ads:
FERRAMENTA DE AUXÍLIO DIAGNÓSTICO PARA O TRATAMENTO
DE ACIDENTES VASCULARES CEREBRAIS
Elias Restum Antonio
TESE SUBMETIDA AO CORPO DOCENTE DA COORDENAÇÃO DOS
PROGRAMAS DE PÓS-GRADUAÇÃO DE ENGENHARIA DA UNIVERSIDADE
FEDERAL DO RIO DE JANEIRO COMO PARTE DOS REQUISITOS
NECESSÁRIOS PARA A OBTENÇÃO DO GRAU DE DOUTOR EM CIÊNCIAS
EM ENGENHARIA CIVIL.
Aprovada por:
____________________________________________
Prof. Nelson Francisco Favilla Ebecken, D.Sc.
____________________________________________
Prof. Alexandre Gonçalves Evsukoff, D.Sc.
____________________________________________
Prof. Alair Augusto S. M. Damas dos Santos, D. Sc.
____________________________________________
Prof. Hélio José Corrêa Barbosa, D. Sc.
____________________________________________
Prof. Antonio Cesar Ferreira Guimarães, D. Sc.
RIO DE JANEIRO, RJ – BRASIL
ABRIL DE 2008
ads:
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
ii
ANTONIO, ELIAS RESTUM
Ferramenta de Auxílio Diagnóstico para o
Tratamento de Acidentes Vasculares Cerebrais
[Rio de Janeiro] 2008
XIV, 128 p. 29,7 cm (COPPE/UFRJ, D.Sc.,
Engenharia Civil, 2008)
Tese - Universidade Federal do Rio de
Janeiro, COPPE
1. Radiologia
2. Redes Neurais
3. Interface
I. COPPE/UFRJ II. Título (série)
ads:
iii
A Deus,
aos meus pais,
à minha esposa e
aos meus queridos filhos
iv
AGRADECIMENTOS
A Deus, por me confortar e me orientar em todos os instantes da vida, me dando
ainda a saúde e a determinação necessárias ao desenvolvimento desse trabalho.
Aos meus pais, pelo incentivo e contribuição na minha formação como pessoa e
como profissional.
A minha esposa Andréa pelo apoio, ajuda e paciência em todos os instantes.
Ao professor Nelson, por todo o conhecimento e incentivo transmitidos, bem
como pela confiança em mim depositada.
Ao meu amigo Vincenzo pela ajuda e incentivo.
A todos os professores, colegas e funcionários que, de alguma forma ajudaram
no desenvolvimento desse trabalho.
v
Resumo da Tese apresentada à COPPE/UFRJ como parte dos requisitos necessários
para a obtenção do grau de Doutor em Ciências (DSc.)
FERRAMENTA DE AUXÍLIO DIAGNÓSTICO PARA O TRATAMENTO
DE ACIDENTES VASCULARES CEREBRAIS
Elias Restum Antonio
Abril/2008
Orientador: Nelson Francisco Favilla Ebecken
Programa: Engenharia Civil
Perda súbita de movimentos e de fala não precedidas por cefaléia ou outros
sintomas de doenças evolutivas podem significar a ocorrência de AVC - Acidente
Vascular Cerebral. Relatos médicos revelaram que o tratamento clínico dos AVCs é
dependente do tipo de lesão ocorrida. No caso de lesões hemorrágicas o tratamento
clínico deverá se basear na administração de medicamentos com funções de inibir o
fluxo sanguíneo e priorizar a coagulação. Em contrapartida, se tratando de lesões
isquêmicas, o tratamento clínico emergencial deverá ser fundamentado no aumento do
fluxo sanguíneo com a administração de medicamentos anticoagulantes.
O principal objetivo deste trabalho é a aplicação de técnicas de inteligência
computacional e processamento de imagens na identificação de áreas hiperdensas e/ou
hipodensas anormais em exames de Tomografia Computadorizada de Crânio em
conjunto com a história clínica do paciente, para ajuda na decisão de procedimento
emergencial para o tratamento clínico de AVC.
As inovações propostas são a utilização da técnica de redes neurais com entradas
baseadas nas anamneses coletadas, em conjunto com as imagens dos exames, para
detecção da ocorrência de AVC hemorrágico ou isquêmico e a disponibilização de uma
ferramenta amigável para ajuda no processo de decisão do tratamento clínico.
Os objetivos deste trabalho foram alcançados. Foram obtidos valores de
sensibilidade e especificidade de 96% e 94%, respectivamente, que demonstraram o
bom desempenho do método e da ferramenta.
vi
Abstract of Thesis presented to COPPE/UFRJ as a partial fulfillment of the
requirements for the degree of Doctor of Science (DSc.)
A COMPUTER-AIDED DIAGNOSIS TOOL TO HELP THE
TREATMENT OF VASCULAR CEREBRAL ACCIDENTS
Elias Restum Antonio
April/2008
Advisor: Nelson Francisco Favilla Ebecken
Department: Civil Engineering
Sudden loss of movements and speak non preceded by headache or other
symptoms of evolutive diseases can indicate a Cerebral Vascular Accident – CVA.
Medical reports revealed that the treatment of CVAs is dependant of the type of the
lesion occurred. In case of hemorrhagic lesions, the clinical treatment must be based on
the administration of medicines with the goal of inhibiting blood flow and priorizing
coagulation. In the other hand, ischemic lesions require that the clinical treatment must
be established considering the increasing of blood flow with the administration of
anticoagulation medicines.
The main objective of this work is the use of computational intelligence and
image processing techniques in the identification of abnormal hyperdensive and/or
hypodensive areas in Computed Tomography exams of the Brain together with the
analysis of the patient’s clinical history, to help in the decision of the emergency
procedure of the CVA treatment.
The main innovations proposed in this work are the use of neural networks and
image processing with inputs based on the collected anamnesis and the images of the
exams, with the goal of detecting hemorrhagic or ischemic CVA and to make available
to physicians a tool suitable to help in the decision of the clinical treatment.
The targets of this work were reached. Sensitivity and specificity values were
96% and 94%, respectively, which showed the good performance of both the method
and the tool.
vii
INDICE
1 INTRODUÇÃO ........................................................................ 1
1.1 O
BJETIVOS
.................................................................................................... 1
1.2 C
OMPOSIÇÃO DO
T
RABALHO
......................................................................... 2
2 SÍNDROME DE ACIDENTE VASCULAR CEREBRAL............................... 3
2.1 A
CIDENTES
V
ASCULARES
E
NCEFÁLICOS
........................................................ 3
2.1.1
Abordagem Inicial do Paciente com Possível AVC............................................4
2.1.2
Conceitos e Classificações..................................................................................5
2.1.3
Como Identificar a Topografia da Lesão?.........................................................11
2.1.4
Como Identificar a Natureza da Lesão?............................................................12
2.1.5
Como Identificar a Fase de Evolução da Doença?............................................12
2.1.6
Indicações da TC Cranioencefálica...................................................................13
2.2 D
OENÇA
V
ASCULAR
C
EREBRAL
I
SQUÊMICA
..................................................14
2.2.1
TC do Infarto Cerebral......................................................................................15
2.3 D
OENÇA
V
ASCULAR
C
EREBRAL
H
EMORRÁGICA
............................................17
2.3.1
HSA – Hemorragia Subaracnóide.....................................................................18
2.3.2
HIP – Hemorragia Intraparenquimatosa ...........................................................19
2.3.3
HIV - Hemorragia Intraventricular ...................................................................20
2.3.4
Aneurisma.........................................................................................................20
3 DICOM .......................................................................24
3.1 I
NTRODUÇÃO
...............................................................................................24
3.2 E
VOLUÇÃO HISTÓRICA
..................................................................................25
3.3 C
ONSTITUIÇÃO DA
N
ORMA
...........................................................................27
4 IMAGENS MÉDICAS .......................................................................30
4.1 A
NÁLISE DE
I
MAGENS
M
ÉDICAS
...................................................................30
4.2 I
MAGENS
M
ÉDICAS
–
RX
E
TC .....................................................................32
5 PROCESSAMENTO DE IMAGENS...............................................................35
5.1 L
IMIARIZAÇÃO
.............................................................................................36
5.2 M
ORFOLOGIA MATEMÁTICA
.........................................................................37
5.3 M
ORFOLOGIA
B
INÁRIA
.................................................................................38
5.3.1
Aspecto Digital .................................................................................................38
viii
5.3.2
Erosão Binária...................................................................................................39
5.3.3
Dilatação Binária...............................................................................................43
5.3.4
Erosão em escala de cinza.................................................................................46
5.3.5
Dilatação em escala de cinza.............................................................................47
5.3.6
Abertura ............................................................................................................47
5.3.7
Fechamento.......................................................................................................48
5.4 M
EDIDAS DE
T
AMANHO
................................................................................51
5.5 V
ISUALIZAÇÃO
3D .......................................................................................52
6 CAD – COMPUTER-AIDED DIAGNOSIS.....................................................53
6.1 I
NTRODUÇÃO
...............................................................................................53
6.2 V
ISÃO
C
OMPUTACIONAL E
I
NTELIGÊNCIA
A
RTIFICIAL
...................................54
6.3 A
UXÍLIO À
D
ETECÇÃO
..................................................................................57
6.4 A
UXÍLIO AO
D
IAGNÓSTICO
...........................................................................60
6.5 M
EDIDAS DE
D
ESEMPENHO E
C
ARACTERÍSTICAS
...........................................64
6.6 E
XEMPLO DE
CAD
PARA
C
ARACTERIZAÇÃO DE
M
ICROCALCIFICAÇÕES EM
M
AMOGRAFIA
..........................................................................................................66
6.7 E
XEMPLO DE
CAD
PARA
A
NÁLISE DE
N
ÓDULO
P
ULMONAR
...........................68
6.8 U
TILIZAÇÃO DA
A
NÁLISE DE
C
OMPONENTES
P
RINCIPAIS E
R
EDES
N
EURAIS
A
RTIFICIAIS PARA
C
LASSIFICAÇÃO DE
N
ÓDULOS EM
M
AMOGRAFIAS
D
IGITALIZADOS
70
6.9 R
ECUPERAÇÃO DE
I
MAGENS POR
C
ONTEÚDO
A
TRAVÉS DE
R
EGIÕES
D
ETERMINADAS
A
UTOMATICAMENTE PELA
E
NERGIA
................................................71
6.10 E
XTRAÇÃO DE
C
ARACTERÍSTICAS DE
I
MAGENS
M
ÉDICAS
B
ASEADAS NA
D
ISTRIBUIÇÃO DE
C
OR NOS
E
SPAÇOS DE
W
AVELETS
.................................................75
6.11 E
XEMPLO DE
CAD
B
ASEADO EM
D
ADOS
C
LÍNICOS
.......................................77
7 METODOLOGIA .......................................................................83
7.1 I
NTRODUÇÃO
...............................................................................................83
7.2 C
ONSTRUÇÃO DO
B
ANCO DE
D
ADOS
.............................................................84
7.2.1
Busca de informações relevantes no Banco de Dados do RIS..........................85
7.2.2
Imagens.............................................................................................................87
7.2.3
Anamnese..........................................................................................................89
7.3 P
RE
-
PROCESSAMENTO
..................................................................................92
7.3.1
Imagens.............................................................................................................92
7.3.2
Anamnese..........................................................................................................96
ix
7.4 C
ODIFICAÇÃO
...............................................................................................97
7.4.1
Imagens.............................................................................................................97
7.4.2
Anamnese..........................................................................................................97
7.4.3
Conjunto de treinamento e testes ......................................................................99
7.5 R
EDE
N
EURAL
............................................................................................100
8 RESULTADOS E DISCUSSÃO .....................................................................102
8.1 A
VALIAÇÃO DO MODELO PARA DETECÇÃO DE
AVC
S
...................................103
8.1.1
Seleção de dados.............................................................................................103
8.1.2
Testes para a escolha da melhor arquitetura de rede neural............................104
8.1.3
Teste da importância dos dados secundários da anamnese.............................108
8.1.4
Teste da importância dos parâmetros clínicos e radiológicos.........................109
8.1.5
Teste da importância dos filtros morfológicos................................................111
9 A FERRAMENTA .....................................................................113
9.1 D
IAGRAMA DO
C
ONTEXTO DO
S
ISTEMA
CAD-BR.......................................113
9.2 D
IAGRAMA DE
F
LUXO DE
D
ADOS DO
S
ISTEMA
CAD-BR.............................113
9.3 D
IAGRAMA DE
T
RANSIÇÃO DE
E
STADOS DO SISTEMA
CAD-BR...................114
9.4 F
UNCIONAMENTO DO SISTEMA
CAD-BR.....................................................115
9.5 T
ELAS DO PROGRAMA
.................................................................................116
10 CONCLUSÃO .....................................................................120
REFERÊNCIAS BIBLIOGRÁFICAS...................................................................123
x
Lista de Abreviações
AAPM American Association of Physicists in Medicine
ACR American College of Radiology
AIT Ataque Isquêmico Transitório
AVC Acidente Vascular Cerebral
AVE Acidente Vascular Encefálico
CAD Computer Aided Diagnosis
DEV Doença encefalovascular
DEVH Doença encefalovascular hemorrágica
DEVI Doença encefalovascular isquêmica
DICOM Digital Imaging and Communication in Medicine
DNIPR Déficit neurológico isquêmico parcialmente reversível
DNIR Déficit neurológico isquêmico reversível
HIC Hemorragia intracraniana
HIP Hemorragia intraparenquimatosa
HIV Hemorragia intraventricular
HSA Hemorragia subaracnóidea
IC Icto completo
IOD Objeto de informação
ISO-OSI International Standards Organization Open Systems Interconnection
IT Icto transitório
JPEG Joint Photographic Experts Group
LCR Líquido -3.66653(r)1(p)-0.95Do imrotediaioOODPmonfo ataOmrmicsa f71N9( )]TJT*[(D)-2.795(O)-2.7653A9(E)3.45315(G)-2.79221( )]TJ/R46 11.28 Tf71N9( )4.85059(n)-0.95892(a)-0.95892(o)-0.95892(t)0.873046(o)-0.95892(n)-0.95892(n)-0.95892(t)0.87304E( )-5.80942(a)-0.9586(-3.66653(23(n)9.69973(i)-9.7851(i)0.87434(n)-0.960221(i)0.874347(c)-3.66653(u)9.698436(n)9.69849( )-5.808(g)-0.960221(a)-0.960221(o)-0.960221f(S)-0.95892(t)0.87434746(m)10.572(a)-0.96022(o)-0.9602219(G)-2.792e9(S)9.69849(t)-9.78436()-5.37092( )-5.80949(t)-9.7848(m)-2.79847(i)0.8743479(i)0.874347(c)6.99217(z)-5.37099(a)-0.960221(t)0.874347(i)0.874347(o)-0.960221(p)-0.959323( )]TJ/R7 11.28 Tf-71.1763P(H)-2.79219(S)1.79219(V)-2.8505S9(I)2.58011G)-2.79221( )]TJ/R46 11.28 Tf71P9(P)1.7473(r)-5.37229(in)9.69973(r)-5.37229(e)-3.66523(n)-0.9582(t)0.873046(e)6.9934.1763 0 Td2(g)-0.95892( )-5.80946(P)-7.205539(f)-8.07v3(A)7.86652(c)-1.66653(i)0.874347go)-0.960221(n)9.69841( )-16.4669(a)-0.960221(n)-0.960221(n)9.69845( )-16.46o(e)-3.66653m((o)9.69849( )-16.469(m)-2.79219(u)-0.960221(n(g)9.69849(i)-9.78436(c)-5.37099(a)-0.960221(t)0.874347(i)-9.78436(o)-0.960221(n)9.6984So)-0.960221y9(S)9.69849(t)-9.7843(s)-5.37099((m)10.57289 )-5.815(G)-2.79323( )]TJ/R7 11.28 Tf-71.1763P(H)-2.79212.96 TLT*[(C)-4.49219(D)-4.49869( )-4002.6(o)-0.9589á3(A)7.8665l(a)-0.95892(o)-0.9589s(n)-0.9582(t)0.873046(e)6.99349( )-16.4682(d)-0.95892(n)9.69979( )-16.4682(C)-4.4992(e)-14.3239((u)-0..370992(c)-3.66653(o)-0.96022152(v)9.69849(e)-3.66653(n)-0.96022e9(S)9.69849(t)-9.78436()-5.3709P(H)-260921(t)0.87434c)-1.66653(i)0.87434746(m)10.57234c)-1.66658(a)-14.3252(p)9.698421(s)15.9464(i)-9.78436(s)59593P(O)-2.79219(S)1.0011(T)-7iO2.4061.12(H)7.86656(a)-3.66523(q)-0.95892(d)-0.95892(e)-3.66523(t)0.873046(o)9.69973(r)-5.37229(d)-0.9586(e)-3.66523(t)-9.78566(o)-0.9593R2.96 TLT*2( )-5111.N[(I)2.58011(O)-2.79219(D)-4.4986R1G
xi
Índice de Figuras
Figura 2.1 - Imagem de TC característica de AVC Isquêmico .....................................16
Figura 2.2 - Imagem de TC característica de AVC Hemorrágico.................................18
Figura 2.3 - Vista inferior do cérebro e das artérias da base do cérebro........................21
Figura 2.4 - Representação esquemática do polígono de Willis, artérias do cérebro e
tronco cerebral ....................................................................................................22
Figura 4.1 - Exemplo de escala de cinza......................................................................30
Figura 4.2 - Quadrados de densidades diferentes.........................................................30
Figura 4.3 - Inserção de área de baixa densidade.........................................................31
Figura 4.4 - Inserção de áreas de baixa e alta densidades.............................................31
Figura 4.5 - Radiografia convencional.........................................................................32
Figura 4.6 - Atenuação resultante de raio-X de imagem heterogênea...........................33
Figura 4.7 - Formação de uma imagem de Tomografia................................................34
Figura 5.1 – Imagem de um exame de Tomografia Computadorizada do Crânio .........36
Figura 5.2 – Imagem após filtro por densidade (limiarização) entre 60 e 80 UH..........36
Figura 5.3 – Representação do elemento estruturante..................................................38
Figura 5.4 – Outra representação do elemento estruturante..........................................39
Figura 5.5 – Elemento estruturante transposto.............................................................39
Figura 5.6 – Representação do conjunto X..................................................................39
Figura 5.7 – Exemplo de erosão de um conjunto X pelo elemento estruturante B........40
Figura 5.8 - Exemplo de erosão com X e B.................................................................40
Figura 5.9 - Pixel irrelevante resultante do conjunto erodido.......................................41
Figura 5.10 - Pixel relevante resultante do conjunto erodido........................................41
Figura 5.11 – Resultado da erosão...............................................................................41
Figura 5.12 - Exemplo de erosão com X e B ...............................................................41
Figura 5.13 - Pixel irrelevante resultante do conjunto erodido.....................................42
Figura 5.14 - Pixel relevante resultante do conjunto erodido........................................42
Figura 5.15 – Resultado da erosão...............................................................................42
Figura 5.16 – Exemplo de erosão ................................................................................43
Figura 5.17 – Exemplo de erosão ................................................................................43
Figura 5.18 – Exemplo de dilatação de um conjunto X pelo elemento estruturante B ..44
Figura 5.19 – Exemplo de dilatação com X e B...........................................................44
