

à baixa resolução espacial ou devido à presença de ruído, situações recorrentes nas imagens

cintigráficas.

Para delimitar o contorno de um órgão numa imagem (como por exemplo para o

estabelecimento de Regiões de Interesse - ROIs), o comando imcontour pode ser utilizado. Além

disso, uma variável n define o número de contornos igualmente espaçados necessários. Esta

variável está fortemente relacionada com a intensidade de contagens. Para maiores valores de

n, as linhas são desenhadas com menores espaços entre elas e retratam diferentes faixas de

intensidade.

O tipo de linha de contorno pode igualmente ser especificado. Por exemplo, quando um limite

de 5 níveis, desenhado com linha sólida, é o resultado desejável, toda a função é:

Exemplo 1I = imread(‘kindeys.jpg’)

figure, imshow(I)

J = imcontour(I,5,’-‘)

Figure, imshow(J)



onde J e I representam a imagem final e a imagem inicial, respectivamente, e o símbolo ( '-')

representa o desenho de linha sólida (figura 1)

3.1.5 INTERPOLAÇÃO DE IMAGEM

Interpolação é um tema amplamente abordado na área de processamento de imagem.

Constitui-se como o procedimento mais comum a fim de efectuar uma reamostragem de uma

imagem, de forma a gerar uma nova imagem com base no padrão de uma imagem já existente.

Além disso, a reamostragem é geralmente necessária no processamento de imagem médica,

para melhoria da qualidade da imagem ou tendo em vista a recuperação de informação perdida

após a compressão de uma imagem (Lehmann et al., 1999).

Para o processo de interpolação, o utilizador do MATLABTM possui várias opções. Essas opções

incluem o redimensionamento de uma imagem de acordo com um fator de escala definido, a

escolha do tipo de interpolação e escolha de filtro passa-baixo.

O comando geral que realiza redimensionamento da imagem é a função imresize. No entanto, a

maneira como toda a função tem de necessariamente ser escrita depende fortemente das

características da nova imagem. O tamanho da imagem pode ser definido como um factor de

escala da imagem existente ou como o número exacto de pixels em linhas e colunas. No que

respeita aos tipos de interpolação geralmente utilizados em Medicina Nuclear, estes são os

seguintes: a interpolação de vizinho mais próximo (‘nearest’), onde o pixel de saída obtém o

valor do pixel onde o ponto é aplicado, sem considerar outros pixels; a interpolação bilinear

(‘bilinear’), em que o elemento de imagem de saída obtém um valor médio ponderado dos pixels

2x2 mais próximos; e interpolação cúbica (‘bicubic’), em que o elemento de imagem de saída

obtém um valor médio ponderado dos pixels 4x4 mais próximos (Lehmann et al., 1999).

Quando uma imagem tem de se redimensionar numa nova imagem, com fator de escala e

método especificados, a função de execução da mesma, é:

NewImage = imresize(Image, scale, method)

Por exemplo, para uma dada imagem I, a nova imagem J metade da inicial, usando o método de

interpolação bilinear, a função será:

J = imresize(I, 0.5, ‘bilinear’)

Esta forma de redimensionamento da imagem contribui para a conversão de informação da

imagem durante tal processo, um facto que é extremamente vantajoso quanto à precisão de

uma medição. A interpolação bilinear é frequentemente usada para aumentar o zoom numa

imagem 2D, para renderização ou para fins de visualização. Para além dos métodos anteriores,

o método de convolução cúbica pode ser aplicado a imagens volumétrica a 3D.

Figura 1 – Exemplo de delineação de Regiões de Interesse (ROIs) num estudo cintigráfico renal. a) imagem original com visualização dos rins, b) contorno de órgãos com n=15 e c) contorno de órgãos com n=5



3.1.6 FILTRAGEM DE IMAGEM

Os fatores que degradam a qualidade das imagens de Medicina Nuclear resultam em imagens

esborratadas, com baixa resolução espacial e elevada presença de ruído. Um dos fatores mais

importantes que afecta a qualidade das imagens é a filtragem de imagem. A filtragem de

imagens é um processamento matemático para remoção de ruído e recuperação de resolução.

O objetivo da filtragem é compensar a perda de detalhe numa imagem, reduzindo o ruído. Filtros

podem suprimir ruído, bem como tornar mais nítida ou menos nítida a imagem. Deste modo, os

filtros podem melhorar muito a resolução da imagem e limitar a sua degradação.

Uma imagem pode ser filtrada quer no domínio das frequências, quer no domínio espacial. No

primeiro caso, os dados sofrem acção da transformada de Fourier, associada à multiplicação

através de um dado filtro. Em seguida, os dados voltam para o domínio espacial com aplicação

da transformada de Fourier inversa.

A filtragem no domínio espacial exige uma máscara de filtro que também é conhecida como

kernel ou filtro de convolução. A máscara de filtro é normalmente uma matriz de

probabilidade, normalmente de tamanho, que é aplicada directamente nos dados originais da

imagem. A máscara está centrada em cada pixel da imagem inicial.

Para cada posição da máscara os valores de pixel da imagem são multiplicados pela valores da

máscara correspondente. Os produtos destas multiplicações são então adicionados e o valor do

pixel central da imagem original é substituído pela soma. Este deve ser repetido para cada pixel

na imagem (figura 2).

Se o filtro, através dos quais foi calculado o novo valor de pixel, é uma função linear da totalidade

dos valores de pixel na máscara de filtro (por exemplo, a soma dos produtos), então o filtro é

denominado de linear. Se o pixel de saída não é uma combinação ponderada linear do pixel de

entrada da imagem, então o filtro é denominado de não-linear.

