Publicação

Segmentação do tecido tumoral cerebral em imagens de ressonância magnética

Detalhes bibliográficos
Resumo:	Atualmente, a facilidade de acesso aos cuidados de saúde, aliada a uma melhoria nas técnicas de diagnóstico, permite uma maior e melhor identificação de problemas de saúde de difícil tratamento. Dentro destes problemas destaca-se o cancro, cuja expressão tem vindo a aumentar gradualmente. O cancro é das principais causas de morte em todo o mundo, onde os tumores cerebrais se evidenciam por apresentarem uma das taxas de sobrevivência mais baixa. A identificação e classificação precoce dos diferentes tecidos tumorais existentes é fundamental, para que a intervenção cirúrgica de ressecção tumoral seja possível. Mesmo em tumores num estado avançado, a segmentação tem também relevo para um correto planeamento médico do tratamento e respetiva monitorização. O procedimento de segmentação manual é um procedimento demorado, que requer bastantes recursos humanos, e sujeito a uma variabilidade inter- e intra-especialista. Por outro lado, métodos de segmentação automática ainda não são uma prática comum em ambiente clínico. Assim, na presente dissertação tem-se como finalidade desenvolver uma metodologia automática de segmentação de tumores cerebrais nos seus diferentes tipos de tecidos: necrose, edema, região ativa contrastante e região ativa não contrastante, com recurso à informação providenciada pelas imagens de ressonância magnética. Vários autores, ao longo dos últimos 20 anos, projetaram diferentes abordagens na área de segmentação de tumores cerebrais. Ao longo deste tempo, com o surgir de novas ideias de pensar o problema, a evolução dos algoritmos permitiu que algumas das metodologias mais recentes apresentassem resultados robustos e com capacidade de generalização. Recentemente, a tendência das metodologias de segmentação assenta na utilização de classificadores supervisionados, capazes de assegurar uma classificação de múltiplas classes em simultâneo. O método proposto nesta dissertação é também baseado numa classificação supervisionada. Neste tipo de classificação um conjunto de características, extraídas através das imagens de ressonância magnética, procura discriminar os diferentes tipos de tecido a segmentar. Dada a variabilidade associada à técnica de ressonância magnética, etapas prévias de pré-processamento dos dados são implementadas, com o intuito de assegurar uma uniformização da informação presente nas imagens. Através da computação de características locais, de vizinhança e de contexto é treinada uma floresta de decisão (classificador), que posteriormente, na fase de teste, permite a obtenção da segmentação de um paciente, ou até um conjunto de pacientes. A realização dos testes à metodologia proposta recorreu-se da base de dados pública (NCI-MICCAI Grand Challenge BraTS 2013, que permitiu também a validação dos resultados realizada pela sua plataforma online Virtual Skeleton Database. Desde a extração das características até à fase de pós-processamento foram testadas várias configurações, procurando sempre otimizar os resultados prévios. A melhor configuração, testada no conjunto de Challenge, do método de segmentação projetado obteve um valor de Dice de 0,85 para o Tumor Completo, 0,79 para o Tumor Central e 0,75 para a região ativa contrastante. Pela mesma ordem, a métrica Positive Predictive Value obteve valores de 0,87, 0,85 e 0,71. Complementarmente, a sensibilidade obtida foi de 0,84, 0,75 e 0,72 para o Tumor Total, Tumor Central e região ativa contrastante respetivamente. Estes resultados permitiram alcançar a 5ª posição, em 35 métodos, no conjunto de dados Challenge. Em suma, o método proposto é capaz de obter resultados competitivos, comparando com métodos presentes na literatura e na plataforma de avaliação providenciada pela base de dados utilizada.
Autores principais:	Pinto, José Adriano Azevedo da Silva Ribeiro
Assunto:	Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
Ano:	2015
País:	Portugal
Tipo de documento:	dissertação de mestrado
Tipo de acesso:	acesso aberto
Instituição associada:	Universidade do Minho
Idioma:	português
Origem:	RepositóriUM - Universidade do Minho

Descrição
Resumo:	Atualmente, a facilidade de acesso aos cuidados de saúde, aliada a uma melhoria nas técnicas de diagnóstico, permite uma maior e melhor identificação de problemas de saúde de difícil tratamento. Dentro destes problemas destaca-se o cancro, cuja expressão tem vindo a aumentar gradualmente. O cancro é das principais causas de morte em todo o mundo, onde os tumores cerebrais se evidenciam por apresentarem uma das taxas de sobrevivência mais baixa. A identificação e classificação precoce dos diferentes tecidos tumorais existentes é fundamental, para que a intervenção cirúrgica de ressecção tumoral seja possível. Mesmo em tumores num estado avançado, a segmentação tem também relevo para um correto planeamento médico do tratamento e respetiva monitorização. O procedimento de segmentação manual é um procedimento demorado, que requer bastantes recursos humanos, e sujeito a uma variabilidade inter- e intra-especialista. Por outro lado, métodos de segmentação automática ainda não são uma prática comum em ambiente clínico. Assim, na presente dissertação tem-se como finalidade desenvolver uma metodologia automática de segmentação de tumores cerebrais nos seus diferentes tipos de tecidos: necrose, edema, região ativa contrastante e região ativa não contrastante, com recurso à informação providenciada pelas imagens de ressonância magnética. Vários autores, ao longo dos últimos 20 anos, projetaram diferentes abordagens na área de segmentação de tumores cerebrais. Ao longo deste tempo, com o surgir de novas ideias de pensar o problema, a evolução dos algoritmos permitiu que algumas das metodologias mais recentes apresentassem resultados robustos e com capacidade de generalização. Recentemente, a tendência das metodologias de segmentação assenta na utilização de classificadores supervisionados, capazes de assegurar uma classificação de múltiplas classes em simultâneo. O método proposto nesta dissertação é também baseado numa classificação supervisionada. Neste tipo de classificação um conjunto de características, extraídas através das imagens de ressonância magnética, procura discriminar os diferentes tipos de tecido a segmentar. Dada a variabilidade associada à técnica de ressonância magnética, etapas prévias de pré-processamento dos dados são implementadas, com o intuito de assegurar uma uniformização da informação presente nas imagens. Através da computação de características locais, de vizinhança e de contexto é treinada uma floresta de decisão (classificador), que posteriormente, na fase de teste, permite a obtenção da segmentação de um paciente, ou até um conjunto de pacientes. A realização dos testes à metodologia proposta recorreu-se da base de dados pública (NCI-MICCAI Grand Challenge BraTS 2013, que permitiu também a validação dos resultados realizada pela sua plataforma online Virtual Skeleton Database. Desde a extração das características até à fase de pós-processamento foram testadas várias configurações, procurando sempre otimizar os resultados prévios. A melhor configuração, testada no conjunto de Challenge, do método de segmentação projetado obteve um valor de Dice de 0,85 para o Tumor Completo, 0,79 para o Tumor Central e 0,75 para a região ativa contrastante. Pela mesma ordem, a métrica Positive Predictive Value obteve valores de 0,87, 0,85 e 0,71. Complementarmente, a sensibilidade obtida foi de 0,84, 0,75 e 0,72 para o Tumor Total, Tumor Central e região ativa contrastante respetivamente. Estes resultados permitiram alcançar a 5ª posição, em 35 métodos, no conjunto de dados Challenge. Em suma, o método proposto é capaz de obter resultados competitivos, comparando com métodos presentes na literatura e na plataforma de avaliação providenciada pela base de dados utilizada.