xii
Figura 5.20 - Pixel irrelevante resultante do conjunto dilatado ....................................44
Figura 5.21 - Pixel relevante resultante do conjunto dilatado.......................................45
Figura 5.22 – Resultado da dilatação...........................................................................45
Figura 5.23 – Exemplo de dilatação ............................................................................46
Figura 5.24 – Exemplos de elementos estruturantes.....................................................49
Figura 5.25 – Exemplos de elementos estruturantes.....................................................50
Figura 5.26 - Imagem após aplicação de filtro por erosão............................................50
Figura 5.27 - Imagem após aplicação de filtro por dilatação........................................50
Figura 5.28 – Cabeçalho de um arquivo DICOM contendo, dentre outras informações, o
tamanho do pixel.................................................................................................51
Figura 5.29 – Medições de distância realizadas em imagem DICOM ..........................52
Figura 5.30 – Vistas frontal, superior e inferior na visualização 3D.............................52
Figura 6.1 - Extração do parênquima pulmonar...........................................................69
Figura 6.2 – Aplicação da transformada de wavelets sobre uma imagem.....................72
Figura 6.3 – Gráficos da energia .................................................................................73
Figura 6.4 - Decomposição wavelet 2D. Imagem original, primeiro e segundo nível de
decomposição......................................................................................................76
Figura 7.1 - Uso dos dados da anamnese em conjunto com os dados das imagens .......83
Figura 7.2 – Fluxo de separação das imagens dos exames ...........................................87
Figura 7.3 – Imagens de um exame de Tomografia Computadorizada - AVC Isquêmico
............................................................................................................................88
Figura 7.4 – Imagens de um exame de Tomografia Computadorizada - AVC
Hemorrágico .......................................................................................................88
Figura 7.5 – Cabeçalho DICOM mostrando alteração do nome do paciente.................89
Figura 7.6 – Ficha de Anamnese .................................................................................91
Figura 7.7 - AVC Hemorrágico...................................................................................92
Figura 7.8 - AVC Isquêmico.......................................................................................92
Figura 7.9 - AVC Isquêmico e imagem pós filtragem..................................................93
Figura 7.10 - AVC Hemorrágico e imagem pós filtragem............................................93
Figura 7.11 - Erosão....................................................................................................94
Figura 7.12 - Dilatação................................................................................................94
Figura 7.13 – Exemplo da rede neural utilizada......................................................... 101
Figura 8.1 – Variação da taxa de erro em relação à quantidade de épocas para rede
neural Backpropagation com 7 neurônios na camada escondida........................ 104
xiii
Figura 8.2 – Gráfico comparativo das taxa de erro em relação à quantidade de neurônios
na camada escondida para rede neural............................................................... 106
Figura 8.3 – Gráfico comparativo da taxa de erro em relação ao valor de saída da rede
neural................................................................................................................ 107
Figura 8.4 – Variação da taxa de erro em relação à quantidade de épocas para rede
neural backpropagation com 7 neurônios na camada escondida ........................108
Figura 8.5 – Gráfico comparativo da taxa de erro em relação aos parâmetros utilizados
.......................................................................................................................... 109
Figura 8.6 – Gráfico comparativo da importância dos parâmetros clínicos e radiológicos
.......................................................................................................................... 110
Figura 8.7 – Gráfico comparativo da importância dos filtros morfológicos................ 112
Figura 9.1 – Diagrama do contexto do sistema CAD-BR...........................................113
Figura 9.2 – Diagrama de Fluxo de Dados (DFD) do sistema CAD-BR..................... 114
Figura 9.3 – Diagrama de Transição de Estados (DTE) do sistema CAD-BR ............114
Figura 9.4 – Tela de abertura..................................................................................... 116
Figura 9.5 – Tela de seleção da pasta onde estão as imagens do exame ..................... 116
Figura 9.6 – Seleção do arquivo de anamnese: importação ou preenchimento manual117
Figura 9.7 – Tela de preenchimento da ficha de anamnese ........................................ 118
Figura 9.8 – Tela de resultado................................................................................... 119
xiv
Índice de Tabelas
Tabela 2.1 – Diagnóstico Clínico Diferencial entre DEVI e DEVH.............................12
Tabela 2.2 – Regra dos 80/20......................................................................................13
Tabela 6.1 – Codificação das patologias......................................................................82
Tabela 6.2 – Registros utilizados como entrada da Rede Neural..................................82
Tabela 7.1 – Exemplo de quantificação para uma TC de Crânio..................................95
Tabela 7.2 – Parâmetros Clínicos - Grupo Primário.....................................................96
Tabela 7.3 – Parâmetros Clínicos - Grupo Secundário.................................................96
Tabela 7.4 – Codificação dos parâmetros clínicos .......................................................99
Tabela 7.5 - Registros da base de dados utilizados como entrada da rede neural........ 100
Tabela 7.6 – Codificação das Patologias.................................................................... 100
Tabela 8.1 - Resultados dos testes com tamanho da camada intermediária da RN......105
Tabela 8.2 – Valores limite ....................................................................................... 105
Tabela 8.3 - Resultados dos testes da influência do valor de saída na rede neural ......107
Tabela 8.4 – Importância dos dados secundários da anamnese...................................108
Tabela 8.5 – Importância dos parâmetros clínicos e radiológicos...............................110
Tabela 8.6 – Importância dos filtros morfológicos..................................................... 111
Tabela 9.1 – Exemplos de arquivos texto ..................................................................117
1
1 Introdução
1.1 Objetivos
Este estudo tem por objetivo a identificação de áreas hiperdensas e/ou
hipodensas anormais em exames de Tomografia Computadorizada de Crânio em
conjunto com a história clínica do paciente, para ajuda na decisão de procedimento
emergencial para o tratamento clínico de AVC – Acidente Vascular Cerebral.
De importância relevante está a identificação do posicionamento / mapeamento
das regiões hiperdensas ou hipodensas na região intracraniana sugerindo a ocorrência de
Acidentes Vasculares Cerebrais (AVCs) Hemorrágicos ou Isquêmicos, respectivamente.
A associação da história clínica do paciente e o tipo de componente encontrado (alta ou
baixa densidade) são de fundamental importância para a descrição do achado.
Perda súbita de movimentos e de fala não precedidas por cefaléia ou outros
sintomas de doenças evolutivas podem significar a ocorrência de AVC - Acidente
Vascular Cerebral.
Relatos médicos revelaram que a tratamento clínico dos AVCs é dependente do
tipo de lesão ocorrida. No caso de lesões hemorrágicas o tratamento clínico deverá se
basear na administração de medicamentos com funções de inibir o fluxo sanguíneo e
priorizar a coagulação. Em contrapartida, se tratando de lesões isquêmicas, o tratamento
clínico emergencial deverá ser fundamentado no aumento do fluxo sanguíneo com a
administração de medicamentos anticoagulantes.
Em função do antagonismo existente entre os dois casos e de seus respectivos
tratamentos clínicos, faz-se necessária a realização de exame de diagnóstico por
imagens para definição da conduta médica.
Considerando-se a necessidade de interpretação das imagens resultantes do
referido exame (geralmente Tomografia Computadorizada – TC do Crânio), da urgência
na identificação do tipo de lesão e da possível indisponibilidade momentânea de médico
radiologista, torna-se de grande utilidade um sistema de suporte ao tratamento clínico
dos casos em questão.
Segundo TARR RW, os objetivos do estudo por imagens do encéfalo em
pacientes com sintomas compatíveis com síndrome de AVC são vários:
• Documentar a presença ou ausência de hemorragia. Esta informação é fundamental,
pois a anticoagulação é um tratamento padrão para acidentes vasculares cerebrais
isquêmicos trombóticos ou embólicos.
2
• Determinar a localização e a extensão da lesão encefálica.
• Principalmente no estágio subagudo, excluir outras condições tais como massas
intra-axiais ou extra-axiais que podem imitar a síndrome de acidente vascular
cerebral.
1.2 Composição do Trabalho
Além do capítulo introdutório com os objetivos da pesquisa e conceitos básicos de
radiologia, esta proposta conta com outros oito capítulos e está dividida conforme se
segue:
Capítulo 2 – Este capítulo visa apresentar os principais aspectos relativos à
síndrome de acidente vascular cerebral.
Capítulo 3 – Descreve as principais características do protocolo DICOM, um
breve histórico e a constituição da norma.
Capítulo 4 – Apresenta conceitos sobre imagens médicas e a Tomografia
Computadorizada.
Capítulo 5 – Este capítulo tem por objetivo apresentar as técnicas de
processamento de imagens utilizadas neste trabalho.
Capítulo 6 – Descreve os principais objetivos de ferramentas CAD, bem como
apresenta estudos de casos na utilização da ferramenta e medidas de desempenho.
Capítulo 7 – Apresenta a metodologia que será empregada para o
desenvolvimento da ferramenta auxiliar para o tratamento de pacientes com suspeita de
acidente vascular cerebral.
Capítulo 8 – Descreve os testes e as discussões sobre a técnica proposta.
Capítulo 9 – Apresenta a ferramenta desenvolvida no trabalho.
Capítulo 10 – Apresenta a conclusão e sugestões de trabalhos futuros.
3
2 Síndrome de Acidente Vascular Cerebral
2.1 Acidentes Vasculares Encefálicos
Os acidentes vasculares encefálicos, também conhecidos como acidentes
vasculares cerebrais ou pelas siglas AVE e AVC, são lesões vasculares que ocorrem no
interior do encéfalo e dividem-se basicamente em lesões isquêmicas e hemorrágicas. A
apresentação clínica dessas entidades é muito semelhante, pois apresentam início súbito
e são, geralmente, manifestas por déficit motor e sensorial de um lado do corpo,
associado à dificuldade de fala.
A importância da parte de imagem está essencialmente na detecção dessas lesões
e principalmente na diferenciação do evento isquêmico para o evento hemorrágico. O
principal método de diferenciação é a tomografia computadorizada que permite um
exame rápido, com boa capacidade de diferenciação entre eventos isquêmicos e
hemorrágicos, permitindo também fazer o diagnóstico de outras entidades que podem
simular os acidentes vasculares encefálicos como eventualmente tumores.
Segundo MODIC M T, em um estudo envolvendo 756 casos de AVC, 82%
tiveram origem tromboembólica
1
(isquêmica) enquanto 18% tiveram origem
hemorrágica.
Os acidentes vasculares encefálicos, por serem eventos emergenciais, podem
ocorrer em situações e momentos onde o médico não está no momento da execução do
exame tomográfico, tornando-se, portanto, importante o desenvolvimento de um método
que permita a caracterização e principalmente diferenciação dos eventos isquêmicos e
hemorrágicos. Atualmente várias clínicas e hospitais mantém operante o serviço de
Tomografia Computadorizada ao longo do dia, porém não necessariamente têm um
médico em associação para execução e interpretação do laudo tomográfico.
Quanto ao aspecto de imagem, a lesão isquêmica se manifesta por áreas
hipodensas, ou seja, de menor densidade que o parênquima adjacente, e as lesões
hemorrágicas se apresentam com imagens hiperdensas, ou seja, de maior densidade que
o parênquima cerebral encefálico adjacente.
1
É denominada embolia ou embolismo a obstrução de um vaso (seja ele venoso, arterial ou linfático) pelo
deslocamento de um êmbolo até o local da obstrução, que pode ser um coágulo (denominando-se então
tromboembolia), tecido adiposo (embolia gordurosa), ar (embolia gasosa) ou um corpo estranho (como
embolias iatrogênicas por pontas de cateter).
4
A síndrome de acidente vascular cerebral pode ser definida como a ocorrência de
um déficit neurológico focal súbito, não convulsivo. É a doença neurológica com risco
de vida mais comum e é a terceira principal causa de morte nos Estados Unidos,
superada apenas pelo câncer e pela cardiopatia. A incidência anual de novos acidentes
vasculares cerebrais é de aproximadamente 500.000. Há múltiplas possíveis etiologias
da síndrome de acidente vascular cerebral. Para o objetivo deste estudo, as doenças são,
de maneira geral, classificadas como isquêmicas ou hemorrágicas.
Há cerca de três décadas o "rótulo diagnóstico" de AVC, especialmente o
hemorrágico, implicava para a maioria dos médicos uma situação altamente
desfavorável, da qual a saída inevitável era a morte ou seqüelas severas. Daquele tempo
aos dias de hoje, dois aspectos básicos contribuíram decisivamente para modificar a
referida situação: o primeiro deles é o melhor conhecimento da doença e a adequação de
métodos de tratamento (dentre os quais, destacam-se os estudos dos fatores de risco e a
imediata aplicação de profilaxia de AVC); o segundo aspecto refere-se à maior
possibilidade de difusão, entre os próprios médicos, do conhecimento médico.
De modo geral, pode-se dizer que o prognóstico de um doente com AVC
depende de três fatores básicos: condições prévias, gravidade do AVC e adequação do
tratamento empregado. É apenas neste último fator que se pode atuar quando se atende
um paciente com AVC instalado.
2.1.1 Abordagem Inicial do Paciente com Possível AVC
Usualmente o que sugere um AVC é a apresentação de um quadro agudo, no
qual o paciente encontra-se com depressão do estado de consciência e/ou déficits
motores. Deve-se, portanto, ter sempre em mente a possibilidade de diagnósticos
diferenciais, em alguns dos quais os pacientes podem ser tratados com melhores
resultados, e que a falta de tratamento adequado pode representar a diferença entre a
recuperação completa e a morte ou seqüelas graves.
Frente a um paciente com possível AVC, a rotina de atendimento é análoga à
adotada para um doente com depressão do estado de consciência:
• Se não há parada cardíaca (fato que requer medidas específicas como
massagem cardíaca, adrenalina etc.), a ventilação do doente deve ser mantida
adequadamente (mesmo que os parâmetros respiratórios sejam bons). O
rápido exame da cavidade orofaríngea deve ser feito e retirados possíveis
obstáculos mecânicos, como próteses dentárias móveis. Existem protocolos
5
que sugerem que qualquer paciente com depressão de estado de consciência
abaixo de 8 ou 10 na Escala de Glasgow
2
deve ser submetido à intubação
endotraqueal; a prática diária mostra que nem sempre se está habilitado para
tal procedimento (se assim for, pelo menos deve-se manter o paciente em
decúbito lateral para evitar aspiração de vômitos).
• Punciona-se uma veia periférica para colheita de exames (se for possível,
deve-se fazer avaliação da glicemia por glicosímetro) e administram-se 40ml
de glicose a 50%.
• Inicia-se tratamento para crise hipertensiva ou choque. Não se deve corrigir
hipertensão arterial, a menos que os níveis sejam acima de 200/l20mm de
Hg.
Esta rotina de conduta visa tratar dois tipos básicos de diagnósticos diferenciais
com o AVE: a hipoglicemia e as depressões de estado de consciência devidas a
depressores do sistema nervoso central.
Devem-se procurar sistematicamente sinais indicativos de trauma. Não é
suficiente uma inspeção da cabeça, sendo necessária a palpação do couro cabeludo à
procura de hematoma subgaleal. Hematoma intracraniano traumático pode simular
AVC.
A partir deste momento deve-se preocupar com dados de anamnese e com o
exame detalhado do enfermo, visando programar condutas específicas caso a caso. Na
maioria das vezes, uma anamnese bem conduzida identifica a instalação súbita não
traumática de sintomas de disfunção encefálica e sugere fortemente a hipótese de AVE.
2.1.2 Conceitos e Classificações
Na área médica, o nome AVC é habitualmente o mais utilizado. Entretanto, é
necessário enfatizar que "cérebro" é a designação de uma das partes do encéfalo, a qual
não inclui o tronco encefálico nem o cerebelo. Quando se utiliza o termo AVE,
excluem-se cerca de 20% dos casos que comprometem o tronco e/ou o cerebelo.
As designações "doença cerebrovascular", "acidente vascular cerebral", "icto
cerebral" e "apoplexia cerebral" são as que usualmente compreendem-se como
sinônimos. Os termos acidente, icto e apoplexia geralmente refletem a instalação
2
A Escala de Coma de Glasgow é uma escala neurológica que mostra uma forma confiável e objetiva de
avaliar o estado de consciência de uma pessoa, de modo inicial ou na avaliação contínua. Seu valor
também é utilizado no prognóstico do paciente.
6
abrupta de um processo (apoplexia refere-se mais especificamente à paralisia e perda de
consciência causadas por hemorragia).
Outra restrição deve ser aplicada ao termo "derrame", freqüentemente utilizado
para dar informações aos pacientes e/ou familiares. Este termo significa extravasamento
e seria aplicável às hemorragias; se utilizado genericamente, poderiam ser excluídos
cerca de 80% dos casos de DEV, que são de natureza isquêmica. Prefere-se a utilização
de termos como "isquemia", "infarto", "trombose", "embolia", "hemorragia" ou
"hematoma".
Entende-se por DEV todas as alterações onde uma área encefálica é, transitória
ou definitivamente, afetada por isquemia e/ou sangramento, ou na qual um ou mais
vasos encefálicos são envolvidos num processo patológico.
Classificações que consideram a fase de evolução da DEV são mais úteis, pois
levam consigo as implicações terapêuticas com ênfase na profilaxia. São elas:
• Paciente assintomático de alto risco
• Icto transitório
• Pequeno icto
• Icto completo
• Icto em evolução
• Icto em regressão
• Seqüela
2.1.2.1 Icto Transitório (IT)
A situação clínica, sintomatologia de duração menor do que 24 horas, nos anos
1970 foi definida com o termo icto isquêmico transitório ou ataque isquêmico
transitório (AIT). Entretanto, desde então, inúmeros autores destacam que patogenias
não vasculares podem levar a tal sintomatologia; além disso, dados de Ressonância
Magnética (RM) têm demonstrado que pode haver área de infarto estabelecido. Estudos
recentes demonstram que a maioria dos pacientes com IT recupera-se em menos de uma
hora; média de 14 minutos para a circulação carotídea e de oito minutos para a
vertebrobasilar.
O IT é definido como um déficit neurológico de causa vascular, de duração
menor do que 24 horas. Em grande parte dos casos de IT, a disfunção é de natureza
7
isquêmica e a patogenia baseia-se em fenômenos tromboembólicos. Os êmbolos
(usualmente plaquetários) que se originam de placas ulceradas têm sido
responsabilizados em muitos casos.