De acordo com a gama de frequências, os filtros podem ser classificados como fitros passa-baixo

ou passa-alto. Filtros passa-baixo permitem que as baixas frequências se mantenham enquanto

que as altas frequências não são aproveitadas. Os filros passa-baixo removem ruído e suavizam

a imagem, mas ao mesmo tempo originam um esborratamento na imagem ou seja, uma perda

de definição e de contraste, uma vez que não preserva detalha de contornos. Em oposição, os

filtros de passa-alto permitem uma maior nitidez dos contornos da imagem (áreas da imagem

onde o sinal muda rapidamente) e reforçam a informação de detalhe do objeto. Uma

Figura 2 - Filtragem de imagem digital no domínio espacial



desvantagem grave da filtragem passa-alto é a amplificação do ruído estatístico presente nas

contagens medidas.

Como exemplo de aplicação de filtragem de dados é possível referir os filtros de média, de

mediana ou o filtro Gaussiano (figura 3).

O filtro Gaussiano é um filtro linear passa-baixo. Uma máscara com filtro Gaussiano apresenta a

forma de uma curva em formato de sino, com um ponto alto no centro e secções simétricas

periféricas. A aplicação do filtro de Gauss produz, para cada pixel da imagem, uma média

ponderada de tal modo que o pixel mais central contribui mais significativamente para o

resultado que os pixels nas periferias da máscara (O'Gorman et al, 2008). AS ponderações são

calculadas de acordo com a função de Gauss:

onde μ, é a media e σ, o desvio-padrão.

O grau de suavização depende do desvio padrão. Quanto maior for o desvio-padrão, mais suave

a imagem é retratada. O filtro Gaussiano é muito eficaz na redução do ruído de impulsos e do

ruído de Gauss. O ruído gaussiano é causado por variações aleatórias na intensidade e tem uma

distribuição que segue a curva de Gauss.

Utilizando no MATLABTM a Image Processing Toolbox é possível desenhar e aplicar filtros nos

dados das imagens. Para a filtragem linear, o MATLABTM disponibiliza o comando fspecial para

gerar filtros 2D:

h=fspecial(filtername, parameters)

O filtername é o comando que permite identificar o tipo de filtro a aplicar (média, gaussiano,

laplaciano, entre outros) enquanto que o comando parameters diz respeito às propriedades dos

filtros específicos que são utilizados. Os filtros são aplicados às imagens 2D usando a função

filter2 sob a forma:

Y = filter2 (H, X)

Figura 3 - Exemplo de função filtro Gaussiano a duas dimensões (2D)



A função filter2 filtra os dados na matriz X com o filtro h. Para imagens multidimensionais a

função imfilter é utilizada.

B = imfilter (a, h)

A função imfilter é mais geral do que a função filter2. Para filtragem não-linear em MATLABTM

função nlfilter é aplicada, o que requer três argumentos: a imagem de entrada, o tamanho do

filtro e a função a ser utilizada.

B = nlfilter (A, [m n], fun)

O exemplo seguinte descreve alguns dos comandos que podem ser utilizados para a aplicação

de um simples filtro de média (average) numa imagem cintigráfica para diferentes tamanhos de

kernel de convolução (para 3×3, 9×9, 15x15, 20x20 e 25×25; figura 4).

h=fspecial('average', [3 3]);

b=imfilter(a,h);

figure, imshow(b);

i=fspecial('average', [9 9]);

c=imfilter(b,h);

figure, imshow(c);

j=fspecial('average', [25 25]);

d=imfilter(c,h);

figure, imshow(d);

Os filtros de média suavizam a imagem, diminuindo as diferenças entre intensidades nos pixels.

As imagens filtradas não apresentam contornos na mesma extensão como na imagem original.

Para maior tamanho de kernel, menor a nitidez de detalhe.

Figura 4 – Filtro de Média aplicado em imagens de estudos cintigráficos renais. a) imagem original, b) filtro 3x3, c) filtro 9x9, d) filtro 15x15, e) filtro 20x20 e f) filtro 25x25



3.1.7 SEGMENTAÇÃO DE IMAGEM

A segmentação de imagens consiste no processo pelo qual uma imagem é dividida em partes,

regiões ou objetos que a constituem, a fim de isolar e estudar separadamente determinadas

áreas da imagem de modo específico. Este processo auxilia na detecção de determinadas

regiões funcionais de uma imagem cintigráfica, que não são facilmente visualizadas na imagem

original.

O processo de segmentação foi desenvolvido a partir de diferentes abordagens como a

delineação de um objecto numa imagem de gradiente, delineação de uma ROI ou separando

componentes convexos em imagens derivadas da transformada de distância. Em Medicina

Nuclear, técnicas de segmentação são usadas para detectar a dimensão de um tecido, um órgão,

ou de uma região patológica dentro de uma imagem, os limites de estruturas de origem

desconhecida e áreas em que o radiofármaco é captado em maior quantidade. Assim, o processo

de segmentação constitui passo fundamental no processamento básico de imagens médicas

(Behnaz et al, 2010).

Há duas formas de segmentação de imagem: segmentação com base nas descontinuidades e,

segmentação com base nas semelhanças das estruturas dentro de uma imagem. Nas imagens

cintigráficas, a primeira opção é utilizada em maior número de aplicações. Este tipo de

segmentação depende da detecção de descontinuidades ou então, de rebordos dentro da

imagem usando um dado limiar. O limiar permite a remoção de informações desnecessárias a

partir da imagem, como por exemplo contagens provenientes de atividade de fundo, e o

surgimento de detalhes que não são facilmente detectados.

