Segmentação automática de tumores cerebrais em imagens de ressonância magnética

• Author(s): Festa, Joana Araújo
• Date: 2013
• Persistent ID: http://hdl.handle.net/1822/27727
• Origin: RepositóriUM - Universidade do Minho
• Subject(s): 616-079; 616.831-006
• Document Type: Master thesis
• Language: Portuguese
• Advisor(s): Silva, Carlos A.; Sousa, Nuno
• Contributor(s): Universidade do Minho

Description

Dissertação de mestrado integrado em Engenharia Biomédica (área de especialização em Eletrónica Médica)

O cancro é uma das principais causas de morte em todo o mundo e os tumores cerebrais apresentam uma das taxas de sobrevivência mais baixas, dentro de todos os tipos. A segmentação e a diferenciação das estruturas são essenciais para o planeamento do tratamento destes tumores e para a sua monitorização. Na prática clínica, ainda não foi instituído nenhum método automático que substitua a segmentação manual, sujeita a variabilidade inter- e intraespecialista. Esta dissertação teve como objetivo o desenvolvimento de um método automático para segmentar os tumores cerebrais nas suas diferentes estruturas: edema, região ativa, região necrótica e região não contrastante, recorrendo a imagens de ressonância magnética. Ao longo dos últimos 30 anos, foram apresentados diferentes propostas nesta área, onde se verifica uma evolução dos algoritmos utilizados e dos objetivos da segmentação. As mais recentes usam algoritmos supervisionados de segmentação e permitem distinguir as várias regiões do tumor, através da utilização de várias sequências de ressonância magnética. No trabalho desenvolvido nesta dissertação foi utilizada uma floresta de decisão: um algoritmo de segmentação por classificação, robusto e com elevada capacidade de generalização. Como este é um algoritmo supervisionado, onde o classificador utiliza características baseadas nas intensidades das imagens, foi necessário um pré-processamento das mesmas, que garanta a uniformização das suas propriedades. As características utilizadas nas árvores de decisão foram a intensidade em cada ponto, estatísticas da sua vizinhança, avaliação do contexto e da textura. Os vários parâmetros do algoritmo foram testados numa base de dados pública (NCIMICCAI – Grand Challenge BraTS 2013). O estudo das características, em termos de qualidade da segmentação, permitiu concluir que há uma ligeira melhoria quando todas são consideradas. Para a construção da floresta, as características de intensidade e vizinhança revelaram-se as mais importantes, sobretudo quando é utilizada a sequência FLAIR. Em conclusão, o método desenvolvido mostrou-se eficaz na resolução do problema, e permitiu obter resultados semelhantes aos encontrados na literatura.

Cancer is one of the main causes of death worldwide and brain tumors present one of the lowest survival rates among all cancer types. Segmentation and differentiation of structures are crucial for treatment planning of these tumors and their monitoring. Currently, in clinical practice, there is not an automatic method that has been widely implemented to substitute the manual/expert segmentation, which suffers from inter and intra-expert variability. The main goal of this dissertation is the development of an automatic method for the segmentation of brain tumors in all their inner structures: edema, necrotic, active and non-enhanced regions, using magnetic resonance images. During the past 30 years several proposals have been presented by different research groups, where it is noticeable an evolution in the algorithms used and in the proposals’ goals. Lately, supervised algorithms, using multi-sequence magnetic resonance images, have been applied to segment the different tumor regions. The method developed in this dissertation was based on random forests, a robust classification algorithm with great generalization. Since this supervised algorithm utilizes image intensity-based features, a pre-processing step was required, which ensures image properties uniformity. The forests input features were the voxel intensity, statistics from the neighborhood, context and texture evaluation. The several algorithm parameters were tested in a public database (NCI-MICCAI – Grand Challenge BraTS 2013). The features study, in terms of segmentation quality, determined that the results are slightly improved when all the features types are considered. Neighborhood and intensity features proved to be the most important ones during the forest training, especially when applied to the FLAIR sequence. In conclusion, the developed method proved to be effective in the segmentation of brain tumors, and the results are in agreement with the literature.