As placas ulceradas são mais freqüentes na artéria carótida, em especial na
região da bifurcação. Uma situação clínica rara é praticamente patognomônica de placa
ulcerada da artéria carótida; trata-se da cegueira monocular transitória, na qual os
êmbolos originam-se de fragmentação do trombo que se pode formar nesta placa e
promovem a obstrução da artéria oftálmica deste mesmo lado. Os êmbolos podem
originar-se, entretanto, em outras artérias e também a partir do coração.
Em outros casos o IT pode ser causado por fenômenos de "roubo", conseqüentes
à suboclusão de vasos extracranianos.
Outras situações que podem ocasionar IT são as compressões vasculares
extrínsecas. Assim é que a presença de costela cervical pode, por compressão da artéria
vertebral, causar tontura ou perda de consciência quando o indivíduo faz movimento de
rotação da cabeça.
É necessário lembrar novamente que o IT pode ser decorrente de fenômeno
hemorrágico, tanto em conseqüência de aneurismas ou malformações arteriovenosas
congênitas que se rompem no interior do parênquima encefálico quanto de hemorragia
por ruptura de aneurismas adquiridos (os de Charcot Bouchard da hipertensão arterial,
os micóticos), assim como por qualquer outra causa de hemorragia intraparenquimatosa
espontânea. Uma situação de diagnóstico clínico especialmente difícil ocorre quando o
icto isquêmico transitório decorre de embolia a partir de aneurisma parcialmente
trombosado ou de fenômeno de roubo em malformação arteriovenosa.
2.1.2.2 Pequeno Icto
Pequeno icto é a designação para uma situação na qual há recuperação funcional
completa. Ele deve ser separado conceitualmente do IT, pois na realidade tem causas
diferentes (as mesmas que podem ocasionar o icto completo) e também tem evolução
natural diferente: os pacientes que apresentaram IT (especialmente quando a duração foi
de menos de cinco minutos) têm risco maior de desenvolver icto completo do que os
que tiveram PI (especialmente os que apresentaram duração da sintomatologia acima de
três semanas).
A designação usualmente encontrada na língua inglesa, RIND (Reversible
Ischemic Neurologic Deficit), deve ser vista com restrições, pois a hemorragia pode ser
8
causa de um PI. Neste sentido, acredita-se que a conceituação clínica de PI deve ser
mantida.
Do ponto de vista conceitual, desde que seja possível estabelecer com clareza a
natureza isquêmica da lesão, justifica-se utilizar os termos AIT e RIND; entretanto,
parece-nos importante manter a conceituação fundamentalmente clínica de IT e PI
quando os pacientes que apresentam um DEV não têm a possibilidade de utilizar o
recurso da RM, da TC e do líquido cefalorraquidiano (LCR).
2.1.2.3 Icto Completo (IC)
Icto completo é a denominação de um processo de disfunção encefálica de causa
vascular, cuja sintomatologia persiste por período superior a 24 horas e em cuja
recuperação exista algum grau de seqüela.
O IC pode ser isquêmico (DEVI) ou hemorrágico (DEVH).
O DEVI é, em última análise, decorrente de um infarto isquêmico pela obstrução
de um vaso; tal obstrução pode ser causada por trombose ou por embolia.
Os fatores subjacentes mais freqüentes no DEVI trombótico são a arteriosclerose
e a hipertensão arterial sistêmica. A causa potencialmente mais freqüente de DEVI por
embolia cardiogênica é a estenose mitral com fibrilação atrial; entretanto, êmbolos não
se originam necessariamente do coração, podendo ser decorrentes de fragmentos de
placas (ou de trombos que se formam em placas ulceradas) em artérias extracranianas
ou mesmo intracranianas.
Outras causas menos freqüentes de DEVI, como arterites (lues, outras doenças
infecciosas, lúpus, arterite temporal etc.) também devem ser lembradas.
As outras causas que não a aterosclerose e a hipertensão arterial devem ser
especialmente lembradas em pacientes jovens. Entre estas, destacam-se as desordens
cardíacas, as arterites, o uso de anticoncepcionais orais, alcoolismo, uso de drogas
ilícitas e a trombose traumática da carótida (esta última situação pode passar
despercebida à primeira vista; a trombose traumática pode ser imediata e, então, a
relação de causa e efeito torna-se clara; entretanto, um trauma pode causar uma lesão
endotelial e a partir daí uma trombose tardia, horas ou dias após o trauma).
O DEVH pode ser subdividido em hemorragia intraparenquimatosa (HIP) e
hemorragia subaracnóidea (HM).
A causa mais freqüente de HIP é a hipertensão arterial sistêmica (ruptura dos
microaneurismas de Charcot-Bouchard, que se formam em decorrência da hipertensão).
Outras causas são menos freqüentes, como aneurismas e malformações arteriovenosas
9
congênitos, aneurismas micóticos, tumores cerebrais metastáticos ou primários,
tratamento com drogas anticoagulantes, discrasias sangüíneas, malformações
arteriovenosas críticas, abuso de álcool, uso de drogas ilícitas e angiopatia amilóide
cerebral primária familiar.
Nota-se que três quartos dos HIPs ocorrem nos gânglios da base. A quarta parte
restante é uniformemente distribuída entre a região subcortical dos lobos (com
predomínio da região temporal), o cerebelo (com evidente predomínio nos lobos
cerebelares em relação ao verme) e o tronco cerebral (no qual a ponte é a região onde
ocorre a maioria dos casos).
Embora a sintomatologia decorrente de um HIP numa determinada região varie,
especialmente em decorrência de tamanhos diversos, existem alguns aspectos que são
peculiares à localização da HIP.
Na HIP putaminal ocorre moderada depressão do estado de consciência,
hemiparesia completa contralateral à HIP, desvio ocular horizontal ipsilateral;
caracteristicamente, a estimulação dolorosa do hemicorpo parético provoca reação com
hipertonia flexora (decorticação) ou extensora (descerebração) no membro superior e
extensora no membro inferior.
Na HIP talâmica ocorre moderada/acentuada depressão do estado de consciência,
reação em descerebração contra ou bilateralmente, desvio ocular para baixo e pupilas
mióticas.
A HIP pontina acompanha-se de acentuada depressão do estado de consciência,
descerebração bilateral, miose puntiforme bilateral e oftalmoplegia extrínseca também
bilateral.
A hemorragia cerebelar pode acarretar a tríade de Ou, caracterizada por ataxia
cerebelar apendicular, paralisia facial periférica e paralisia de olhar conjugado lateral, os
três sinais ipsilaterais à HIP.
Em relação às HIPs da região subcortical dos lobos, apenas a da região occipital
pode proporcionar um quadro clínico altamente sugestivo: cefaléia súbita na região
órbito-frontal associada à hemianopsia contralateral.
Deve-se insistir que o padrão sintomatológico descrito para a HIP de cada região
citada não necessariamente ocorre; mas o encontro de tal sintomatologia num caso
suspeito de HIP é altamente sugestivo da localização citada.
10
A causa mais freqüente de HM é a ruptura de aneurisma
3
congênito; a segunda
causa é malformação arteriovenosa congênita. Com exceção da hipertensão arterial, as
outras causas apontadas para a HIP eventualmente podem ocasionar HM.
Os aneurismas congênitos apresentam-se predominantemente na região da base
do polígono de Willis. Uma das regiões mais freqüentes é na emergência da artéria
comunicante posterior da carótida (neste aspecto, um quadro de HM que se acompanha
de paralisia completa do terceiro nervo craniano sugere fortemente a topografia do
aneurisma). Menos freqüentes são os aneurismas da carótida, na porção intracavernosa
(aqui há também um quadro de HM associado à paralisia dos nervos cranianos III, IV,
VI e do primeiro ramo do V, que aponta para a topografia do aneurisma). Outras regiões
menos freqüentes de aneurismas são a da comunicante anterior, da divisão principal da
artéria cerebral média e, por último, o território arterial dependente das vertebrais e da
basilar.
O diagnóstico de HM é facilmente identificado quando se caracteriza na
anamnese a instalação abrupta, não traumática, de cefaléia.
2.1.2.4 Icto em Evolução (IE)
A sintomatologia de um paciente com DEV pode agravar-se, dependendo de dois
mecanismos básicos: aumento da área de infarto
4
ou processo expansivo intracerebral
(seja ele HIP ou mesmo edema cerebral crescente). Deve-se, evidentemente, considerar
se os aspectos sistêmicos não foram determinantes na piora do quadro.
A trombose
5
retrógrada é um dos mecanismos de aumento da área de infarto e
pode originar quadro de sintomatologia crescente.
A trombose progressiva ou em evolução (outro mecanismo de aumento da área
de infarto e geralmente localizada na artéria carótida, na cerebral média ou na basilar), a
HIP e o edema cerebral crescente geralmente ocasionam sintomatologia que piora de
maneira contínua e não escalonada, como na trombose retrógrada.
Um procedimento é tentar conduzi-lo pelas linhas horizontais, evitando-se as
oblíquas e especialmente as verticais. Isto implica impedir a evolução para a piora do
paciente com DEV. Pode-se, didaticamente, dividir esta fase em etapas diferentes, que
na realidade são imbricadas: identificar a topografia da lesão; identificar a natureza da
3
Um aneurisma é uma dilatação vascular de uma artéria.
4
Um infarto ou enfarte é definido como uma lesão tecidual isquêmica irreversível, isto é, devida à falta
de oxigênio e nutrientes, geralmente associado a um defeito da perfusão sanguínea (oclusão do
suprimento arterial ou da drenagem venosa).
5
Trombose é a formação de um trombo (coágulo de sangue) no interior de um vaso sangüíneo.
11
lesão; identificar a tendência de evolução do doente (se para melhora ou para piora). A
partir daí, deve-se iniciar tratamento específico caso a caso.
2.1.3 Como Identificar a Topografia da Lesão?
A primeira preocupação topográfica é o reconhecimento da lesão como
supratentorial ou infratentorial (na fossa posterior, abaixo da tenda).
Nesse sentido, a avaliação do estado de consciência não contribui decisivamente,
pois um enfermo pode estar em coma tanto por uma lesão infra quanto por uma lesão
supratentorial. A avaliação das funções motoras é mais específica: na maioria das vezes,
uma hemiparesia
6
completa (que envolve o membro superior, o inferior e o território
facial do mesmo lado) implica uma lesão supratentorial; já o encontro de hemiparesias
alternas (que envolvem os membros de um lado e um território craniano do outro lado)
indica uma lesão infratentorial.
Uma vez identificado o território como supratentorial, pode-se tentar estabelecer
se a lesão é capsular ou cortical. As hemiparesias capsulares costumam ser mais
intensas e proporcionadas (igual intensidade de déficit nos membros e na hemiface), ao
passo que as decorrentes de lesão cortical tendem a ser desproporcionadas. Além disso,
nas lesões corticais com déficits motores discretos ou moderados pode haver
comprometimento do estado de consciência, ao passo que nas lesões capsulares, com
déficit motor acentuado ou moderado, usualmente não há comprometimento de
consciência.
Na fossa posterior, é de interesse separar as lesões cerebelares das lesões do
tronco encefálico. Nas fases iniciais, as lesões cerebelares não provocam depressão do
estado de consciência (que poderá ocorrer quando esta lesão expandir-se para diante,
comprimindo o tronco); o encontro de ataxia apendicular cerebelar usualmente sugere a
topografia cerebelar. Nas lesões de tronco encefálico é mais freqüente a depressão do
estado de consciência; o encontro de disfunções de nervos cranianos distantes (no
sentido longitudinal) sugere fortemente lesão primária de tronco.
6
Hemiparesia é a paralisia parcial de um lado do corpo.
12
2.1.4 Como Identificar a Natureza da Lesão?
Todos os estudiosos do assunto apontam para a grande dificuldade em
determinar, apenas com dados clínicos, o diagnóstico diferencial em hemorragia e
isquemia. Entretanto, alguns aspectos usualmente apontados estão na Tabela 2.1.
Tabela 2.1 – Diagnóstico Clínico Diferencial entre DEVI e DEVH
Isquemia Hemorragia
Idade acima de 55 anos Sexo Masculino
História de angina ou DEV ou diabetes
Apresentação com cefaléia e/ou vômitos
Déficit ao despertar Coma ou depressão do estado de consciência desde o início
Apresentação inicial com déficit focal Pressão arterial inicial acima de 220/120mmHg
Nestas duas etapas, de identificação da topografia e da natureza da lesão, a TC é
o pri53(n)-0.960.960.960.961mo53(n)-0.9x(d)-0.95892(u)-0.95892(e)-14.3239(56(d)9.69979(e176-13942( )-37.785*[(N)7.86659(e176-1394e3(p)9.69979(a)-3.6656(i)-9.7856o(u)-0.95892l6(e)6.9934h(d)-0.95892( )-37.7869(1)9107d[(o)-0.95616(D)-2.7921(i)0.87304bo)-0.960221(p)-0.96022121(g)9.6984e)-3.666(o)-0.960221(,)-0.9561n9( )-48.443(d )-27.1256(a176-13888(a)-3.6665a3(l)11.5331(e)-3.6660.722 0 Td[(e3 r.68923( )-37.7857(í)-9.78436(nt)0.874347(in)9.69849(t)0.2767843i)-9.78444(p)]TJ236(a)-3.66653(l)-0.95616(a)-3.66653(d)-0.9602216(a176-1388pp)-0.96022121(g)9.69(d)-0.9602217(in)9.69843( )-5.80815(a)-14.3252(s)5.28773(ã)-3.66621(s)15.9464(,176-1388(d )-27.1256(a1-0.9561T))-51.99843(T)5.80816(a176-1388pp)-0.9602213(d)-0.95892(o)-0.96022(o)-0.96022(d )-27.1256(a1-0.95617(í)-9.2)25653(s)5..784o(u)-0.9589217(e)6.99478( 44(p-.24 Tm.123 -19.44 Td[(d)-0.9595f(p)-0.95957(r)2.580123(g)9.699760.960.960.961)0.87306(a13(s)1492(u)-0.95896(a13(s)1493(n)-0.95892((g)9.6997p(a)-3.66523(d)-0.66526(a)-3.665961)0.87302(u)-0.9589f(p)-0.95957(r)2.5801a[(N)7.86659(e1i)-3975*[(N)7.8665/(d)-0.95892(i)0.8730421(s)596659(e13(s)1496(53(n)-0.9x(d)-0.9589t(e)-3.66523(p)9.69979()-0.960221(o)-0.960299(t)11.5331()-0.9602216(a123.05456(i)-9.78436(d)9.69849(a123.05452(t)0.8743472(e)-14.3239((d )-27.1256(a123.0545á47(f)2.5788(e)-3.66653i)11.5331(c)-3.66659(e13(s)1221(a)-3.66653(d)9.69849(e13(s)122id)-0.82)-423p)]TJ23(o)-0.96022q(t)0.874347u(a)-3.66653(d)9.698423(r)2.58011(m)-0.0.66653(l)0.874321(s)15.9464(,123.054552(b)9.69849(e)-3.66653( )-27.1256(a123.0545m)-0.0.66656(a)-3.6665347(m)10.5728(e)-14.3252(n)-0.96026(D)-2.79219(i)0.8749(t)0.874347(e)-3.66653(z)6.99218(a13(s)12221(i)11.5331()0.5.4611(i)0.873046(a123.05451(i)0.87304u(í)-9.2)2566(D)-2.7921t)-0.0.66653(l)0.61.617(e)6.99472)-423p]TJ-253.325c(d)-0.9595l(e)-14.3242(u)-0.996022a)-3.66523(p)9.6997z( )-37.782(u)-0.95896(am)10.5726(d)-0.95891(i)0.873046(am)10.5729(a)-3.665a3(p)9.69979()-0..66526(a)-3.665961)0.87302(u)-0.95892(l)0.874347(m)10.9979()-0..6652t(e)-3.66576(m)12.2799(om)10.5728( )-269589242(d)1.74739(a)-3.66523(n)-0.696121(g)9.69(d)-0.960221(o)-0.960221( )-261.617(d)-0.960221(o)-.0858734( )-453.474(p))-8.07991((g)9.69ê6(d)9.69849(e)-3.66653q(t)0.874347u(í)-9.78436(nt)0.874342(e)-14.3239((d )-27.1256(a)-14.3278((d)9.69849(e)-14.3252()-8.02642( )-3.6669(i)0.874á2(b)9.69849()-0.8 r. 3 1053.325 -)-0.960221(i)11.5331( )-5.80902(2)9.69846(a)-14.327A9(E)3.4531(o)-.085873T)-7.20556843(T)5.80816(a)-14.327éd )-27.1256(a)-14.327(d)-0.960221(o)-0.960228((d)9.6984x9( )-48.443(d )-27.1252(e)-14.3239(56(d)9..1256(a)-14.3272(e)-148470816( )-27.784(nt)0.87434(o)-0.960221é)-3.66393r. 3 1]TJ-253.3251(i)0.873046(f)-8.0182( )-371496(53(n)-0.96(u)-0.95892(d)-0.95896(a)-3.66523(g)9.699776(m)12.2799(o)-0.9584p(a)-3.66526(n)-0.95892(1)0.87302(u)-0.95899(e176-139476(m)12.2799(o)76-13942( )-37.78582(D)7.86652(i)0.873046(a)-3.66523(g)9.69979(n)-0.37229(o)-0.958939(s)5.28649(t)0.874347(i)0.873773(ã)-3.80946(–76-13942( )-348.443(d )-27.1256(a176-1388H9(E)3.45315(V)-2.79P(i)-40388;(t)0.874346(a176-13888(e)-3.66653i)11.5331(ci)11.5331(a)-146026(D)-2.7921z53i)11.5331(c)-3.66656(a)-3.66653(d)-0.9602216(a176-1388n9( )-48.443(d )-27.1256(a1 r.6892fd)-0.82 )-53p)]TJ231( )-442.815()-0.9602ed )-27.1256(a176-138821(i)11.5331(t)0.874347u(í)-9.784362( )-348.443(d )-27.1256(a1 r.689236(d)9.69849(a176-13881(e)-3.6660.722 0 Td9(o)-0.95892(1-0.9561(d)-0.960221(176-1388u(í)-9.78436(n)-0.960221(t)0.874347(c)-3.66656(D)-2.7921z5e)-3.66653(z)6.99213(a)-3.66653(ç)-3.66653(ã)-3.66653(1-0.91128( )-26958921()0.5.46117(e)6.99472 )-53p]TJ-253.325c(d)-0.9595 -19.32 Tdn-19.32 Td5(n)-0.95892(t)0.873039(n)9.69979(a)-3.6652t(e)-3.66523(n)9.6997,2(1)9.69975(e)9.103476(m)12.2799(o6)0.60228((d)9.