A detecção de rebordos pode ser efectuada através do comando edge. Para além disso, um

limiar é normalmente aplicado, a fim de detectar rebordos superiores a um dado valor de

intensidade na definida escala de cinzentos, sendo que diferentes métodos de detecção de

rebordos podem ser aplicadas de acordo com o filtro que cada um deles utiliza. Os métodos

mais úteis nas imagens em Medicina Nuclear são 'Sobel', 'Prewitt', 'Roberts', 'Canny', bem como

'Laplaciano de Gaussiano'. De notar que a imagem é imediatamente transformada numa

imagem binária e os rebordos são detectados. A função geral utilizada para a detecção de

rebordos é a seguinte:

[BW] = edge (image, ‘method’, threshold)

Onde [BW] é a nova imagem binária produzida, image é a inicial; ‘method’ refere-se ao método

de detecção de rebordos escolhido e threshold para o limiar aplicado. No exemplo seguinte, o

método canny é aplicado (figura 5)

I = imread(‘kidneys.jpg’);

figure, imshow(I)

J = edge(I,'canny', 0.038);

figure, imshow(J)



Outra aplicação da técnica de segmentação em medicina nuclear é o uso da opção de magnitude

do gradiente. Nesta opção, a imagem original é carregada sendo de seguida aplicado o método

de detecção de rebordos Sobel de acordo com uma magnitude do gradiente que atribui maiores

valores de intensidade em escala de cinzentos a regiões mais altas. Finalmente, os detalhes do

primeiro plano são destacados e a imagem segmentada das regiões em destaque é obtida. O

código para todo o procedimento que é descrito é descrito de seguida (figura 6).

I = imread('kidneys.jpg')

Figure, imshow(I)

hy = fspecial('sobel')

hx = hy';

Iy = imfilter(double(I), hy, 'replicate')

Ix = imfilter(double(I), hx, 'replicate')

gradmag = sqrt(Ix.^2 + Iy.^2)

figure, imshow(gradmag,[])

se = strel('disk', 20)

K = imopen(I, se)

figure, imshow(K)

3.1.8 REMOÇÃO DE FUNDO

Um dos primeiros passos a executar no processamento de imagens médicas é remover a

atividade de fundo inerente ao princípio de aquisição de dados, em particular no principio

cintigráfico de aquisição. Este procedimento é baseado na segmentação de imagens para

Figura 5 – Detecção de contornos em estudos renais com 99mTc-DMSA. (esq.) imagem original, (meio) método canny e limiar 0,2667, (dir.) método prewitt e limiar 0,038

Figura 6 – Segmentação de magnitude do gradiente. (esq.) imagem original, (meio) imagem após aplicação de filtro de segemtação, (dir.) imagem após filtragem de regiões de fundo



remoção de atividade de fundo, por isso inicialmente são calculados os limites das regiões

(órgãos,…) de interesse.

As etapas para este procedimento são as seguintes: leitura da imagem, um limiar de nível de

cinzento é estabelecido pelo MATLABTM, transformação da imagem numa imagem binária, a fim

de isolar as regiões de interesse, a imagem binária, é multiplicado pela primeira e por fim

imagem final surge, cuja paleta de cores pode ser alterada pelo utilizador. O exemplo seguinte

descreve um conjunto de linhas de comando para a remoção de fundo em imagens de um

estudo renal (figura 7).

I = imread(‘kidneys.jpg’)

figure, imshow(I) (figura 7 a)

graythresh(I) e o valor de limiar é calculado: ans = 0.2667

I2 = im2bw(I, 0.2667) (figura 7 b)

I3 = immultiply(I2, I)

imshow(I3) (figura 7 c)

colormap(hot) (figura 7 d)

Figura 7 - Remoção de fundo. a) imagem original, b) imagem binária segmentada após inclusão após limiar de detahs acentuados, c) imagem após remoção de fundo, d) mudança para escala de cor



3.1.9 CO-REGISTO DE IMAGEM

A técnica de co-registo de imagens é usada para alinhar duas imagens do mesmo objeto num

sistema comum de coordenadas, isto é, para fusão de imagens de um dado objecto. O co-registo

de imagens é considerado uma transformação espacial. As imagens podem ser adquiridas a

partir de ângulos diferentes, em momentos diferentes ou por modalidades diferentes. Um

exemplo típico do uso de co-registo de imagens é o processamento de imagens provenientes de

modalidades hibridas como equipamentos SPECT-CT, PET-CT ou mais recentemente PET-MRI.

Esta técnica permite obter informações combinadas de dados funcionais e morfológicos que

levam a uma maior precisão de diagnóstico (Li & Miller, 2010) e a comparação de dados em

estudos ao longo do tempo (Zitova & Flusser, 2003). O software MATLABTM pode ser uma

ferramenta que permite alcançar tais objectivos com a técnica de co-registo através da função

imregister.

Para tal, em primeiro lugar cada imagem adquirida é reconstruída em separado. Todos os filtros

necessários são aplicados, bem como melhorias nos valores de brilho e contraste.

Posteriormente, realiza-se uma transformação espacial entre as duas imagens, por exemplo

entre uma imagem PET e outra proveniente da modalidade CT. O alinhamento das imagens é o

passo fundamental a ter em atenção na aplicação da técnica, sendo alcançado através da

transformação espacial que modifica a relação espacial entre os pixels de uma imagem e

realoca-os para novas posições numa nova imagem (Delbeke et al, 2006). O passo final no registo

de imagem é a sobreposição das duas imagens, permitindo um nível adequado de transparência.

A nova imagem é criada contendo informações de ambas as imagens iniciais a partir do qual

teve origem.

3.1.10 VOLUME E VISUALIZAÇÃO 3D

A visualização de volumes em Medicina Nuclear consiste num método para extrair informação

de dados volumétricos de imagens cintigráficas (Lira et al, 2010b).

Em MATLABTM, isto pode ser conseguido através da construção de um gráfico de superfície 3D

que utiliza as coordenadas dos eixos (x, y) de cada pixel para e o valor de pixel é transformado

em valor de altura de superfície e, consequentemente, numa cor. Para além deste facto, as

imagens 3D de voxels podem ser construídas; Cortes tomográficos são adquiridos, iso-contornos

são discriminados nessas projecções incluindo um dado número de voxels e, finalmente, todos

eles podem ser adicionados a fim de criar a imagem de volume desejável (Lira et al, 2010a).

Renderização de volume - muito frequentemente usada em imagens 3D SPECT ou PET - é um

exemplo de codificação eficiente em MATLABTM com uso da função fsurf (f). Os parâmetros das

funções são a matriz original em 3D, o ângulo de posição, zoom ou o foco das projeções

adquiridas. Este tipo de técnica é utilizada em diferentes estudos funcionais como estudos

hepáticos, renais, pulmonares, análise da glândula tiróide ou em estudos cardíacos (figura 8).



3.1.11 MATLAB SURFACE PLOT

O software MATLABTM apresenta-se como uma ferramenta com elevadas capacidades na análise

de dados imagiológicos em Neurologia. Em particular, a Image Processing Toolbox é muito útil

para extrair medições volumétricas 3D de atividade presente nos gânglios basais nos

transportadores de dopamina no caso de estudos cintigráficos DaTSCAN. Os resultados obtidos

são reprodutíveis e independentes do utilizador.

O mapeamento de superfície (surface plot) pode ser usado com o objectivo de extrair a

informação acerca da consistência de captação de um órgão ou perda da sua funcionalidade. De

modo a construir um gráfico de superfície a partir de imagens cerebrais, uma série de imagens

devem ser selecionadas e posteriormente devem ser delineadas ROIs sob a região dos corpos

estriados (Lira et al, 2010b) (figura 9). Um exemplo de linhas de comando para o efeito é a

seguinte sequência:

I = imread(‘striatum.jpg’)

figure, imshow(I)

[x,y] = size(I)

X = 1:x;

Y = 1:y;

[xx,yy] = meshgrid(Y,x)

J = im2double(I)

figure, surf(xx,yy,J)

shading interp

view(-40,60)

Figura 8 - Renderização 3D de estudos PET cerebrais https://www.stat.uchicago.edu/faculty/InMemoriam/worsley/research/surfstat/index.htm

https://www.stat.uchicago.edu/faculty/InMemoriam/worsley/research/surfstat/index.htm



De realçar que apesar das imagens iniciais apresentarem ruido e menor resolução espacial, o

gráfico obtido permite distinção e análise claras e especificas das regiões cerebrais de interesse,

e que fornecem muita informação de valor de diagnóstico. Por outro lado, com a representação

de dados segundo este formato, é possível manipular o ângulo de visualização o que acarreta

vantagens na interpretação dos estudos.

3.1.12 DICOM

O protocolo Digital Imaging and Communication in Medicine (DICOM) permite a comunicação

entre equipamentos de diferentes modalidades e fornecedores facilitando a gestão de imagens

digitais. O protocolo DICOM define um conjunto de regras comuns para a troca, armazenamento

e transmissão de imagens médicas digitais com respectivas informações de dados associadas.

(Bidgood & Horii, 1992)

Um arquivo DICOM consiste num cabeçalho, header, de dados (os chamados metadados) e um

conjunto de dados de imagem DICOM, dataset. O cabeçalho inclui informações relacionadas

como tipo de imagem, estudo, modalidade médica, dimensões da matriz, número de bits

armazenados e nome do doente. Os dados de imagem seguem o cabeçalho e contêm

informações e 3D da geometria de aquisição de dados (Bankman, 2000). Os ficheiros DICOM

apresentam como extensão o formato .dcm.

Em Medicina Nuclear, os dados 3D adquiridos são armazenados usando DICOM a partir de uma

repartição de dados em secções onde cada secção é guardada como uma imagem DICOM

Figura 9 – Imagens 123I-DaTSCAN SPECT de um estudo com I-123/Ioflupano (em cima), análise Surface Plot de intensidades do pixel (em baixo) (Lyra et al, 2010b)



simples. As secções podem ser distinguidas, quer por um número código no nome do ficheiro,

quer por tags DICOM específicos.

O MATLABTM suporta ficheiros DICOM e é uma ferramenta muito útil no processamento de

imagens DICOM.

De maneira a ler um ficheiro DICOM em MATLABTM o comando dicomread deve ser utilizado

segundo a linha:

I = dicomread(filename.dcm');

Para a leitura dos metadados de imagem do ficheiro DICOM deve ser usado o comando

dicominfo com a seguinte função.

info = dicominfo('filename.dcm')

Um pacote de informações aparece na janela de comando, incluindo todos os detalhes e

informações que acompanham a imagem de DICOM. Esta é uma grande vantagem deste

formato de imagem em comparação com formatos JPEG ou TIFF que não apresentam a

informação relativa às informações relativas por exemplo ao processo de aquisição de dados.