-0.9x(a)-3.66523(p)9.69972(e)-14.3239(56(d)9.69979(e)9.10342(e)-14.3239(2(s)-5.37229(o)-0.95895(n)-0.95892(t)0.873039(N)7.86659(e)9.101702(u)-0.95899(e)9.1034á9(N)7.86651(e)-14.3252(r)13.23716(n)9.69849(a)9.101706(i)-9.78436(d)9.69849(a)9.10170h(d)-0.1.61853(d)9.698423(r)2.58011(3(m)-10.7446(o)-0.96022a)-3.6665a3(l)11.5338(a)-3.66393(g)9.69849(in)9.69849(a6)0.60447(e)-3.6663(m)-10.74468(e)-14.3252(m))-0.82 )833p)]TJ232(t)0.8743472(e)0.873046(a)9.101702(u)-0.1.617(c)-3.6665(n)-0.960221(t)0.874347(o))9.1017021(i)11.5331( )-5.80953(d)9.69848(a)-3.66653(t)0.874347()-0.960221(c)6.992136(d)9.69849(e)-3.66653(n )-37.7843(d)9.69849(a)9.101701(a)-3.66653(d)9.69849(e)9.101702(un)9.69849( )-37.7843(l)11.533n(t)0.874347u(í)-9.7843653(z)6.99213(l)0.61.653(s)5..784o()0.5.461(o)-0.960221((e)6.99472 )833p-.24 Tm.123a(d)-0.95957( )-187.0056(d)9.68879(e)-14.3239(n)9.69979(a)-3.66523(s)7)-11252(l)0.874347(m)10.36523(g)9.699776(m)12.279961)0.87306(a)7)-11255(o)-0.95892(d)-0.95899(om)10.572q( )-37.7856(d)-0.9589*[(N)7.86659(em)10.5722(d)-0.95899(om7)-11255(o)-0.9589242(d)1.74739(om7)-1125l(e)-1174542( )-3.666(o)-0.96022õ(a)-3.6665347( )4.85055(e)-3.66656(a)-14.3277(e)-3.66653(u)9.69849(a)-14.3257()-0.960221(c)6.99217(i)0.874347(f)-8.07991e)-3.66653(u)9.69842( )-348.443(d )-27.1251(e)-3.666.o)-0.960221(,)-)-116(O9(E)3.4531(o)--)-11328((d)9.6984x9 )-37.7843)-0.8 4.26.28 Tf112(e)-14.3239(56(d)9..1256(a)-)-116(pp)-0.9602213(d)-0.958921(a)-3.66653(d)9.69849(e)-)-116(3(t)0.874345(e)-3.66653(n(b)9.69849(e)-3.66654( )-16.4669(u)-0.96023(t)0.87434v(a)-3.66653(d)9.69849(e)-)-116(52(s)5.28772(s)-5.37099g(a)-3.66653(d)9.6984r(i)0.8749(t)0.87434r(i)0.6249(e)-)-116(43(d)9.69849(é)-3.663934.26.2]TJ-262.8237( )-187.007(p)-0.959[(d)-0.95959(a)-3.66523(p)9.69979(e)-14.32ç2(d)1.74732( )-37.7846(–)9.69972( )-37.7856(a)9.69979(r)6.99348((d)1.74739( )-37.7856(d)9.6997u6(m)12.279961)0.873046(f)-8.1499(a)-3.6652(e)-14.3239((d )-2769979(a)-3.66523(o)9.69979(,)4.84922(e)-14.3239((d )-276997l6(f)-8.149-61)0.87301(i)0.87303(m)-10.7446(o)-0.9602(l)0.874353(z)6.99213(a)-3.6665õ(a)-3.6665347( )4.85055()-0.960221(s)5.287(p))-8.07991((g)9.69(n)-0.9602253(d)9.6984r(i)0.8749(t)0.874343(m)-10.7446v(a)-3.66653e)-3.666np)-0.9602213(d)-0.95892(o)-0.96022(d)-0.8230.97p)]TJ23(o)-0.960221)-0.96022o(t)0.874347u(ã)-3.66653(1)9.69849(a)-14.3252(t)0.87434723(r)2.58011(3(m)-10.7446(o)-0.96047( )4.85055()-0.9602[(2)-0.957(9(.)-5.8f)-846p-.24 Tm.123É(D)-2.79279(r)6.9934n(d)-0.9589*[(N)7.8665c6(a)9.6999( )-453.475(e)-3.66529(a)-3.665á(n)-0.95892(1)0.87302(d)-0.95892(t)-9.78566(s)5.28642(,s)5.2864p(a)-3.66523(d)-0.66522(1)0.8730é3(p)9.69972(e)-14.3239(,2(1)9.69975(e)-5.8692q( )-37.7856(a)-3.66653e)-3.66653(1)9.6984(o)-0.960220.722 0 Td[(e3 9.698421(i)11.5331(c)-3.66653n(d)-0.95892(o)-0.96022m)-0.0.66656(a)-3.66653(d)9.6984r(i)0.87443(d)9.69849(a))6.99218( d)9.69849(a1 9.6984pp)-0.9602213(d)-0.95892(o)-0.96022(o)-0.96023(t)0.87434bo)-0.9602217(f)-8.079ln)-0.960221( )-37.7856(i)-9.784(d)-0.83Ea eadel orda1 9.69842( )-442.815(d)-0.096418( d)9.69841(a)-3.66653(g)9.69849(n)-0.960221(ó)-0.9602t(c)-3.66656(D)-2.792121(i)11.5331( )-5.8091(,)-5.80816(e)-3.66652(n)9.69849(a)-3.6665a3(l)11.533v()0.5.4615( )-37.7845(e)-3.66656(é)-3.663934.8672]TJ-262.823 -19.44 Td[(d)-0.95951(,)18.98653( )-37.7843(T)5.80816(a)18.9842q( )-37.7856(d)-0.95893(t)0.873046(a)-3.66525(o)-0.95892(d)-0.95899(om18.98429(a)-3.66523(d)1.74739(om0a)-5593(n)-0.95892(t)0.873039(n)9.6997t(e)-3.66523(N)7.86659(em0a)-5592( )-37.785*[(d)9.69849(am18.9842H9(E)3.4531M(e)-3338149(am18.9824pp)-0.9602212(t)0.874347(u)-0.960(d)-0.960221(m18.9824(u)-0.960(o)-0.960220.722 0 Td8(e)-14.3252(m)-018.9824q(t)0.874347u(í)-9.7843647( )4.85055(e)0a)-5434( )-250.958a3(l)11.533jn)-0.960221(t)-944347(a)2 ó dg
13
A análise de outros estudos permite a utilização da chamada "a regra dos 80/20",
resumida na Tabela 2.2.
Tabela 2.2 – Regra dos 80/20
Supratentorial 80% Infratentorial 20%
Isquemia 80% Hemorragia 20%
Território carotídeo 80% Território vertebrobasilar 20%
Trombose 80% Embolia Cardiogênica 20%
Hemorragia intraparenquimatosa (HIP) 80%
Hemorragia meníngea (HM) 20%
HIP nos gânglios da base 80% HIP nos outros locais 20%
HM no território carotídeo 80% HM no território vertebrobasilar 20%
Icto completo 80% Icto em evolução 20%
A abordagem do paciente com DEV pode, portanto, ser resumida em identificar
a topografia e a natureza da lesão e identificar a tendência de evolução do doente. A
partir daí, programa-se a conduta caso a caso.
2.1.6 Indicações da TC Cranioencefálica
A TC deve ser realizada em todos os pacientes com DEV na fase aguda. O
método é extremamente seguro e as complicações eventuais relacionam-se com a
possibilidade de reação de tipo alérgico ao contraste, que costuma ser facilmente
contornável. A TC é, inquestionavelmente, um exame de grande utilidade.
É necessário que seja realizado o exame sem e com contraste (o qual pode ser
iônico ou não iônico). A etapa com contraste pode demonstrar particularidades que não
são identificadas sem ele (como malformações arteriovenosas, aneurismas, suspeita de
tumores e outros focos menores de lesão não suspeitados, como pode ocorrer em
embolias múltiplas, vasculites, granulomas e metástases).
O exame em questão também se presta para o acompanhamento temporal da
lesão. Neste sentido, uma lesão isquêmica não identificada num primeiro exame pode
tornar-se evidente após alguns dias. Outra utilidade da TC seqüencial é a análise da
evolução do tamanho de uma HIP e da absorção que está ocorrendo. A análise
seqüencial também pode contribuir para identificar a progressão de compressão do
encéfalo e herniações.
14
2.2 Doença Vascular Cerebral Isquêmica
A isquemia cerebral pode ser focal em conseqüência de doença arterial,
embolização, doença venosa, ou distúrbios hematológicos. A isquemia cerebral também
pode ser global, em conseqüência de diminuição do débito cardíaco, redução da
resistência periférica, ou distúrbios metabólicos. O espectro clínico de isquemia/infarto
cerebral inclui ataques isquêmicos transitórios (AIT), déficit neurológico isquêmico
reversível (DNIR), déficit neurológico isquêmico parcialmente reversível (DNIPR), e
acidente vascular cerebral. Os AIT são curtos episódios de disfunção neurológica que
comumente cessam em minutos, mas podem durar até 24 horas. Os DNIR são episódios
de disfunção neurológica que duram mais de 24 horas e cessam completamente em
vários dias. Um acidente vascular cerebral implica em um elemento de déficit
neurológico fixo.
A pressão de perfusão do encéfalo é a diferença entre a pressão intra-arterial
quando os vasos entram no espaço subaracnóide e a pressão nas veias de paredes finas
no espaço subaracnóide imediatamente antes de sua entrada nos seios venosos durais
mais rígidos. Em circunstâncias habituais, a vascularização cerebral possui a
surpreendente capacidade de auto-regulação. Isto é, na presença de alteração das
pressões de perfusão, o fluxo sangüíneo cerebral é mantido constante em virtude de
vasoconstrição ou vasodilatação cerebral. Nas circunstâncias fisiológicas habituais, o
fluxo sangüíneo cerebral permanece constante entre os limites da pressão de perfusão de
50 e 130 mm Hg. Além destes limites, os mecanismos autorreguladores são incapazes
de manter o fluxo sangüíneo cerebral constante, e o fluxo sanguíneo modifica-se com
alterações da pressão de perfusão. O fluxo sangüíneo cerebral normal para o córtex
encefálico é de aproximadamente 50 a 60ml/100g/minuto. Quando a pressão de
perfusão cerebral cai abaixo de níveis críticos, ocorre isquemia tecidual. A evolução de
um estado reversível de isquemia para um estado irreversível de infarto depende tanto
do grau de redução do fluxo sangüíneo quanto do período em que o tecido cerebral é
submetido a fluxo sangüíneo reduzido. Em geral, o limiar do fluxo sangüíneo cerebral
para atividade elétrica dos neurônios é de aproximadamente 18 m1/100 g/minuto.
A isquemia cerebral pode ser focal em conseqüência de doença arterial,
embolização, doença venosa, ou distúrbios hematológicos. Ela pode também ser global,
em conseqüência de diminuição do débito cardíaco, redução da resistência periférica ou
distúrbios metabólicos. O espectro clínico de isquemia/infarto cerebral inclui ataques
15
isquêmicos transitórios (AIT), déficit neurológico isquêmico reversível (DNIR), déficit
neurológico isquêmico parcialmente reversível (DNIPR), e acidente vascular cerebral.
Os AIT são curtos episódios de disfunção neurológica que comumente cessam em
minutos, mas podem durar até 24 horas. Os DNIR são episódios de disfunção
neurológica que duram mais de 24 horas e cessam completamente em vários dias. Um
acidente vascular cerebral implica em um elemento de déficit neurológico fixo.
A aparência microscópica do infarto encefálico depende do momento do exame
após o ictus inicial. Nenhuma alteração é observada microscopicamente por até 6 horas
após o ictus. As alterações microscópicas iniciais consistem em tumefação das
mitocôndrias neuronais e vacuolação citoplasmática, o que leva a tumefação neuronal
generalizada. Após 24 a 48 horas, os neurônios tornam-se retraídos e picnóticos. Os
astrócitos e oligodendrócitos sofrem tumefação e fragmentação, e as bainhas de mielina
degeneram. No estágio subagudo, três zonas distintas tornam-se visíveis: a zona central
de necrose de coagulação demonstra perda de todos os tipos celulares; a zona reativa
(localizada na periferia da zona central) contém axonios tumefeitos, infiltrados
mononucleares e leucocíticos, e capilares em regeneração; e a zona marginal contém
astrócitos reativos, fibras astrogliais depositadas e coloração neuronal variável. No
estágio crônico, o material necrótico é reabsorvido por elementos da microglia e resta
uma cavidade. A cavidade é atravessada por elementos gliais e fibrovasculares.
2.2.1 TC do Infarto Cerebral
O aspecto do infarto cerebral a TC é mostrado na Figura 2.1 e reflete as
alterações patológicas previamente descritas e é, assim, tempo-dependente. Alterações
iniciais em imagens de TC sem contraste de infartos mesmo grandes freqüentemente são
discretas, e embora possam ser detectadas dentro de 6 a 8 horas após o ictus, podem não
ser evidentes até 24 horas após o ictus. Estes achados incluem ligeira hipodensidade,
efeito de massa mínimo (frequentemente observado como assimetria dos sulcos dos
hemisférios), e perda da distinção entre as densidades das substâncias cinzenta e branca.
Especificamente, a perda da faixa insular foi descrita como sendo um sinal precoce de
infarto agudo da artéria cerebral média. Estes achados iniciais em imagens de TC sem
contraste resultam do desenvolvimento de edema citotóxico. Ocasionalmente, cortes de
TC através da cisterna supra-selar demonstrarão uma artéria cerebral média hiperdensa,
indicativa de trombo dentro da artéria, na fase aguda. O sinal da artéria cerebral média
16
hiperdensa é observado em cerca de 35% dos pacientes com sintomas de infarto agudo
da artéria cerebral média e pode prever um maior volume desb221( )-59.1017(a)-14.3252(g)9.0 cm BT/R292(b(e)-3.6683g)9.6r1(a)-104.75239(r)2.5801 lhW nq8 1481957(e)482 1940/R777Tf0/R129 Do85 0 0 1 105.84 715.2 Tm[(h)-0.95957(i)-9.78501(p)-0.95957(e)-410.523489.241.28 Tf0.-2430.96 -222.585.80F geé3252(86b)-0.95892(s)-5.-5.802(2-3.66523(683g)9.825963.66523(3( )-5.8081-11.5318( 83g)9.825Ié)-3.665275( )-5.80816(v)9.6992(sgm)10.572( 83g)9.69(b)-3.21T)3.4.875(C2.5.43.25b)-0.95055(r)2.580152(a)-14.3252(g)874347(ut)0.874347(e)]TJ250.83.66653(o)-0. mo o e eVC2.5.43.25bI(m)-0.0834( )-59.1q2(e)-142.99595785.8049(e)-3.6683ê( )-5.808175( )-5.80816221( )-59c9(i)0.874347(n)5932(s)-1(a)-173.04339(8.725801 lhW(r)56 TLT*[(V)7.86992r)13.2388(e)oe-0.95892(s)-5.-5.818(e-0.95892(s)-0.95892(qe)-3.66653u-0.08587343(d)-0.9589t-0.957618((é)-3.66523(c)-14.3239(e)-5.818(h( )-48.4443(c)-14.323(é)-3.66523(d.95892(s)-0.95892(o)-0.95892(3(d.95892(sp(c)-14.323ó)-9.78436(n)-0.-3.66653(d)-0.957618(0.95055(221( )-59c9.580152(t16(d)9.69849(e)-3.6683)-9.78436(n,-0.-3.6665)-0.-3.66653(d)-0.957618(0.95055()-3.214.3252(g)9.ev)9.69849(o)]TJ236.8(u)-0.962823(d)-0.957618(o)-3.6665dm)-0.0858734( )-5.80811(e)-3.6665m)10.572( )-48.443(i)-( )-59.1s2(e)-127.35595785.80av)-0.960221(e)-3.66654( )-5.80811(0.95055(3(d)-0.92611(0.95055(dm)-0.0858730.874347(o)75( )-5.80816221( )-59-0.960221( )u0.874347(o)ç)-3.21ã99(i)0.874347(n)-0.9608(o)-3.6665dm)-0.0858733(d)-0.957618(0.95055(c9.580152(om)-0.0858734()-3.214.m)-0.08221( )-59c9.580152(i(i)0.83734( )-5.914))-59.1096022t.874347(o)4()-3.47-5.80881(a)-14r)25739(r)2.58011(t)11.5318(é465)-0197i)0.(3(d.95892(st-0.957618(e-0.95892(sne)-3.66653u-0.08587343()-3.6665ç-0.95892(sã-0.95892(s3(c)-14.3239(e197i)0.(3(d)-0.9589u-0.0858734m)10.572( e-0.95892(sne)-3.66653t-0.957618(o)(r)13.2375(10.572( 83208801516(p)-0.960221(r)13.2375(é)-3.66529(e197i)0.(66653(i)0.874347(o)-0.9603)-0.960221(5)197i)057099(i)0.874347(n)-0.96022110.7418(bm)-0.0858730.221( )-59-0.960221( )a()-3.21ç99(i)0.874ã99(i)0.874347(n)-0.9608(o197i)057dm)-0.0858734( 0.960221(5)197i)0574( )-5.8081b7010(a)-3.66653(r22110.7418(av)-0.960221(e187.006709(e)-1715.2 95785.80o)]TJ236.8(u)-0.09644347(n)-0.960t.874347(o)ó47(n)-0.960x0.221( )-59c9(i)0.874347(n)-0.9608(o197i)0574( )-5.80811(e197i)057v0.960221( )a( 0.960221)-( )-59.1347(n)-0.960gê28772( )-59.)-0.0858730.221( )-59c9(i)0.87434(e)-3.6683g)9.6911(e197i)057O)7.869125.80881(a)-1715.2 99(r)3.585.80465t)11.5318(é.66523(rm)10.572( )-)-0.95891(e187.0089c9(i)0.237)13.2388(e)t-0.957618(oe)-3.66653t-0.957618(óe)-3.66653x-5.80946(p)-0.957618(c-0.95892(s3(c)-14.3239(e187.0089é)-)-0.95891(e197i)0.(c()-3.6665-9.78566(a)6.99348( )3()-3.6665c(d.95892(st-3.2388(e).66539e)-3.66523(r)10.957618(z()-3.6665-9.)-5.8081b)-0.0858733(d)-0.957618(e197i)057p)-0.0858733(d)-0.957616(m)-0.085872088014(t16(d)9.69849(e)-3.66834347(o)-0.9604( )-5.8081-59.1017(a)-14.3252(ç)-3.21ã99.580152(om(e)-3.68(o197i)057dm)-0.0858734( )-5.80811(e20880160t.9602211.64295785.803(d)-0.95761(a)-3.66653(c)-3.66653(i)09.78436(n)-0197i)057c)-3.66653(i)09.78436(n)-0197i)0574()-3.21l.874347(o)4()-3.214347(o)-0.9604( )-5.8081n47(n)-0.960t.874347(o)c)-3.66653(i)0.874347(e)-197i)057099(i)0.8744( )-5.8081l.874347(o)u816(d)9.698a)-14.3252(g)9.698494( )-5.8081)0.874347(e)-2088019)-0.95957(a)-3.7010(a.80881(a)-141.6429-(r)56 T5.80465n)11.5318(éc)-3.289(e))-3.6665fé3252(86b)-0)-0.95892(0.957618(oe)-3.66653e)-133.714(e-0.95892(s)-514-0.79(e)-3.66523(r)214-0.79(-0.95892(be-0.95892(sc(d.95892(su-0.0858734ne)-3.66653d63.66523(á14.3239(e)-3.66523(r)13.2388(e)oe)-3.66653e)-133.714(à)-)-0.95891(e133.7181-59.1.66523(d)-0.95892(0.957618(ê( )-5.8081n4c9.580152(i(i)0.8373av)-0.960221(e14-0.761(a)-3.66653( )-48.443(i)-9.78436(n)-014-0.761ba)-3.66653(c)-3.66653(i4347(o)-0.960b)9.69849(t)0.874347()-9.78436(n)-014-0.761i(i)0.8373ô)-3.66653(i9.)-0.0858730.221( )-59c(e)-146.59295785.80av)-3.21)-9.78436(n)-0133.7181c9.580152(4()-3.21l.6(d)9.69849(e)-3.6683816(d)9.698a)-14.3252(g)9.698494( )-5.8081)09.78436(n)-014-0.761e( )-5.8081n40. )-5.80816(m)-0.08g0.874347(o)a-(m)-0.08dm)-0.0858734( )-5.8081pm)-0.0858734( 772( )-59.)-0.085873farn47(n)-0.960t.i arr465-0.95892(bu-0.0858734l13.2388(e)t-0.957618(o)(r)13.237ne)-3.66653d6 cegrc86b2(0.957618(u-0.0858734x6 )-48.4443(c)-14.3239(e)-5.818((e)-3.66653(v))-0.95891(e1g)9.691á14.3239(e)g63.66523(ua)-3.66653( )-0.960221(5)1g)9.691cinmno e( )-5.8081n43.66653(o)-0. 0.960221(5)1gi go sde1g ut(5)1gi22127.12858734(a)-3.66653(s)-5.37099( )-59.10. m la in
17
No estágio pós-ictus subagudo (10 a 21 dias), o edema e o efeito de massa do
infarto começam a desaparecer. Durante este estágio também há invasão de células da
microglia. A invasão de células da microglia, bem como o edema reduzido, pode tornar
a área de infarto isodensa em relação ao encéfalo normal em imagens de TC sem
contraste. Este fenômeno de isodensidade paradoxal é denominado “efeito
obscurecimento”.