Para a imagem específica, aparece a seguinte informação:

info =

Filename: 'filename.dcm'

FileModDate: '11-Feb-2021 11:11:11'

FileSize: 128000

Format: 'DICOM'

FormatVersion: 3

Width: 256

Height: 256

BitDepth: 16

ColorType: 'grayscale'

FileMetaInformationGroupLength: 212

FileMetaInformationVersion: [2x1 uint8]

MediaStorageSOPClassUID: '1.2.840.10008.5.1.4.1.1.7'

MediaStorageSOPInstanceUID: [1x57 char]

TransferSyntaxUID: '1.2.840.10008.1.2.1'

ImplementationClassUID: '1.2.840.113619.6.184'

ImplementationVersionName: 'Xeleris 2.1220'

SourceApplicationEntityTitle: 'XELERIS-6400'.

(…)



Para ver os dados de imagem importados de um ficheiro DICOM, uma das funções de

visualização de imagem pode ser aplicada: imshow ou imtool, como por exemplo:

imshow(I,'DisplayRange',[ ]);

A imagem carregada pode ser modificada e processada. Para modificar ou gravar dados de

imagem ou metadados para um arquivo no formato DICOM, o MATLABTM disponibiliza a função

dicomwrite.

Numa imagem em formato DICOM qualquer procedimento de filtragem, segmentação e

remoção do fundo pode ser aplicado para obter a imagem final pretendida e dela extrair as

informações mais úteis para um diagnóstico adequado.



4 QAV-PET

4.1 DEFINIÇÃO

Quantitative Analysis and Visualization on PET Images (QAV-PET) é um software de acesso livre

implementado sobre a arquitectura MATLABTM que permite uma visualização e quantificação

intuitiva e eficiente de imagens médicas multimodais, ou seja, de diferentes modalidades

imagiológicas. Este software é especialmente útil no processamento de imagens referentes a

estudos provenientes de modalidades híbridas PET-CT e PET-MRI que aliam as características

funcionais dos estudos PET com as características morfológicas dos estudos CT e/ou MRI.

Permite a visualização simultânea de imagens e também a capacidade de manipulação de dados

e informação por parte do utilizador de acordo com os objectivos de análise imagiológica.

4.2 INSTALAÇÃO

O software sendo de acesso livre encontra-se disponível no repositório de ficheiros5 do

MATLABTM sob formato zip que é passível de ser descompactado e de ser acessível através do

MATLABTM.

Para o efeito torna-se então necessário utilizar o MATLABTM como arquitectura principal de

fundo bem como da existência da toolbox de processamento adicional, Image Processing

Toolbox após seleção da pasta resultante da descompactação e consequente activação da GUI

através da opção “run“ sobre o ficheiro FusedSUV.m.

4.3 PROCESSAMENTO DE IMAGEM

O interface de utilização do QAV-PET permite o uso de ficheiros de imagem sob os formatos

.hdr, .img ou DICOM, sendo que implica a utilização de conjuntos de imagens multimodais. O

software requer a selecção inicial da imagem funcional PET e posteriormente a imagem

morfológica CT ou MRI no mesmo formato para que surja o interface (figura 10). Assim que o

GUI surge é possível efectuar uma série de funções de processamento de imagem que permitem

a fusão e tratamento de imagens multimodais

4.3.1 BRILHO E CONTRASTE

Contraste e luminosidade ou brilho podem ser facilmente ajustadas através pelo uso dos

cursores. O brilho é controlado através de movimentos verticais enquanto que o contraste é

realizado por movimentos horizontais, podendo sempre ser possível reverter as opções

efectuadas (figura 11). No que diz respeito às imagens resultantes da fusão entre as imagens

funcionais e morfológicas, estes movimentos permitem manipular a “opacidade” e a “nitidez”

das imagens (figura 12), sobretudo nas imagens de cariz funcional de modo a facilitar a remoção

de fundo tradicionalmente existente neste tipo de imagens.

5 MathWorks File Exchange, QAV-PET disponível em: https://www.mathworks.com/MATLABcentral/fileexchange/45923-qav-pet--quantitative-analysis-and-visualization-of-pet-images

https://www.mathworks.com/matlabcentral/fileexchange/45923-qav-pet--quantitative-analysis-and-visualization-of-pet-images

https://www.mathworks.com/matlabcentral/fileexchange/45923-qav-pet--quantitative-analysis-and-visualization-of-pet-images



4.3.2 ZOOM E CENTRALIZAÇÃO

As opções de zoom ou ampliação e de centralização permitem ao utilizador ampliar

determinadas regiões das imagens para melhor visualização ou uso de ferramentas de

quantificação assim como orientar todos os pixels da imagem para uma data região. Ambas as

opções podem ser utilizadas de duas maneiras diferentes: ou através dos cursores do rato ou

através dos botões “PAN” e “ZOOM” presentes no interface para esses efeitos. Eles executam

as mesmas codificações de ampliação e de centralização que as definidas pelo MATLABTM.

Figura 10 – Graphic User interface do software QAV-PET

Figura 11 – Ajuste de Brilho e Contraste em imagens hibridas (fusão de imagens funcionais com imagens morfológicas)



4.3.3 CORTES

Na análise de imagens é possível efectuar uma derivação entre os diferentes cortes de modo a

efectuar processamento numa dada região. O software permite a visualização dos diferentes

cortes através do uso do rato ou através da barra de deslocamento entre imagens do conjunto

de imagens do estudo selecionado inicialmente. Esta opção é utilizada inicialmente com a

seleção das imagens de fusão entre as duas modalidades no entanto é aplicável a qualquer tipo

de imagens.

4.3.4 SELECCÃO DE IMAGENS MULTIMODAIS

Na utilização inicial do software, a opção predefinida de visualização das imagens é a opção

referente à fusão das modalidades, apresentando-se uma imagem hibrida respeitante aos

mesmo cortes correspondentes às duas modalidades. No entanto, é possível através de opções

de selecção efectuar processamento de imagens separadamente em imagens dedicadas. A

forma mais rápida de visualizar imagens correspondentes das diferentes modalidades é a

utilização do menu drop-down. No entanto, tal como noutros parâmetros de manipulação deste

software existem comandos de teclado que permitem efectuar o mesmo procedimento (ver

tabela I).

Tabela I - Atalhos de teclado para funções de Processamento de Imagem no software QAV-PET

Teclas Funções

Q Alterar entre imagens Funcionais, Morfológicas e de Fusão

Barra de Espaços Adicionar ROI à imagem seleccionada

Ctrl Subtrair ROI da imagem selecionada

Botão Esq Rato Arrastamento vertical para alteração de luminosidade Arrastamento horizontal para alteração de contraste

Botão Central Rato Arrastamento para zoom

Botão Dir Rato Arrastamento para centralização da imagem

Scroll Mudança de corte a visualizar

4.3.5 SEGMENTAÇÃO

Através do software QAV-PET é possível efectuar opções de segmentação de imagens

nomeadamente a delineação de Regiões de Interesse (ROI), procedimentos de Interpolação e

de identificação (etiquetagem) de imagens.

4.3.5.1 Definição de ROI

Adição de regiões de interesse nas imagens é possível através das seguintes etapas: seleção de

marcador na lista de ROIs e utilizar o botão “Add ROI” para delinear a região da imagem.

Figura 12 – Derivação de opacidade entre imagens segmentadas PET e CT desde valor 0, valor morfológico por inteiro (CT) até ao valor 1, valor funcional por inteiro (PET)



Qualquer ROI pode ser posteriormente, alterada ou reorientada através da edição do marcador.

Para eliminação de ROIs existe a opção “Subtract ROI”.

Assim que a ROI é definida, a segmentação pode ser automaticamente adaptada utilizando um

algoritmo de segmentação denominado segmentação PET por Propagação por Afinidade (PA)

(Foster et al, 2013). Este algoritmo permite o utilizador para refinar a segmentação manual

inicial para os limites mais adaptados a uma região de maior intensidade ou concentração de

actividade a nível da imagem, o que aumenta a precisão e diminui a variabilidade, bem como

diminui o tempo total de segmentação.

Este método estima e suaviza o histograma de dados da região de interesse selecionada através

de uma estimativa de densidade da máscara de modo a calcular e remover os pontos do

histograma que se apresentam com maior probabilidade de ser ruído. Posteriormente, uma

função de verosimilhança ou de afinidade é aplicado no histograma para estimar a semelhança

dos pontos ao longo do histograma assumindo que pontos que são mais semelhantes são mais

prováveis de pertencer à mesma classificação, ou seja, ao mesmo marcador de imagem (Botev

et al, 2010; Frey et al, 2007). Por fim o algoritmo PA é aplicado a estas semelhanças para

automaticamente calcular o número e relação de classes da imagem em análise (figura 13).

Todos os parâmetros do algoritmo de segmentação PET PA podem ser facilmente ajustados

através do QVA-PET. A definição manual de ROIs seguida de aplicação de segmentação

automática diminui o tempo total de segmentação e a variabilidade intra e inter-utilizador, bem

como aumenta a precisão total desta etapa de processamento.

4.3.5.2 Interpolação

Procedimentos de interpolação podem ser efectuados entre ROIs delineadas previamente em

imagens referentes a cortes equivalentes. Para tal o botão “Interpolate” deve ser aplicado de

modo a que ocorra manipulação das ROIs.

4.3.5.3 Marcadores de Imagem

Marcadores de ROI podem ser adicionados para definições de múltiplas ROIs dando a

capacidade ao utilizador do software de analisar e distinguir diferentes regiões de maior

concentração de actividade das imagens funcionais. O botão “Add Label” é a opção que permite

essa função directamente a partir do interface do QAV-PET. O marcador pode ser editado quer

com nome, quer com uma cor associadas de modo a facilitar a identificação da imagem em

causa.

Figura 13 – Segmentação em QAV PET sob 3 marcadores. ROIs delineadas manualmente (esq.), segmentação PET PA aplicada nas ROIs iniciais para ajuste de limites (meio) e renderização hibrida de informação volumétrica onde as áreas de cor vermelha significam maior intensidade de sinal e áreas de cor azul de menor intensidade (dir.)



4.3.6 QUANTIFICAÇÃO

Após a definição prévia de ROIs é possível efectuar alguns procedimentos extremamente uteis

para análise quantitativa de imagens funcionais PET, processo denominado por Quantificação.

A delineação de ROI permite identificar o objecto de análise da imagem para que alguns cálculos

típicos na análise de imagens PET sejam efectuados.