No estágio pós-ictus crônico (> 21 dias) o edema desaparece completamente. As
células da microglia reabsorvem o tecido necrótico, e este tecido é substituído por
líquido extracelular, bem como por fibras gliais de união. A aparência à TC sem
contraste é de uma transparência bem definida, envolvendo tanto a córtex quanto a
substância branca. Há evidência de perda de volume com alargamento dos sulcos
adjacentes e dilatação ventricular ipsilateral. Pode haver faixa cortical fina residual na
região do infarto, representando neurônios preservados. Alguns neurônios em uma área
de infarto podem ser preservados devido ao desenvolvimento precoce de fluxo
sanguíneo colateral leptomeníngeo após o evento isquêmico. Além disso, determinadas
camadas (I, II e VI) provavelmente são menos susceptíveis à isquemia que outras.
Raramente, pode ser observada calcificação macroscópica no leito infartado.
Como afirmado previamente, o realce após a administração intravenosa de
material de contraste pode estar presente no estágio crônico, mas geralmente não está
presente por volta de 3 a 6 meses após o ictus.
2.3 Doença Vascular Cerebral Hemorrágica
A hemorragia intracraniana (HIC) não-traumática frequentemente apresenta-se
com uma alteração súbita da condição neurológica acompanhada por cefaléia. Imagens
de TC, como a da Figura 2.2, sem contraste são a modalidade de imagem inicial de
escolha para pacientes que se apresentam com achados sugestivos de HIC. A extrema
sensibilidade da TC a hemorragias agudas permite rápida identificação da hemorragia
bem como localização anatômica precisa. As causas mais comuns de HIC não-
traumática incluem aneurisma, malformação vascular, hipertensão, infarto hemorrágico,
hemorragia tumoral, trombose venosa, embolia séptica, abuso de drogas e vasculite.
Frequentemente, a distinção entre estas pode ser feita com base na história clínica e nos
achados em estudos de TC e RM. Além disso, a determinação da localização de
hemorragia subaracnóide (HSA), hemorragia intraventricular (HIV), hemorragia
18
intraparenquimatosa (HIP), ou uma associação destas é importante na distinção da
etiologia do sangramento. Segundo OSBORN AG, a HIC é uma frequente indicação
para estudos neurorradiológicos de urgência.
Figura 2.2 - Imagem de TC característica de AVC Hemorrágico
2.3.1 HSA – Hemorragia Subaracnóide
A HSA geralmente é um evento agudo acompanhado por cefaléia intensa e
frequentemente seguido por perda da consciência. A TC sem contraste é a modalidade
de imagem de escolha para detectar HSA aguda. No estágio agudo, a HSA é visualizada
como aumento da densidade dentro dos sulcos, cisternas e fissuras do encéfalo. A
sensibilidade da TC sem contraste para detecção de HSA é de aproximadamente 90%
nas primeiras 24 horas após o ictus inicial e de 50% uma semana após o ictus inicia1. A
imagem de TC em janela e ajustes de nível intermediários entre o encéfalo e o osso
pode possibilitar a detecção de HSA sutil na interface encéfalo-osso. Mais de uma
semana após o ictus inicial, a TC é muito menos sensível para a detecção de HSA. Isso
é devido ao fato de que à medida que a hemoglobina é progressivamente decomposta, o
sangue torna-se cada vez mais isointenso em relação ao LCR. Na verdade, se for
visualizado aumento da densidade no espaço subaracnóide mais de uma semana após o
evento inicial, deve ser considerado um episódio de recidiva do sangramento. Mesmo
no estágio agudo, uma imagem de TC negativa sem contraste não exclui uma pequena
quantidade de HSA de origem intracraniana, ou HSA de origem raquiana. Portanto, se
19
não houver contra-indicação, deve ser realizada uma punção lombar em um paciente
com suspeita de HSA no qual a imagem de TC sem contraste é negativa.
Embora vários estudos tenham relatado a capacidade de estudos de RM de
detectar HSA aguda, a RM é menos sensível que a TC na detecção de HSA no estágio
agudo. A sensibilidade da RM para a detecção de hemoderivados extravasados depende
da decomposição progressiva de hemoglobina. Os estudos de RM são relativamente
insensíveis para a detecção de HSA aguda porque a pressão parcial de oxigênio
relativamente maior no LCR retarda a conversão de oxi-hemoglobina em desoxi-
hemoglobina e metemoglobina. Esta conversão é essencial para alterar as velocidades
de relaxamento de prótons vizinhos, o que permite detecção de hemorragia em estudos
de RM. Embora os estudos de RM sejam relativamente insensíveis para HSA aguda,
esta técnica é extremamente sensível aos efeitos da HSA crônica. Isso é devido à
deposição subpial de hemossiderina no estágio crônico, o que resulta em siderose
superficial. A deposição subpial crônica de hemossiderina é visualizada como acentuada
hipointensidade revestindo a superfície parenquimatosa, sendo mais bem visualizada em
sequências em spin-eco ou gradiente-eco com TR longo/TE longo.
2.3.2 HIP – Hemorragia Intraparenquimatosa
Patologicamente, a HIP pode ser dividida em quatro estágios: aguda (l a 3 dias),
subaguda (4 a 8 dias), cápsula (9 a 13 dias), e organização (> 13 dias). O aspecto da HIP
à TC varia com o tempo e correlaciona-se com as alterações neuropatológicas descritas
previamente. Agudamente, imagens de TC sem contraste demonstram uma massa
hiperdensa bem marginada devido ao elevado conteúdo protéico de hemácias intactas.
Pode haver alguma baixa densidade no encéfalo adjacente devido à inflamação e edema
perivascular. À medida que ocorre lise dos eritrócitos e perda progressiva da
hemoglobina no estágio subagudo, o hematoma torna-se progressivamente isodenso em
relação ao parênquima encefálico. No estágio de organização inicial, o enchimento do
hematoma acelular com uma matriz vascularizada pode fazer com que o hematoma
torne-se novamente um pouco hiperdenso em comparação com as estruturas encefálicas.
Finalmente, uma área de encefalomácia é observada como uma área de baixa densidade
com efeito de massa negativo.
O realce do hematoma é observado pela primeira vez no estágio subagudo e está
relacionado à inflamação perivascular. O padrão de realce é inicialmente um anel
20
completo ou quase completo ao redor da periferia do hematoma. No estágio de cápsula
e de organização inicial, a neovascularização em desenvolvimento contribui para o
padrão de realce anular. O anel de realce diminui gradualmente de diâmetro e torna-se
mais irregular e mais intenso. Finalmente o padrão anular de realce é substituído por um
padrão nodular em virtude de enchimento no centro do hematoma por
neovascularização em desenvolvimento.
O padrão de realce, principalmente o realce nodular de hemorragia não-
neoplásica, pode ser confundido com o padrão observado nas neoplasias hemorrágicas.
Tipicamente, há menor efeito de massa com uma hemorragia não-neoplásica que com
uma hemorragia tumoral no estado subagudo. Também, o volume de realce diminui
com o tempo com os HIP não-neoplásicos, ao contrário do volume de realce em
hemorragias neoplásicas, que pode aumentar com o tempo.
2.3.3 HIV - Hemorragia Intraventricular
Como na HSA, a HIV é visualizada em imagens de TC como áreas de
hiperdensidade dentro do sistema ventricular. Como o coágulo sanguíneo é mais pesado
que o LCR, tende a depositar-se abaixo dele. O sangue coagulado pode obstruir os
forames de saída do sistema ventricular, resultando em hidrocefalia.
Da mesma forma que a HSA, aqui há sensibilidade limitada da RM na detecção
de HIV aguda. Novamente, isso é devido à elevada pressão parcial de oxigênio dentro
do LCR comparada ao parênquima encefálico e à menor velocidade de decomposição
da hemoglobina.
2.3.4 Aneurisma
A causa mais comum de HSA não-traumática é a ruptura de aneurisma,
responsável por aproximadamente 70% a 80% dos casos. A incidência de ruptura de
aneurisma na América do Norte é de aproximadamente 28.000 por ano, e a mortalidade
nos primeiros 30 dias após a ruptura é de aproximadamente 50%. As estimativas da
prevalência de aneurismas não rompidos na população em geral, baseada em série de
necrópsia, variam entre 0,1% e 9,0%. A taxa de sangramento anual de aneurismas não-
rotos é de aproximadamente 3%. A taxa recidiva do sangramento de aneurismas rotos
não tratados é de aproximadamente 20% nas duas primeiras semanas.
21
A Figura 2.3 ilustra a vista inferior do cérebro e das artérias da base do cérebro.
Os aneurismas intradurais originam-se mais comumente no local de ramificação arterial
proximal, na adjacência do círculo (ou polígono) de Willis
7
. As localizações mais
comuns do aneurisma são: a junção da artéria cerebral anterior com a artéria
comunicante anterior (30%), a junção da artéria carótida interna com a artéria
comunicante posterior (25%), a bifurcação/trifurcação da artéria cerebral média (15%),
e o final da artéria carótida interna ou junção das artérias carótida e oftálmica (15%).
Figura 2.3 - Vista inferior do cérebro e das artérias da base do cérebro
Aproximadamente 15% dos aneurismas originam-se no sistema vertebrobasilar,
mais comumente na terminação da artéria basilar ou na origem da artéria cerebelar
posterior inferior. Uma representação esquemática do polígono de Willis, artérias do
cérebro e tronco cerebral pode ser vista na Figura 2.4.
7
O polígono de Willis ou círculo de Willis (também chamado de círculo arterial cerebral ou círculo
arterial de Willis) é um círculo de artérias que suprem o cérebro.
22
Figura 2.4 - Representação esquemática do polígono de Willis, artérias do cérebro e
tronco cerebral
Mais comumente, os aneurismas intracranianos são saculares e acredita-se que
possuam uma etiologia combinada congênita e do desenvolvimento, originando-se de
uma associação de fraqueza intrínseca da parede arterial e tensão hemodinâmica.
O papel das neuroimagens na avaliação do aneurisma inclui rastreamento da
população de alto risco ou suspeita, diagnóstico de HSA após ruptura, e detecção de
complicações de ruptura do aneurisma.
As imagens de TC podem rotineiramente detectar aneurismas maiores que 1 cm;
entretanto, a sensibilidade e a especificidade de imagens por TC na detecção de
pequenos aneurismas variam muito segundo os estudos realizados. Podem ser usadas
várias técnicas que otimizarão a capacidade da TC de detectar um aneurisma: injeção de
23
contraste em bolo, seqüência de imagens dinâmica, cortes finos (1,5 a 2,0 mm) e espaço
mínimo entre os cortes (1,5 a 2,0 mm) através do círculo de Willis.
Em imagens de TC sem contraste, um aneurisma é tipicamente visualizado como
uma área arredondada de hiperdensidade muito próximo do círculo de Willis. Pode
haver calcificação. A calcificação é tipicamente curvilínea e periférica, mas pode
ocorrer mais centralmente dentro do trombo organizado. Se houver calcificação, é
importante definir a relação entre a calcificação e o colo do aneurisma. A calcificação
do colo cirúrgico pode ser uma contra-indicação ao grampeamento neurocirúrgico.
24
3 DICOM
3.1 Introdução
Foi definido, em 1993, um padrão para transferência de imagens e informações
associadas, conhecido como DICOM 3.0 (“Digital Imaging and Communication in
Medicine”).
O DICOM é um padrão para comunicação e armazenamento de imagens médicas
e informações associadas, atualmente utilizado por quase todas as modalidades de
imagens médicas. O padrão DICOM contém uma arquitetura para troca de informações
entre modalidades e também definições de protocolos de comunicação que visa facilitar
o fluxo de imagens num hospital ou através de hospitais e também tornar compatíveis,
equipamentos distintos e de diferentes fabricantes.
Tendo como palavra-chave conectividade, o objetivo principal deste protocolo é
o aumento da qualidade dos serviços de diagnóstico por imagem, além da redução de
custos, seja de material ou pessoal através da troca de dados de imagens digitais e a
comunicação em rede entre produtos (equipamentos) de vários fabricantes. Este
protocolo contém formatos padronizados para dados de imagens digitais, operações de
usuários (mandar, receber, solicitar, imprimir, etc.) e um modelo comum para a
construção e a troca de informações. Usuários deste protocolo podem proporcionar
serviços de radiologia entre Hospitais e Clínicas e também através de regiões
geográficas, obter todas as vantagens dos recursos existentes e manter os custos baixos
através da compatibilidade dos equipamentos e sistemas atuais. Por exemplo, PC’s,
workstations, Tomógrafos Computadorizados, Ressonâncias Magnéticas, Equipamentos
de Ultrasonografia e Medicina Nuclear, Radiografia Computadorizada, Digitalizadores
de Filmes, Impressoras Laser, arquivos compartilhados, host computers e mainframes
fabricados por diferentes empresas e localizados num mesmo site ou em vários sites
podem se ‘falar’ através de uma rede de sistema aberto.
O padrão foi desenvolvido por um comitê de trabalho, formado por membros do
“American College of Radiology” (ACR) e da “National Electrical Manufactures
Association” (NEMA) que iniciou os trabalhos em 1983, o qual foi organizado com o
intuito de desenvolver um padrão para comunicação digital de informações e imagens.
O comitê publicou a primeira versão em 1985, que foi chamada de ACR-NEMA 300-
1985 ou (“ACR-NEMA Version 1.0”), e a segunda versão em 1988, chamada de ACR-
25
NEMA 300- 1988 ou (“ACR-NEMA Version 2.0”). A terceira versão do padrão,
nomeada de DICOM 3.0, apresentada em 1993, quando foi substancialmente enfatizado
o conteúdo alterado, discutidos alguns problemas da primeira e da segunda versão e
criados novos processos, principalmente o protocolo de comunicação para rede (FRITZ,
1999).
O padrão hoje está essencialmente completo, apesar das mudanças que ainda
possam acontecer devido à evolução, pois ele é um padrão multi-partes, podendo ter
suas informações acrescidas quando necessário.
Como um padrão estável e desenvolvido, ele está sendo utilizado por diversas
empresas tecnológicas e produtoras de equipamentos de imagens médicas. O DICOM é
considerado adequado para o desenvolvimento e implantação de sistemas de radiologia
sem filme (“Filmless”).
O padrão DICOM diferencia-se dos outros formatos de imagens tais como
(JPEG
8
, TIFF
9
, GIF
10
e outros), por permitir que as informações dos pacientes sejam
armazenadas juntamente com a imagem, mas de forma estruturada. Isto é, elas são
armazenadas contendo delimitadores, conhecidos como “tags”, que identificam e
limitam as informações.
A grande vantagem dessa estrutura é permitir a leitura do arquivo e extração das
informações necessárias para uma comunicação direta, ou seja, gerenciar as imagens e
informações dos pacientes de forma coerente, mantendo sua integridade (NEMA, 2001).
3.2 Evolução histórica
A comissão ACR-NEMA (American College of Radiology – National Electrical
Manufacturers Association) nasceu em 1983, com a missão de desenvolver uma
interface entre equipamentos de imagens médicas (tais como tomografia
computadorizada, ressonância magnética, medicina nuclear e ultra-sons) e qualquer
outro dispositivo com que o utilizador quisesse se comunicar. Além das especificações
para a ligação do hardware, o padrão a ser desenvolvido deveria incluir um dicionário
8
Em informática, JPEG é a sigla de Joint Photographic Experts Group, tratando-se de um formato de
compressão, aplicado em imagens digitais.
9
O TIFF (acrónimo para Tagged Image File Format) é um formato de arquivo raster (popularmente
chamado de Bitmap, no Brasil) para imagens digitais.
10
GIF (Graphics Interchange Format, que se pode traduzir como "formato para intercâmbio de gráficos")
é um formato de imagem de mapa de bits muito usado na world wide web, quer para imagens fixas, quer
para animações.
26
de elementos de dados, que possibilitasse a interpretação e a visualização corretas da
imagem.
A comissão examinou muitas interfaces normalizadas já existentes, mas
nenhuma demonstrou ser inteiramente satisfatória. No entanto, algumas dessas
interfaces sugeriram idéias bastante úteis. Por exemplo, a AAPM (American Association
of Physicists in Medicine) tinha desenvolvido um ano antes, um formato padrão para
gravar imagens em banda magnética. Este formato era constituído por um cabeçalho
(Header) contendo a descrição da imagem e pelos elementos de dados (tais como
“patient name”). O conceito de usar elementos de dados de tamanho variável,
identificados por uma tag ou key (o nome do elemento), foi adotado pela comissão por
parecer particularmente interessante.
Após dois anos de trabalho, a primeira versão do padrão - ACR-NEMA 300-
1985 (também chamada ACR-NEMA versão 1.0) - foi distribuída no encontro anual da
RSNA (Radiological Society of North America) e publicada pela NEMA. Como em
todas as primeiras versões, foram encontrados erros e sugeridos alguns melhoramentos.
A comissão ACR-NEMA criou o grupo de trabalho WG VI (Working Group VI), para
prosseguir a criação do padrão. Em 1988, foi publicado o ACR-NEMA 300-1988 (ou
ACR-NEMA versão 2.0). Este usou substancialmente a mesma especificação de
hardware da versão 1.0, mas adicionou novos elementos de dados e corrigiu vários erros
e inconsistências da versão anterior.
O problema foi que em 1988 muitos utilizadores queriam uma interface entre
dispositivos de imagem e uma rede. Apesar de ser possível tal empreendimento com a
versão 2.0, este padrão não contemplava as partes necessárias a uma comunicação
robusta através da rede. Por exemplo, podia-se enviar a um dispositivo da rede uma
mensagem que contivesse um cabeçalho de informação e uma imagem, mas não se
saberia necessariamente o que tal dispositivo faria com os dados. Uma vez que a versão
2.0 não tinha sido projetada para ligar equipamentos diretamente a uma rede, a
resolução destes problemas significaria fazer grandes alterações ao standard.
A comissão tinha desde o início adotado a idéia de que futuras versões do
standard ACR-NEMA, manteriam compatibilidade com as versões anteriores, o que
colocou algumas restrições ao WG VI. Numa decisão da maior importância para o
standard, foi estabelecido que fosse desenvolvida uma interface para suporte de rede, a
qual iria requerer mais do que a adição de ajustes à versão 2.0. Teria de ser feita a
reengenharia de todo o processo e o método adotado foi o da Metodologia Orientada a
27
Objetos (Object Oriented Design).
Além disso, um exame cuidadoso dos tipos de serviços necessários para se
comunicar através de redes diferentes, mostrou que a definição de um serviço básico
permitiria à camada do topo do processo de comunicação (a camada de Aplicação), se
comunicar com diversos protocolos de rede - protocolos estes modelados como uma
série de camadas e por isso muitas vezes referidos por “pilhas”. A pilha existente na
versão 2.0, que definia uma ligação ponto-a-ponto, era um dos protocolos. Foram
escolhidos outros dois baseados na sua popularidade e futura expansão: o TCP/IP
(Transmission Control Protocol/Internet Protocol) e o ISO-OSI (International
Standards Organization Open Systems Interconnection). A filosofia básica de
concepção, consistia numa dada aplicação de imagem médica (fora do domínio do
standard), poder se comunicar sobre qualquer uma das pilhas com outro dispositivo
usando a mesma pilha. Com a adesão ao standard tornar-se-ia possível comutar as
pilhas de comunicação sem ter de reescrever os programas de aplicação.
Após três anos de trabalho, o grupo WG VI, com a ajuda de muitas sugestões
provenientes tanto da indústria como dos meios acadêmicos, completou o ACR-NEMA
DICOM também chamado DICOM 3.0.
3.3 Constituição da Norma
A especificação do standard DICOM 3.0 encontra-se dividida em várias partes.
Tal divisão permite que cada parte possa expandir-se individualmente sem haver
necessidade de reeditar todo o standard. Dentro das partes, as secções sujeitas às
adições ou modificações encontram-se em suplementos, reduzindo assim o esforço de
edição necessário quando da atualização das mesmas.
O DICOM 3.0 compreende 13 partes distintas e 35 suplementos. De forma a dar
uma idéia geral do conteúdo do standard, descreve-se resumidamente em que consiste
cada uma das 13 partes constituintes.
Parte 1 - Introduction and Overview
É o documento que proporciona uma visão geral sobre o standard. Descreve os
princípios usados na concepção deste, define muitos dos termos utilizados e faz uma
breve descrição das restantes partes que o constituem.
Parte 2 - Conformance
Nesta parte é apresentada a definição de “conformância” (Conformance) ao
28
DICOM e é descrita a forma de consegui-la.
Parte 3 - Information Objects Definitions
Esta descreve como é que são definidos os objetos de informação (IODs),
definindo em seguida as classes de objetos de informação usadas no DICOM.
Parte 4 - Service Class Specifications
Contém as especificações das “Service Classes”. Os papéis (roles) de SCU e
SCP também são definidos nesta parte, sendo igualmente especificado o comportamento
esperado de cada um deles, em cada classe.
Parte 5 - Data Structure and Semantics
O processo de codificação dos dados na forma de mensagem para posterior
comunicação é especificado nesta parte. Pode dizer-se que a principal função da parte 5,
é a de definir a “linguagem” que dois dispositivos devem usar para comunicarem um
com o outro. São também definidos, o conjunto de caracteres usado (para texto), a
forma como uma imagem comprimida JPEG é codificada, a maneira como os elementos
de dados são estruturados e a sintaxe de transferência usada.
Parte 6 - Data Dictionary
Esta parte é a listagem completa de todos os elementos de dados, com a
indicação dos seus nomes numéricos (ou tags), dos seus nomes textuais, da sua
representação (texto, número em vírgula flutuante, etc.), se contêm um ou mais itens, e
quais os valores permitidos para aqueles elementos que só podem tomar certos valores.
Parte 7 - Message Exchange
Esta parte especifica as operações e o protocolo usados para trocar mensagens.
Estas operações são usadas para executar os serviços definidos pelas Service Classes
(Parte 4).
Parte 8 - Network Com. Support for Message Exchange
Define os serviços e protocolos usados para trocar mensagens (Parte 7)
diretamente em redes OSI e TCP/IP.
Parte 9 - Point-to-Point Com. Support for Message Exchange
Define os serviços e protocolos usados para trocar mensagens (Parte 7)
diretamente usando a interface DICOM de 50-pinos (obsoleto).
Parte 10 - Media Storage and File Format
Define os formatos lógicos para armazenar informação DICOM em vários meios
(Media).
29
Parte 11 - Application Profiles
Define uma forma dos utilizadores e vendedores especificarem a seleção do meio
de armazenamento (Media) entre os existentes na Parte 12 e os objetos de informação
(Information Objects) entre os definidos na Parte 3.
Parte 12 - Formats and Physical Media for Data Interchange
Referencia as especificações da indústria para os meios físicos (Physical Media)
e para os sistemas de formatação de pasta desses meios (Media Formatting File
Systems). Inclui cinco tipos de meios (Media): CD-R 650 MByte, 5.25’’ MOD 650
MByte, 5.25’’ MOD 1.3 GByte, 3.25’’ MOD 128 MByte e 3.5’’ Floppy Disk.
30
4 Imagens Médicas
4.1 Análise de Imagens Médicas
A análise de imagens (diagnóstico por imagem) pode ser considerada uma das
etapas mais importantes no processo de diagnóstico de doenças e deve ser efetuada
levando-se em consideração os aspectos densidade, forma, tamanho e localização.
Ao se analisar cada aspecto em separado, pode-se dizer que a densidade de um
tecido numa imagem corresponde às variações de tons que vão da cor branca à cor
preta, passando pelo cinza. A Figura 4.1mostra apenas 21 subdivisões desta escala.
Figura 4.1 - Exemplo de escala de cinza
A característica que geralmente sobressai quando se analisa uma imagem, é uma
diferença de densidades (tons). E é a partir da presença de tons distintos que pode-se
estabelecer o que é normal e o que é considerado anormal, e só então levar em
consideração a forma, o tamanho e a localização desta densidade discordante do padrão
normal, previamente estabelecido para cada caso a ser estudado.
Figura 4.2 - Quadrados de densidades diferentes
Ao se analisar a Figura 4.2 e definir que o quadrado da esquerda é representativo
de uma densidade normal, não nos resta outra possibilidade a não ser afirmar que o
31
Figura 4.3 - Inserção de área de baixa densidade
De maneira análoga ao que pode ser visto na Figura 4.3, caso seja considerado
que o padrão normal é representado pela imagem da esquerda e, ao se analisar a imagem
da direita pode ser constatada a presença de uma área escura (baixa densidade) no canto
superior esquerdo, deve-se classificar esta última imagem como não normal ou, melhor
dizendo, anormal.
Figura 4.4 - Inserção de áreas de baixa e alta densidades
Analisando-se a Figura 4.4, aplicando-se o processo visto anteriormente, e
adotando-se como normal a existência de uma área de baixa densidade no canto
superior esquerdo da imagem da esquerda, a área de alta densidade (quadrado branco),
contida na imagem da direita, dá a esta imagem a qualidade de anormal.
32
4.2 Imagens Médicas – RX e TC
A Figura 4.5 refere-se à Radiografia convencional. Nela pode-se ver que uma
fonte emite feixe de Raios-X em forma cônica, a qual é colimada para um determinado
tamanho, e esta emissão é chamada de radiação incidente.
Figura 4.5 - Radiografia convencional
Os Raios-X irradiam o paciente e sofrem atenuação da anatomia interna. A
radiação resultante, chamada de feixe transmitido, é então passada a uma película de
filme de Raios-X. A emulsão da superfície do filme irá expor de acordo com a
intensidade da radiação transmitida. A quantidade de exposição no filme considerada
em termos de densidade óptica evidencia uma representação qualitativa da atenuação
(redução da intensidade) do feixe.
Dentre algumas das vantagens da Radiografia convencional, estão um grande
campo de visão, excelente detalhamento ósseo, velocidade e baixo custo. No entanto, a
grande limitação está no fato de haver superposição de todas as estruturas anatômicas
no filme, a qual pode ocultar detalhes importantes, como estruturas que diferem
levemente em densidade, como tumores e o tecido que os envolve.
Outra dificuldade é que muitas áreas anatômicas são simplesmente inacessíveis
devido às estruturas ósseas que as envolvem.
A Figura 4.6 ilustra o resultado de se utilizar esta técnica num objeto de densidade
heterogênea, como o corpo de um paciente, no qual existem partes da anatomia interna
que apresentam densidades diferentes. Partindo do princípio que a imagem de um objeto
tridimensional (o paciente) será transformada numa representação bidimensional através
33
do filme, grande parte da estrutura interna identificada por densidades diferentes
permanecerá desconhecida, o que quer dizer que mesmo que a radiação incidente sofra
graus diferentes de atenuação à medida que passa pelo objeto, a atenuação resultante ou
total pode parecer a mesma.
Figura 4.6 - Atenuação resultante de raio-X de imagem heterogênea
Derivada da palavra grega “tomo” que significa secção ou fatia e “graphy” que
significa escrever, a tomografia emprega os mesmos princípios básicos que a radiografia
convencional, com o objetivo de criar uma representação anatômica baseada na
quantidade de atenuação sofrida pela radiação incidente. O nome tomografia
computadorizada deve-se ao fato desta técnica ser altamente dependente de
computadores para realizar os cálculos matemáticos relativamente complexos referentes
às informações coletadas através da rotação de 360º do feixe de Raios-X ao redor do
paciente. É a compilação dos múltiplos ângulos de visão provenientes da rotação
completa que proporcionará dados necessários à reconstrução (série de cálculos) da
fatia, como mostrado na Figura 4.7, que será então mostrada num monitor e
posteriormente fotografada numa película de filme radiográfico.
34
Figura 4.7 - Formação de uma imagem de Tomografia
A análise destas imagens das fatias extraídas do corpo humano por médicos
especialistas, gera pareceres com diagnósticos sobre os aspectos anatômicos inerentes à
região em estudo, na dependência de correlação clínica.
35
5 Processamento de Imagens
A análise de imagens por computador é uma tecnologia de muita importância na
atualidade, pois auxilia o desenvolvimento de atividades humanas em áreas como:
medicina, geologia, meteorologia, astronomia, engenharia de produção, robótica,
arquitetura, artes e arqueologia, dentre outras.
As pesquisas em análise de imagens iniciaram–se no início da década de sessenta,
como parte das atividades do programa espacial americano, conduzido pela NASA
11
. O
objetivo original era melhorar a qualidade das imagens captadas pelas sondas espaciais.
Com o passar dos anos a tecnologia desenvolvida foi reaproveitada em outros campos e
apareceram novos problemas, que motivaram novas descobertas. Historicamente, a área
sofreu grande influência das universidades americanas e caracterizou–se pelo uso de
técnicas digitais de diversas naturezas: filtragem linear, reconhecimento estatístico de
padrões, gramáticas formais, redes neurais, inteligência artificial, etc.
Por volta do ano de 1964, na École Nationale Supérieure des Mines de Paris,
MATHERON G e SERRA J decidiram experimentar uma abordagem singular para
resolver problemas de analise de imagens: extrair informação de imagens a partir de
transformações de formas, realizadas através de dois operadores ou transformações
elementares, que eles denominaram dilatação e erosão.
Entre 1964 e 1968, MATHERON G e SERRA J, com a ajuda do engenheiro Jean
Claude Klein, transformaram a sua idéia em tecnologia, construindo o primeiro
analisador morfológico de imagens: o “Texture Analyser”, um computador com
hardware especializado para realizar, com eficiência, dilatações, erosões e operações
lógicas entre imagens binárias. Com esse instrumento muitos problemas práticos de
análise de imagens foram resolvidos, o que motivou a sua industrialização e provocou
um grande impulso das pesquisas em uma nova disciplina: a Morfologia Matemática
(MM).
Vários recursos podem ser adotados com o objetivo de extrair informações
relevantes da imagem e prepará-la para ser utilizada como dado de entrada de redes
neurais artificiais. Dentre eles podem ser citados a limiarização (threshold) e a abertura
e o fechamento. Estes dois últimos são combinações das técnicas de erosão e dilatação.
11
NASA - National Aeronautics and Space Administration é uma agência do governo dos Estados
Unidos, responsável pelo seu programa espacial. A NASA foi criada em julho de 1958 pelo National
Aeronautics and Space Act.
36
5.1 Limiarização
As informações de valores de pixels em um arquivo DICOM proveniente de um
equipamento de Tomografia Computadorizada são valores de densidades, medidos em
Unidades Hounsfield e não valores de intensidade presentes em escala de cinza. Estes
valores de densidades são conhecidos para determinadas estruturas do corpo humano,
bem como os valores para o ar e para a água. Uma das grandes vantagens do uso dos
valores de densidade é que estes não estão sujeitos às variações na visualização, tais
como iluminação do ambiente e brilho e contraste do monitor.
A Figura 5.1 e a Figura 5.2 mostram a imagem original e a imagem resultante da
filtragem por densidade na faixa entre 60 e 80 UH (Unidades Hounsfield).
Figura 5.1 – Imagem de um exame de Tomografia Computadorizada do Crânio
Figura 5.2 – Imagem após filtro por densidade (limiarização) entre 60 e 80 UH
37
Após a segmentação proporcionada pela aplicação de thresholding podem ser
utilizadas técnicas de Erosão e Dilatação para filtrar possíveis ruídos (pixels isolados).
5.2 Morfologia matemática
A palavra morfologia vem do grego e significa estudo (i.e. logia) das formas (i.e.
morphos).
A força da MM reside no fato de quantificar a intuição do pesquisador, analisando
a estrutura geométrica das imagens a partir de um conjunto perfeitamente definido e
conhecido - o Elemento Estruturante. Este vai interagir com cada entidade contida na
imagem em estudo, modificando a sua aparência, a sua forma, o seu tamanho
permitindo assim tirar algumas conclusões necessárias. A eficiência e também a
dificuldade da morfologia matemática reside na escolha da deformação certa para
transformar a intuição intelectual em aplicação prática.
Em resumo, sob um ponto de vista teórico, a MM estuda decomposições de
operadores (mapeamentos ou transformações) entre reticulados completos em termos de
quatro classes de operadores elementares: dilatações, erosões, anti–dilatações e anti–
erosões. Sob um ponto de vista prático, esta técnica tem aplicações em vários problemas
de análise de imagens, como restauração, segmentação, medidas, descrição simbólica e
detecção de silhueta, dentre outros.
De forma geral, existem dois tipos de morfologia matemática, a morfologia
binária que se aplica sobre imagens binárias e a morfologia cinza que se aplica sobre
imagens em níveis de cinza. Na morfologia binária, na vizinhança de cada pixel da
imagem original, é procurada uma configuração de pontos pretos e brancos. Quando a
configuração é encontrada, ao pixel correspondente da imagem resultante é dado o
rótulo “verdadeiro”; senão, o pixel resultante recebe o rótulo “falso”. Uma operação
morfológica binária é, portanto completamente determinada a partir da vizinhança
examinada ao redor do ponto central, da configuração de pontos pretos e brancos nessa
vizinhança e do algoritmo.
Na morfologia cinza, na vizinhança de cada pixel ou numa parte da vizinhança da
imagem original, é necessário conhecer o valor do pixel mais escuro MIN, o valor do
pixel mais claro MAX. O valor do pixel resultante corresponde a uma combinação
particular de MAX e MIN. O tamanho e a forma da vizinhança, as regiões de pesquisa
38
de MIN e MAX e o algoritmo determinam completamente uma operação de morfologia
cinza.
5.3 Morfologia Binária
A morfologia matemática representa um ramo não linear das técnicas de
processamento de imagens. De forma geral, a análise de imagens necessita da extração
de parâmetros. Pode-se dizer que atrás de qualquer parâmetro, foi usada uma
transformação de imagens. Um bom exemplo disso é o cálculo da área de uma entidade
digital. Calcular a área consiste em verificar o número de pontos contidos nesta
entidade. Esta operação pode ser interpretada pela quantidade de vezes que um ponto
teste, percorrendo a imagem, encontra a entidade estudada.
5.3.1 Aspecto Digital
A partir de agora, B representa o elemento estruturante. Nas diferentes
transformações, Bx representa o elemento estruturante B centrado no pixel x. Em
função do contexto e por necessidade de simplificação, Bx poderá ser simplesmente
notado B. Um elemento estruturante é definido pelos pixels que o formam e que são
representados por (“·” e “
•
”), como mostrado na Figura 5.3.