Um dos cálculos principais é o cálculo do valor de SUV (Standard Uptake Value) que permite

identificar valores de maior captação de radiofármaco no doente, ou seja de maior concentração

que normalmente se correlaciona de modo proporcional com o maior valor de intensidade por

voxel presente numa dada região das imagens PET. O software permite efectuar o cálculo do

valor de SUV, SUV máximo (SUVmax) e SUV médio (SUVmean). Os resultados finais podem ser

expostos de imediato assim como sob um formato .CSV que permite análise em folhas de cálculo

ou então numa tabela gerada em MATLABTM cujo código pode ser utilizado. A estatística final

inclui as ROIS, informação de volume, SUV, SUVmax e SUVmean de todos os cortes das imagens

em processamento através do botão “Material Statistics”. De referir que também nas imagens

morfológicas ROIS podem ser definidas nessas imagens obtendo-se valores relativos a Unidades

Hounsfield obtendo-se valores denominados de CTmean (UH). Estes valores podem ser

correlacionados com os valores SUVmean permitindo determinar a concentração de intensidade

da imagem funcional comparando-a com o valor de coeficiente de densidade da imagem

morfológica.

4.3.7 RENDERIZAÇÃO E RELATÓRIO

O software QVA-PET apresenta a capacidade de realização de relatório automético que inclui

um resumo de toda a informação obtida com o processamento efectuado. O relatório em causa

apresenta todas as informações relativas as ROIs delineadas bem como a capacidade de

apresentação estatística de valores quantitativos. O relatório pode ser criado em termos gerais

de todos os indicadores obtidos ou seleccionando apenas um dos marcadores, apresentando

informação não só quantitativa como também qualitativa. Dados quantitativos como SUVmax,

SUVmean, volume do marcador, SUVmax nos três planos anatómicos transversal, coronal e

sagital nas imagens PET e também nas imagens morfológicas nomeadamente CT mas também

MRI e imagens de fusão (no total 9 imagens) permitem avaliação de valores de normalidade e

de não normalidade (patologia) de modo imediato. Para uma melhor visualização, o limite da

ROI ou das ROIs selecionadas apresentam a mesma cor consoante as diferentes imagens para

correlação dos resultados da segmentação com os resultados apresentados no relatório (figura

14).

Para além desta opção de relatório, o software permite a representação tridimensional da

região ou das regiões resultantes da segmentação através da renderização de regiões,

permitindo o destaque de regiões com elevada probabilidade de patologia associada.

Inicialmente, a renderização ocorre através das informações quanto aos limites e forma dos

marcadores, sendo que posteriormente a renderização sobrepõe-se com a informação funcional

da imagem PET para fornecer a distribuição de concentração de sinal (fisiologicamente,

distribuição de captação do radiofármaco na região volumétrica em causa) de modo a visualizar-

se a informação com uma terceira dimensão e consequentemente melhoria do sentido de

distribuição espacial obtido. Uma vez que esta informação funcional é complementada com a

informação morfológica é possível denominar esta etapa de processamento de imagem como



renderização híbrida (Bagci et al, 2013). Este parâmetro é igualmente passível de ser incluído o

relatório final.

Figura 14 - Exemplo de relatório automático do QAV-PET. É possível observar informação relativa ao número de lesões ao longo do volume de análise, valores de SUVmax e SUVmean para comparação entre as diferentes regiões nas imagens PET (coluna esq.), CT (coluna central) e de fusão (coluna direita) nos 3 planos ortogonais típicos (transversal, sagital e coronal, de cima para baixo respectivamente).



5 CONCLUSÃO

Este relatório abordou técnicas simples de processamento e análise aplicados a imagens de

Medicina Nuclear para fins de diagnóstico em Saúde, através das funções algorítmicas do

software MATLABTM.

Com as ferramentas que apresenta é possivel melhorar a imagem adquirida qualitativamente,

bem como oferecer dados de informações quantitativas úteis na terapia e cuidados do paciente.

Com destaque para a Image Processing Toolbox que fornece a capacidade de efectuar uma

análise quantitativa e uma visualização de imagens cintigráficas adquiridas sob diferentes

tipologias (planares e tomográficas) em diferentes modalidades (nomeadamente SPECT e PET)

mas também num contexto da imagiologia hibrida e a renderização volumétrica 3D de imagens.

Foi igualmente abordado o software de acesso livre QAV-PET que se apresenta como add on do

MATLABTM usando como arquitectura computacional de fundo e que apresenta diversas

aplicações possíveis nomeadamente a visualização e quantificação de anomalias patológicas nas

imagens hibridas (PET-CT ou PET-MRI).

O algoritmo de segmentação existente permite a avaliação de acumulações de intensidade

difusas ou multifocais que normalmente se correlacionam com lesões dependendo da natureza

do estudo funcional (nomeadamente do radiofármaco utilizado no estudo PET), permitindo ao

utilizador o estudo de derivações de distribuição de sinal em três conjuntos de imagens: imagens

funcionais, morfológicas e de fusão. Outra virtude da toolbox é a capacidade de visualização da

informação em formato 3D das diferentes modalidades que permite a obtenção de dados

quantitativos e qualitativos de carácter volumétrico.

O facto de o software ser de acesso livre e o respectivo código encontrar-se disponível no

MATLABTM File Exchange permite aos seus utilizadores para rapidamente adicionar outras

ferramentas ou modificar as já existentes para alcance de novas aplicações em diferentes

contextos.

O QAV-PET permite aos investigadores um rápido acesso a uma ferramenta de processamento

de imagem de acesso livre com as capacidades de visualização, segmentação, renderização

volumétricas e com criação de respectivo relatório que pode ser utilizado na análise de imagens

médicas em particular em imagens resultantes de modalidades híbridas.

Por fim de assinalar que de acordo com a ideia de tese, a abordagem dos conceitos teóricos e

práticos do software MATLABTM e das suas ferramentas será de extrema utilidade.



6 REFERÊNCIAS BIBLIOGRÁFICAS

Bankman, I. Handbook of Medical Imaging, Academic Press, ISSN 0-12-077790-8, United States of America, 2000

Bagci U., Udupa J. K., Mendhiratta N., Foster B., Xu Z., Yao J., Chen X., and Mollura D. J., “Joint segmentation of anatomical and functional images: Applications in quantification of lesions from pet, pet-ct, mri-pet, and mri-pet-ct images", Medical image analysis, vol. 17, no. 8, pp. 929-945, 2013

Bidgood, D. & Horii, S. Introduction to the ACR-NEMA DICOM standard. RadioGraphics, Vol. 12, (May 1992), pp. (345-355), 1992

Botev Z., Grotowski J., and Kroese D., “Kernel density estimation via diffusion", The Annals of Statistics, vol. 38, no. 5, pp. 2916-2957, 2010

Delbeke, D.; Coleman, R.E.; Guiberteau M.J.; Brown, M.L.; Royal, H.D.; Siegel, B.A.; Townsend, D.W.; Berland, L.L.; Parker, J.A.; Zubal, G. & Cronin, Procedure Guideline for SPECT/CT Imaging 1.0. The Journal of Nuclear Medicine, Vol. 47, No. 7, , pp. (1227-1234). 2006

Foster B., Bagci U., Luna B., Dey B., Bishai W., Jain S., Xu Z., and Mollura D. J., “Robust segmentation and accurate target definition for positron emission tomography images using affinity propagation," in 2013 IEEE 10th International Symposium on Biomedical Imaging (ISBI), pp. 1461-1464, 2013

Frey B. and Dueck D., “Clustering by passing messages between data points", Science, vol. 315, no. 5814, pp. 972-976, 2007

Gonzalez, R.; Woods, R., & Eddins, S. Digital Image Processing using MATLAB, (second edition), Gatesmark Publishing, ISBN 9780982085400, United States of America, 2009

Lehmann, T.M.; Gönner, C. & Spitzer, K. (1999). Survey: Interpolation Methods in Medical Image Processing. IEEE Transactions on Medical Imaging, Vol.18, No.11,), pp. (1049-1075), ISSN S0278-0062(99)10280-5, 1999

Lyra, M.; Sotiropoulos, M.; Lagopati, N. & Gavrilleli, M. (2010a). Quantification of Myocardial Perfusion in 3D SPECT images – Stress/Rest volume differences, Imaging Systems and Techniques (IST), 2010 IEEE International Conference on 1-2 July, pp 31 – 35, Thessaloniki, DOI:10.1109/IST.2010.5548486, 2010

Lyra, M.; Striligas, J.; Gavrilleli, M. & Lagopati, N. (2010b). Volume Quantification of I-123 DaTSCAN Imaging by MatLab for the Differentiation and Grading of Parkinsonism and Essential Tremor, International Conference on Science and Social Research, Kuala Lumpur, Malaysia, December 5-7, http://edas.info/p8295, 2010

Li, G. & Miller, R.W. Volumetric Image Registration of Multi-modality Images of CT, MRI and PET, Biomedical Imaging, Youxin Mao (Ed.), ISBN: 978-953-307-071-1, InTech, Available from: http://www.intechopen.com/articles/show/title/volumetric-image-registrationof-multi-modality-images-of-ct-mri-and-pet, 2010

O’ Gorman, L.; Sammon, M. & Seul M. Practicals Algorithms for image analysis, (second edition), Cambridge University Press, 978-0-521-88411-2, United States of America, 2008

Nailon, .H. Texture Analysis Methods for Medical Image Characterisation, Biomedical Imaging, Youxin Mao (Ed.), ISBN: 978-953-307-071-1, InTech, Available from:



http://www.intechopen.com/articles/show/title/texture-analysis-methodsfor-medical-image-characterisation, 2010

MathWorks Inc. MATLAB User’s Guide. The MathWorks Inc., United States of America (2016)

Perutka K. Tips and Tricks for Programming in Matlab, Matlab - Modelling, Programming and Simulations, Emilson Pereira Leite (Ed.), ISBN: 978-953-307-125-1, InTech, Available from: http://www.intechopen.com/articles/show/title/tipsand-tricks-for-programming-in-matlab, 2010

Toprak, A. & Guler, I. (2006). Suppression of Impulse Noise in Medical Images with the Use of Fuzzy Adaptive Median Filter. Journal of Medical Systems, Vol. 30, pp. (465-471), 2006

Wernick, M. & Aarsvold, J. Emission Tomography: The Fundamentals of PET and SPECT, Elsevier Academic Press, ISBN 0-12-744482-3, China, 2004

Wilson, H.B.; Turcotte, L.H. & Halpern, D. Advanced Mathematics and Mechanics Applications Using MATLAB (third edition), Chapman & Hall/CRC, ISBN 1-58488-262-X, United States of America, 2003

Zitova, B. & Flusser J. Image Registration methods: a survey. Image and Vision Computing. Vol 21, (June 2003), pp. (977-1000), 2003

relatÓrio - paginas.fe.up.pttavares/downloads/publications/... · este relatório tem como...

Documents