Um pixel marcado “·” é um pixel inativo ou neutro, e quer dizer que ele não
interage com o conjunto X. O pixel “·”, simplesmente, aparecerá no elemento
estruturante para visualizar o seu aspecto geométrico. Um pixel marcado “
•
” significa
um pixel ativo que tem um papel a desenvolver na interação com a imagem X.
Os pixels “
•
” do elemento estruturante criam um subconjunto que vai agir com a
imagem X. O resultado dessa interação é colocado numa posição específica, a do ponto
central (PC) do elemento estruturante, na imagem no momento da ação. O símbolo “()”
representa este ponto central PC no elemento estruturante.
Figura 5.3 – Representação do elemento estruturante
39
Na maioria dos exemplos a serem apresentados, o ponto central do elemento
estruturante corresponderá a seu centro físico. Neste caso, num objetivo de
simplificação, o símbolo “()” será omitido, como pode ser observado na Figura 5.4.
Figura 5.4 – Outra representação do elemento estruturante
Muitas vezes será necessário introduzir o elemento transposto
Figura 5.5 – Elemento estruturante transposto
Da mesma maneira, por ser binária, a imagem digital X contém dois tipos de
informação, o fundo (representado por “·”) e os pixels relevantes (representados por
“
•
”). Na forma digital, a imagem X é representada entre “[]” da seguinte forma:
Figura 5.6 – Representação do conjunto X
5.3.2 Erosão Binária
A erosão de um conjunto X pelo elemento estruturante B é:
{
}
XBXxXeroBXero
x
B
⊂∈== :)( (Equação 5.1)
40
Figura 5.7 – Exemplo de erosão de um conjunto X pelo elemento estruturante B
Segundo a definição, o elemento estruturante B deve deslizar na imagem X
(Figura 5.7). Por ser binária, X contém dois tipos de informação, o fundo (representado
por “
·
”) e os pixels relevantes (representados por “
•
”). O significado da definição é que
o elemento estruturante Bx, posicionado e centrado no pixel x de X, tenta aparelhar-se
com a vizinhança de x. Entende-se que cada pixel relevante de Bx deve encontrar-se na
mesma posição na vizinhança de x. Caso seja verificado, o ponto central na imagem do
resultado será um pixel relevante. Caso contrário, ele será marcado como irrelevante. A
Figura 5.8 mostra um exemplo de erosão com X e B.
Figura 5.8 - Exemplo de erosão com X e B
Em cada posição x de X, deve ser posicionado B, virando assim Bx. Pode-se ver
imediatamente que nos pixels nas bordas de X, Bx está parcialmente fora. A aplicação
da definição não pode ser rigorosamente seguida. Este fato ocorrerá sempre, porque a
borda de uma imagem é por definição descontínua. Portanto, em todos os exemplos
citados as bordas serão ignoradas e as imagens X serão escolhidas de maneira a não
fazer aparecer pixels relevantes naquelas bordas.
No primeiro caso onde x é apontado com “[ ]” , Bx não se aparelha com a
vizinhança de x. Os pontos relevantes de B não coincidem com os pixels relevantes da
41
vizinhança de x. Então, x não pertence ao resultado parcial do conjunto erodido, e vira
um pixel irrelevante, como na Figura 5.9.
Figura 5.9 - Pixel irrelevante resultante do conjunto erodido
No segundo caso, x apontado com [ ], Bx se aparelha com a vizinhança de x. Os
pontos relevantes de B coincidem com os pixels relevantes da vizinhança de x. Então, o
x pertence ao conjunto erodido, e vira um pixel relevante.
Figura 5.10 - Pixel relevante resultante do conjunto erodido
Como resultado final, tem-se:
Figura 5.11 – Resultado da erosão
O papel do ponto central PC do elemento estruturante é de definir a posição do
resultado de X com B. Seja o exemplo mostrado na Figura 5.12 parecido com o anterior
onde PC não é mais o centro de B.
Figura 5.12 - Exemplo de erosão com X e B
42
No primeiro caso onde x é apontado com [ ], Bx não se aparelha com a vizinhança
de x. Então, o ponto x vira um pixel irrelevante.
Figura 5.13 - Pixel irrelevante resultante do conjunto erodido
No segundo caso, x apontado com [ ], Bx se aparelha com a vizinhança de x. Os
pontos relevantes de B coincidem com os pixels relevantes da vizinhança de x. Então x
pertence ao conjunto erodido e vira um pixel relevante.
Figura 5.14 - Pixel relevante resultante do conjunto erodido
Assim, tem-se como resultado final:
Figura 5.15 – Resultado da erosão
Pode-se constatar que o conjunto obtido no exemplo da Figura 5.15 é idêntico ao
obtido no exemplo da Figura 5.11. A única diferença ocorre na posição do resultado.
Mudar a posição do ponto central do elemento estruturante B gera uma translação do
resultado, porém incluindo um novo pixel relevante.
Pelos exemplos anteriores, pode ser constatado que a erosão modifica o conjunto
X. Este fica menor em todos os casos.
Na Figura 5.16 pode-se verificar um exemplo onde o elemento estruturante B é
maior que X. Pela definição, pode-se constatar que os três conjuntos não têm pontos
comuns, o que explica o desaparecimento do objeto erodido. De forma geral, pode-se
43
afirmar que, o elemento estruturante faz desaparecer os conjuntos inferiores ao seu
tamanho.
Figura 5.16 – Exemplo de erosão
No exemplo da Figura 5.17 o conjunto X apresenta um furo. Pode-se constatar
que o furo no resultado é maior. De forma geral, pode-se afirmar que a erosão aumenta
os furos interiores aos conjuntos. Neste caso particular, por ter o tamanho de um pixel, o
conjunto erodido tem o furo do tamanho e forma do elemento estruturante.
Figura 5.17 – Exemplo de erosão
5.3.3 Dilatação Binária
A dilatação de um conjunto X por um por um elemento estruturante B é:
{
}
0:)( ≠∩∈== XBXxXdilBXdil
x
B
(Equação 5.2)
As duas operações de erosão e de dilatação são, portanto, duais e a interpretação
da dilatação é complementar da interpretação da erosão. O complemento da proposição
“Bx está incluído em X” é a proposta “a interseção de Bx e X não é vazia”.
Segundo a definição, o elemento estruturante B deve deslizar na imagem X. O
significado é que o elemento estruturante Bx, posicionado e centrado em cada pixel x de
X, verifica uma possível interseção com a vizinhança de x. Caso seja verdadeiro, o
44
ponto central na imagem resultado será um pixel relevante “
•
”. Caso contrário, ele será
marcado como irrelevante “
·
”, como pode ser visto na Figura 5.19.
Figura 5.18 – Exemplo de dilatação de um conjunto X pelo elemento estruturante B
Figura 5.19 – Exemplo de dilatação com X e B
B é posicionado em cada posição x de X, virando assim Bx. Pode-se ver
imediatamente que nos pixels nas bordas de X, os exemplos serão escolhidos de
maneira a não fazer aparecer pixels relevantes nas bordas para evitar ambigüidades
nelas.
No primeiro caso onde x é apontado com [ ], os pontos relevantes de Bx não tem
interseção com os pixels correspondentes na vizinhança de x. Então, na posição atual do
ponto central de Bx em X, é colocado um pixel irrelevante.
Figura 5.20 - Pixel irrelevante resultante do conjunto dilatado
45
No segundo caso, onde x é apontando com [ ], Bx chega a ter pelo menos
interseção com os pixels correspondentes na vizinhança de x. Pelo menos um ponto
relevante de B coincide com um pixel relevante da vizinhança de x. Então o x pertence
ao conjunto dilatado e vira um pixel relevante.
Figura 5.21 - Pixel relevante resultante do conjunto dilatado
Como pode ser observado na Figura 5.22, a dilatação modifica o conjunto X. Este
fica maior em todos os casos.
Figura 5.22 – Resultado da dilatação
A Figura 5.23 mostra a dilatação em um conjunto que apresenta um furo irregular
inferior em tamanho ao elemento estruturante. Pela definição, utilizando um elemento
estruturante em cruz sem ponto médio, pode-se constatar que o elemento estruturante
preenche o furo. De forma geral, pode-se afirmar que a dilatação preenche todos os
furos que são inferiores ao elemento estruturante.
46
Figura 5.23 – Exemplo de dilatação
5.3.4 Erosão em escala de cinza
O operador de erosão é definido como a combinação de dois conjuntos através
da subtração vetorial entre elementos dos mesmos, desde que o resultado continue
contido em um desses conjuntos.
Esses conjuntos são duas matrizes: uma pertencente à imagem original e a outra
ao elemento estruturante, que representa alguma característica de forma que se deseja
avaliar.
A erosão da imagem f para um dado pixel x é definida como o valor mínimo
(min) da imagem em uma janela definida pelo elemento estruturante B, estando a
origem de B na posição de x, ou seja:
[£
B
(
f
)](x) = min
f
(
x
+
b
)
(Equação 5.3)
b Є B
Onde b é um pixel pertencente ao elemento estruturante B.
O resultado dessa operação diz que a imagem resultante apresenta-se mais escura
que a imagem de entrada se todos os elementos de B forem positivos. Os detalhes claros
reduzidos na imagem são menores que o tamanho do elemento estruturante.
Algumas características presentes na erosão:
47
• Dualidade ao operador de dilatação: Isto significa que complementando-se o
resultado do operador de dilatação/erosão sobre o complemento da imagem, obtém-se a
erosão/dilatação da mesma;
• Anti-Extensividade;
• Não-comutativa.
5.3.5 Dilatação em escala de cinza
O operador de dilatação é definido como a combinação de dois conjuntos através
de soma vetorial entre elementos dos mesmos. Esses conjuntos são representados pela
imagem sob análise e o elemento estruturante.
A definição está baseada na seleção do pixel de maior valor (max) em uma
vizinhança definida pelo formato do elemento estruturante, ou seja:
[£
B
(
f
)](x) = max
f
(
x
+
b
)
(Equação 5.4)
b Є B
Onde b é um pixel pertencente ao elemento estruturante B.
O resultado dessa operação diz que a imagem resultante apresenta-se mais clara
que a imagem de entrada se todos os elementos de B forem positivos. Os detalhes
escuros reduzidos na imagem dependem da forma e valores do elemento estruturante.
Algumas características presentes:
• Extensividade: Indica que a origem pertence ao elemento estruturante;
• Dualidade;
• Comutativa: Indica que:
A
⊕
B = B
⊕
A
Aplicações alternadas da dilatação e da erosão levam à formação de duas novas
operações denominadas abertura e fechamento.
5.3.6 Abertura
É a combinação da operação de erosão seguida da dilatação em níveis de cinza,
utilizando o mesmo elemento estruturante.
48
A filtragem de uma imagem por abertura está diretamente relacionada ao
elemento estruturante. O emprego de um determinado tamanho do elemento estruturante
influencia na imagem resultante:
• Tamanho inferior ao ruído (pontos indesejáveis na imagem), proporciona
durante a erosão a eliminação parcial do mesmo. Porém, será reconstruído na dilatação.
• Tamanho superior ao ruído presente na imagem sob análise é o mais adequado
para eliminação deste problema.
Algumas características da operação:
• Idempotência: garante a estabilidade dos resultados após a primeira aplicação do
operador, ou seja, a repetição do mesmo operador (por ex: abertura) sobre uma dada
imagem não produz novas modificações;
• Preservação da monotonicidade:
A
1
⊂ A
2
⇒
A
1
• B ⊆ A
2
• B (Equação 5.5)
• Anti-Extensividade: O resultado de uma abertura é um subconjunto da imagem
de entrada;
5.3.7 Fechamento
Baseia-se na dilatação da imagem f por um elemento estruturante B seguida da
operação de erosão do resultado por B.
A filtragem de uma imagem por fechamento está diretamente relacionada ao
elemento estruturante. O emprego de um determinado tamanho de B influencia na
imagem resultante:
• Tamanho inferior ao ruído (pontos indesejáveis na imagem), proporciona
durante a dilatação a eliminação parcial do mesmo. Porém, será reconstruído na erosão.
• Tamanho superior ao ruído presente na imagem sob análise é o mais adequado
para eliminação deste problema.
Algumas características do fechamento:
• Idempotência;
49
• Extensividade: A imagem de entrada é um subconjunto do resultado de um
fechamento.
• Preservação da monotonicidade:
A
1
⊂ A
2
⇒
A
1
• B ⊆ A
2
• B (Equação 5.6)
Os filtros morfológicos são métodos não lineares da morfologia matemática
baseados em uma forma. Seu objetivo principal é corrigir a imagem completando
pequenos buracos e eliminando ruídos e regiões isoladas de poucos pixels. Eles
exploram as propriedades geométricas dos sinais. Para filtros morfológicos, as máscaras
são denominadas elementos estruturantes e apresentam valores 0 ou 1 na matriz que
correspondem ao pixel considerado. Os filtros morfológicos básicos são o filtro da
mediana, erosão e dilatação.
O filtro morfológico de erosão provoca efeitos de erosão das partes claras da
imagem (altos níveis de cinza), gerando imagens mais escuras. Ele é usado para afastar
grupos de pixel, que são menores que a máscara definida numa imagem binária ou em
tons de cinza.
O filtro morfológico de dilatação provoca efeitos de dilatação das partes escuras
da imagem (baixos níveis de cinza), gerando imagens mais claras. Ele é usado para
fechar "buracos", que são menores que a máscara definida numa imagem binária ou em
tons de cinza, mas também para expandir uma classe.
A Figura 5.24 e a Figura 5.25 mostram exemplos de elementos estruturantes
muito comuns.
Figura 5.24 – Exemplos de elementos estruturantes
50
Linha
Cruz
Disco
Quadrado
Figura 5.25 – Exemplos de elementos estruturantes
Exemplos de imagens resultantes de testes realizados são mostrados na Figura
5.26 e na Figura 5.27.
51
5.4 Medidas de Tamanho
Em função do arquivo de imagem ser do tipo DICOM, medições lineares precisas
podem ser realizadas. No header (cabeçalho) de cada arquivo de imagem existe a
informação de tamanho do pixel em milímetros. Sendo assim, contando-se o número de
pixels são obtidas informações de distância precisas.
Figura 5.28 – Cabeçalho de um arquivo DICOM contendo, dentre outras informações, o
tamanho do pixel
A informação de tamanho do pixel (pixel spacing) é dada em milímetros e está
contida na tag (0028,0030) do cabeçalho DICOM.
52
Figura 5.29 – Medições de distância realizadas em imagem DICOM
5.5 Visualização 3D
Pelo fato de serem conhecidas as distâncias entre as imagens axiais e suas
espessuras em conjunto com medidas de área pode-se estimar o volume de estruturas ou
malformações, bem como permitir visualizações 3D.
Figura 5.30 – Vistas frontal, superior e inferior na visualização 3D
A Figura 5.30 mostra reconstruções 3D de um exame caracterizando AVC
Hemorrágico. A reconstrução foi realizada após o processo de filtragem por densidade.
53
6 CAD – Computer-Aided Diagnosis
6.1 Introdução
Diagnóstico auxiliado por computador (Computer-Aided Diagnosis – CAD) pode
ser definido como um diagnóstico feito por um radiologista que utiliza o resultado de
análises quantitativas automatizadas de imagens radiográficas como uma “segunda
opinião” para a tomada de decisões diagnósticas. É importante ressaltar que o
computador é utilizado somente como uma ferramenta para obtenção de informação
adicional, sendo o diagnóstico final sempre feito pelo radiologista, o que diferencia
claramente o conceito básico de diagnóstico auxiliado por computador do conceito de
“diagnóstico automatizado”, que foi um conceito proposto e estudado nas décadas de 60
e 70.
A finalidade do CAD é melhorar a eficiência do diagnóstico, assim como a
consistência da interpretação da imagem radiológica, mediante o uso da resposta do
computador como referência. A resposta do computador pode ser útil, uma vez que o
diagnóstico do radiologista é baseado em avaliação subjetiva, estando sujeito a
variações intra e interpessoais, bem como perda de informação devido à natureza sutil
do achado radiológico, baixa qualidade da imagem, sobreposição de estruturas, fadiga
visual, distração ou baixa experiência.
Além disso, foi demonstrado que uma dupla leitura (por dois radiologistas) pode
aumentar a sensibilidade do diagnóstico. A proposta do CAD é funcionar como um
segundo especialista.
Basicamente, existem dois tipos de aplicações de sistemas CAD. Um é o auxílio à
detecção de lesões, a partir da localização de padrões anormais através da varredura da
imagem pelo computador (por exemplo, agrupamentos de microcalcificações em
imagens mamográficas ou nódulos pulmonares em imagens de tórax). O outro é o
auxílio ao diagnóstico, através da quantificação de características da imagem e sua
classificação como correspondendo a padrões normais ou anormais (por exemplo, a
associação da quantidade e forma das microcalcificações presentes em um agrupamento
com a malignidade ou não do tumor, ou a associação da textura dos pulmões com lesões
intersticiais em imagens de tórax).
Em geral, os sistemas CAD utilizam-se de técnicas provenientes de duas áreas do
54
conhecimento: visão computacional, que envolve o processamento de imagem para
realce, segmentação e extração de atributos, e inteligência artificial, que inclui métodos
para seleção de atributos e reconhecimento de padrões.
Por ter base conceitual genérica e ampla, a idéia do CAD pode ser aplicada a
todas as modalidades de obtenção de imagem, incluindo radiografia convencional,
tomografia computadorizada, ressonância magnética, ultra-sonografia e medicina
nuclear. Pode-se, também, desenvolver esquemas de CAD para todos os tipos de exame
de todas as partes do corpo, como crânio, tórax, abdome, osso e sistema vascular, entre
outros. Porém, os principais objetos de pesquisa para o desenvolvimento de sistemas
CAD têm sido as áreas de mamografia, para a detecção precoce do câncer de mama;
tórax, para a detecção de nódulos pulmonares, lesões intersticiais e pneumotórax; e
angiografia, para a análise quantitativa de estenoses e de fluxo sanguíneo.
6.2 Visão Computacional e Inteligência Artificial
Visão computacional envolve a utilização de um computador para extração de
atributos de uma imagem em formato digital. De modo geral, os conceitos de visão
computacional utilizados em sistemas CAD podem ser divididos em duas etapas
principais.
A primeira é o processamento da imagem para realce e segmentação das lesões. A
segmentação é o processo que subdivide a imagem em suas partes ou objetos
constituintes e utiliza as propriedades básicas de descontinuidade dos níveis de cinza
para segmentação através de bordas, fronteiras e linhas, ou de similaridade destes para
separação de regiões que apresentem determinada característica em comum. Como
resultado da segmentação, obtém-se um conjunto de objetos que permitirá uma
descrição da imagem digitalizada por meio da quantificação de determinadas
propriedades.
Várias técnicas de processamento de imagens têm sido utilizadas para diferentes
tipos de lesões. Algumas das técnicas mais empregadas incluem filtragem baseada na
análise de Fourier, transformada “wavelet”, filtragem morfológica e técnicas de
imagem-diferença, entre outras. O método de “stretching”, ou linearização do
histograma, é um método simples, mas muito utilizado em processamento de imagens e
tem por objetivo aumentar o contraste da imagem. Este método pode ser aplicado à
55
imagem antes da etapa de segmentação e extração de atributos, para aumentar o
contraste e normalizar os níveis de cinza entre os limites máximo e mínimo da escala de
tons de cinza. A técnica imagem-diferença é geralmente utilizada para o realce de
microcalcificações e nódulos mediante supressão das estruturas de fundo da imagem,
causadas pela anatomia normal da mama. Este procedimento é realizado por dois filtros
espaciais gerando uma imagem com as microcalcificações realçadas e outra com as
microcalcificações suprimidas. Nesta última permanecem apenas as estruturas de fundo
da mamografia, uma vez que os sinais são suprimidos. Subtraindo as duas imagens,
tem-se uma terceira imagem em que as altas variações e densidade de fundo são
removidas.
A técnica de thresholding local adaptativo é baseada em estatísticas locais (média
e desvio padrão) dos valores de cinza dos pixels co
56
de delgadeza é uma relação entre a área da figura e o perímetro ao quadrado e fornece
uma noção de quanto a figura é arredondada (gorda) ou alongada (magra). Figuras mais
arredondadas terão razão de delgadeza próxima de 1 (1 é o valor máximo e será obtido
quando a figura for um círculo), e figuras com formas próximas a linhas terão razão de
delgadeza próxima de zero.
Além disso, a razão de delgadeza é adimensional, dependendo somente da forma
da figura e não da escala. A razão de aspecto é também uma medida do alongamento de
uma figura. A razão de aspecto de um retângulo é a razão do seu comprimento por sua
largura, de modo que uma razão de aspecto próxima de 1 indica um retângulo “gordo”.
Para estender este conceito a figuras arbitrárias, deve-se envolver a figura em um
retângulo e considerar que a razão de aspecto da figura será a mesma que a do retângulo
que a envolve. Pode-se notar que muitos resultados são possíveis, dependendo das
várias maneiras que se coloca o retângulo ao redor da figura. A definição mais simples
especifica que os lados do retângulo devem ser paralelos aos eixos coordenados do
plano da imagem. Outra maneira possível de se caracterizar um subconjunto de uma
imagem é especificar algumas de suas propriedades topológicas. Uma propriedade
topológica é uma propriedade invariante (insensível) às distorções “elásticas” do plano
imagem, ou seja, é uma propriedade que não será modificada por deformações do tipo
alongamento ou contração do plano imagem. São propriedades que não envolvem
noções de distância e nem propriedades que dependam dessas noções. As propriedades
topológicas geralmente utilizadas são o número de elementos conectados e o número de
“buracos” existentes na figura. Podem-se utilizar também combinações dessas
propriedades, como, por exemplo, o número de Euler (definido como o número de
elementos conectados menos o número de buracos).
De modo geral, as propriedades topológicas são utilizadas como auxílio para
outras formas de descrição. Normalmente, um problema para o qual uma descrição
topológica sozinha seja suficiente é bastante raro.
Uma definição genérica de textura poderia ser “a disposição ou características dos
elementos constituintes de alguma coisa, especialmente no que se refere à aparência
superficial ou à qualidade táctil”. Porém, no caso de imagens, uma definição mais
adequada poderia ser “uma característica representativa da distribuição espacial dos
níveis de cinza dos pixels de uma região”. Ou seja, um atributo de textura é um valor,
calculado a partir da imagem de um objeto, que quantifica algumas características da
variação dos níveis de cinza desse objeto.
57
Normalmente, um atributo de textura é independente da posição, orientação,
tamanho, forma e brilho do objeto.
Após a extração de informação, os atributos quantificados são utilizados no
processo de classificação das estruturas presentes na imagem. Inteligência artificial
envolve o uso do computador para o processamento de dados, visando à distinção entre
padrões normais e anormais, a partir dos atributos extraídos das imagens.
As técnicas relacionadas a essa área do conhecimento incluem métodos para a
seleção de atributos, como os baseados na separabilidade entre as distribuições de
probabilidades das classes e algoritmos genéticos, e classificadores, como os baseados
em técnicas de análise discriminante, sistemas especialistas baseados em regras
específicas, métodos estatísticos e redes neurais artificiais.
6.3 Auxílio à Detecção
A detecção automatizada de lesões envolve a localização pelo computador de
regiões contendo padrões radiológicos suspeitos, porém com a classificação da lesão
sendo feita exclusivamente pelo radiologista. Sistemas para auxílio à detecção têm sido
desenvolvidos principalmente para imagens de tórax e de mama.
Estudos mostram que 30% a 50% dos casos de câncer de mama detectados por
meio de mamografia apresentam agrupamentos de microcalcificações associados. Além
disso, estudos demonstraram que 26% dos casos de câncer não-palpável de mama
apresentam nódulos associados na mamografia e 18% apresentam nódulos e
microcalcificações. Por isso, a maioria dos sistemas de auxílio ao diagnóstico em
mamografia é voltada para a detecção de nódulos e microcalcificações.
Desde 1987, pesquisadores da Universidade de Chicago, EUA, têm apresentado
uma metodologia para a detecção automatizada de microcalcificações em mamografias.
Esta metodologia inclui etapas de pré-processamento para realce das imagens, filtragem
para remoção de estruturas de fundo, segmentação das microcalcificações para extração
de atributos e o uso de redes neurais artificiais para redução do número de detecções
falso-positivas.
A detecção automatizada de nódulos em mamografias digitalizados é mais difícil
do que a detecção de microcalcificações, devido à similaridade de muitos nódulos com
o tecido parenquimatoso normal que os envolve. Segundo GIGER, provavelmente um
58
dos primeiros estudos sobre a análise computadorizada de imagens mamográficas foi
apresentado em 1967 por WINSBERG et al., que descrevem um método
computadorizado para comparação de padrões de densidade em várias áreas de uma
mesma mama e entre as mamas direita e esquerda. O método foi aplicado em um
número pequeno de casos selecionados. Atualmente existem muitos trabalhos voltados
para a detecção de lesões espiculadas, assimetrias, aumentos de densidade, lesões
circunscritas e distorções de parênquima. Pesquisadores da Universidade de Chicago
têm trabalhado, também, no desenvolvimento de uma metodologia para a detecção de
nódulos em mamografias, a qual é baseada nas diferenças de simetria de arquitetura
entre as mamas esquerda e direita, com as assimetrias indicando possíveis nódulos. Em
um estudo prospectivo de 10.000 mamografias, realizado pelos pesquisadores da
Universidade de Chicago, empregando um sistema CAD como segunda opinião, o
computador indicou a presença de câncer cerca de um ano antes de este ser clinicamente
diagnosticado em aproximadamente 15% de todos os casos de câncer, e em 56% dos
casos foi detectado câncer em um estudo retrospectivo de mamografias considerados
clinicamente negativos. A taxa de falso-positivos foi de aproximadamente 1,3
agrupamento falso por imagem e 2,1 nódulos falsos por imagem.
Em junho de 1998, o Food and Drug Administration (FDA), dos Estados Unidos,
aprovou o ImageChecker M1000 (R2 Technology, Los Altos, Califórnia) como um
sistema de auxílio à detecção, para ser utilizado por radiologistas na rotina de leitura de
mamografias. Um amplo estudo, envolvendo a análise retrospectiva de 1.083 casos de
câncer e o acompanhamento prospectivo de 14.817 casos, foi realizado como parte dos
requisitos para a sua aprovação pelo FDA. Neste estudo, a sensibilidade alcançada foi
de 98,3% para a detecção de agrupamentos de microcalcificações e 72% para a detecção
de nódulos, com uma taxa de falso-positivo média de um (agrupamento ou nódulo) por
imagem. Segundo GIGER, em um estudo realizado na Universidade de Nijimen
(Holanda), utilizando o ImageChecker, não foi observada diferença entre uma dupla
leitura com dois radiologistas e uma dupla leitura utilizando o sistema de CAD.
Ao contrário da análise da mamografia, na qual existem basicamente duas
respostas possíveis, câncer ou não, a radiografia de tórax pode apresentar uma variedade
de patologias possíveis, cuja detecção é o objetivo de alguns sistemas de CAD. Estes
sistemas incluem métodos de processamento para realce de imagens, como subtração de
dupla energia e temporal, e esquemas para detecção automatizada de padrões suspeitos,
como nódulos, pneumotórax, cardiomegalia, assimetrias torácicas e lesões intersticiais.
59
A detecção radiográfica de pequenos nódulos é um aspecto importante no diagnóstico e
condução do tratamento de pacientes com câncer de pulmão. Porém, a não detecção
pode ocorrer devido à sobreposição com costelas, brônquios, vasos sanguíneos e outras
estruturas anatômicas normais. A taxa média de perda na detecção radiográfica de
nódulos precoces é estimada em cerca de 30%.
Segundo MACMAHON, um sistema para detecção de nódulos pulmonares vem
sendo desenvolvido pelos Laboratórios Rossmann, da Universidade de Chicago, há mais
de dez anos, tendo recebido numerosos refinamentos neste período. A finalidade básica
deste sistema é a distinção de opacidades focais anormais do fundo anatômico complexo
da radiografia de tórax, tendo por objetivo chamar a atenção do radiologista para a
região suspeita.
Atualmente, o programa de computador possui sensibilidade de aproximadamente
70% para nódulos pulmonares sutis, com uma média de um a dois falso-positivos por
imagem. Segundo o autor, embora essa precisão seja menor do que a apresentada pela
maioria dos radiologistas, os erros cometidos pelo computador tendem a ser diferentes
daqueles cometidos pelos radiologistas, o que faz com que o uso do programa possa
146.6(r)0.7xtttam a-0.692176(m)-3.78931(o)16.9132()-82.2865(r)0.713112(a)-6.19426(d)-3.78931(i)-0.692176(o)-3.78931(l)-11.4111(o)-3.78931(g)6.19426(-0.692176(s)-7.59955(t)-0.692131(a)-11.4098(s)3.11937( )-4692176(a)-3.78931(x)-82.2865(p)-3.78931(e)-3.78931(r)0.71442(i)r)0.71442(e)-6.19426(n)-7.59955(t)10.0281(e)-6.19687(s)16.9132( )-243.07(n)-3.78931(a)46.9132()-3.78931(t)1.71442(e)-6.19426(r)0.71442(e )-93.008(f)3.78931(a)16.9132(76]TJ245.1d )-146.6(p)-3.78931(s)3.11937( )-7.254[(n)-3.78669(e)-16.9132(t)10.0281(e)4.52466(c)-16.9132(ç)4.52466(ã)-3.78931(o)16.9132(d )-146.6(p)-3.78931(s)36.9132( )-243.07(n)-3.78931(ó)-3.78931(d)-3.78931(u)6.92931(t)-0.690868(o)-11.4098(o)6.92221(a)16.9-20.7891TJ26.6914 -19.32 Td[(A)-3.78931( )-103.724(d)-3690868(e)-6.19476(t)-10.0281(e)6.19426(c)4.52466(c-0.692176(ã)-6.19426(o)-3.48017( )-3.78931(e)-6.78931( )-82.2865(q)-3.78931()-39.4109(a)-6.19426(ns)3.11937(t)-6.19426()-6.19426(f)-4.48148(i)-0.692176(c)-6.19426(c)6.19426(ç)4.52466(ã)-16.9132(o)-3.78931( )-103.724(d)-3.23875(a)-6.19426( p)6.92714(l)-0.690867(e)-16.9132(õ-3.78931(d)6.92961(eo)6.92961(s)3.59955( )-103.724(p)-11.4124(o)-3.78931(l))-93.0055(m)-4.48148(o)-114.443(p)6.92961(a)-6.19426()-6.19426(e)-6.19426(s)3.59955( )-10.0045(i)-06.19426(ns))-146.4.3]TJ229.1e-0.690868(s)-7.59955(t)cais deutos radiologisntes estão rteconh pcinamaste suj-189.476(t)-11.4197(a)-6.19426(i)ts -0.692176(a)-6.19426( )-103.724(u)-3.78931(m)6.92961(a)-16.9132( )-3.78931(g)6.92961()-39.4109(a)-6.19426(n)-103.724(d)-3.23875(a)-66.9132( )-50.1298(v)6.92961(a)-3.78931(r)0.71442(i)aç
60
6.4 Auxílio ao Diagnóstico
Uma vez que uma lesão foi detectada, cabe ao radiologista sugerir e ao médico
assistente decidir o encaminhamento do caso, ou seja, se é necessária a realização de
algum outro exame ou de uma biópsia, por exemplo. Ou então, se um simples
acompanhamento é suficiente e, neste caso, qual deve ser o intervalo até o próximo
exame. Sistemas de análise computadorizada estão sendo desenvolvidos para auxiliar a
distinção entre lesões malignas e benignas e aumentar a sensibilidade e especificidade
do diagnóstico. Estes sistemas utilizam atributos extraídos e quantificados de forma
automatizada e também por radiologistas.
As vantagens da extração automatizada (pelo computador) são a objetividade e a
reprodutibilidade da medida dos atributos escolhidos. Por outro lado, os radiologistas
utilizam uma grande quantidade de atributos, os quais são extraídos e interpretados
simultânea e instantaneamente. É importante ressaltar que um dos objetivos dos
sistemas de auxílio à classificação é a redução do número de casos benignos
encaminhados para biópsia.
Porém, como o “custo” da perda de uma lesão maligna é muito maior que o de
uma classificação errônea de um caso benigno, os sistemas de auxílio ao diagnóstico
devem ser desenvolvidos com o propósito de aumentar a especificidade, porém sem
reduzir a sensibilidade. No que se refere ao câncer de mama, métodos de auxílio à
classificação estão sendo desenvolvidos para a caracterização de lesões a partir de
informações extraídas de imagens de mamografia, ultra-sonografia e de ressonância
magnética.
Vários pesquisadores têm utilizado a análise computadorizada de atributos
extraídos por inspeção visual para auxílio à tomada de decisão quanto ao
encaminhamento do tratamento do paciente. De modo geral, este tipo de análise utiliza
uma lista de atributos que devem ser avaliados e quantificados pelo radiologista em uma
escala preestabelecida, em conjunto com um método para composição destes valores
utilizando coeficientes otimizados. As respostas obtidas, em geral, apresentam a
probabilidade da presença de determinada condição (por exemplo, de uma lesão
previamente detectada ser maligna). GALE et al.
apresentam um aumento de
especificidade de 67% para 88% entre o diagnóstico de câncer de mama feito sem
auxílio e com auxílio de um sistema computadorizado. Porém, houve redução na
sensibilidade de 87% para 79% com o sistema computadorizado. COOK e FOX
relatam
61
um aumento na precisão diagnóstica de médicos residentes, de 40% para 73%, e de
médicos radiologistas, de 70% para 73%, com a utilização de um sistema especialista
voltado para a diferenciação de 16 tipos de lesões de mama circunscritas, a partir da
identificação de achados radiológicos por inspeção visual. Pesquisadores da Duke
University, EUA, utilizaram as categorias do padrão BI-RADS (American College of
Radiology Breast Imaging Reporting and Data System)
como entradas para redes
neurais artificiais, visando à distinção entre lesões benignas e malignas e à previsão da
potencialidade de invasão do câncer de mama. Os resultados mostraram o potencial do
uso dos padrões do BI-RADS no diagnóstico auxiliado por computador.
ASHIZAWA et al.
apresentaram os resultados da utilização de uma rede neural
artificial para auxílio ao diagnóstico diferencial de lesões intersticiais de pulmão. A rede
neural foi projetada para distinguir entre 11 lesões intersticiais a partir de dez
parâmetros clínicos e 16 achados radiológicos obtidos por radiologistas especializados
em tórax. Foram utilizados 150 casos reais, 110 casos publicados e 110 casos
hipotéticos. O desempenho da rede foi avaliado por meio de curva ROC
12
(“receiver
operating characteristic”), tendo sido obtida uma área sob a curva igual a 0,947 para os
casos clínicos. Foram obtidos valores de sensibilidade e especificidade em torno de
90%, considerando-se a resposta correta contida dentro dos dois maiores valores de
saída para as 11 patologias.
O desenvolvimento de métodos de auxílio à classificação, baseados na extração e
quantificação automatizada de atributos, exige que inicialmente sejam definidos quais
atributos são clinicamente significativos e depois estabelecidos os métodos para sua
extração e quantificação. Segundo GIGER, nos últimos cinco anos houve expressivo
aumento no número de trabalhos sobre desenvolvimento de métodos de classificação
automatizada de lesões em imagens mamográficas. De modo geral, um método
automatizado para classificação de microcalcificações agrupadas envolve a extração de
atributos que se correlacionam qualitativamente com a experiência dos radiologistas,
estimando a probabilidade de malignidade a partir da aparência das microcalcificações
existentes no agrupamento. O computador extrai automaticamente atributos
relacionados ao tamanho, forma, quantidade e distribuição espacial das
12
ROC - Característica de resposta do observador. Em sua forma mais simples, a tarefa de diagnosticar
consiste na apresentação de imagens contendo ou não uma anormalidade associada, a um observador que
deve responder se existe ou não uma anormalidade presente. Para a análise do desempenho em um teste
de diagnóstico, a curva ROC plota a fração de verdadeiro-positivo (sensibilidade) contra a fração de
falso-positivo (especificidade) para toda a faixa de resultados possíveis para o teste.
62
microcalcificações, e um classificador (uma rede neural artificial, por exemplo) é
utilizado para combinar estes atributos e fornecer uma estimativa da probabilidade de
malignidade. Esta estimativa pode então ser utilizada pelos radiologistas como auxílio
na decisão se a lesão é maligna ou benigna. Resultados de estudos aplicados têm
mostrado melhorias estatisticamente significativas de desempenho quando os
radiologistas utilizam sistemas de auxílio computadorizado, em comparação com
situações em que estes sistemas não são empregados.
São relatados aumentos de sensibilidade, de 73% para 87%, e de especificidade,
de 32% para 40%. Resultados como estes indicam que o computador pode
potencialmente ser utilizado para auxiliar os radiologistas a decidirem quais mulheres
devem ser encaminhadas para biópsia, podendo reduzir o número de procedimentos
desnecessários.
No caso de nódulos, uma lesão maligna pode ser diferenciada de uma lesão
benigna, em virtude da sua aparência mais espiculada na imagem mamográfica
e, de
modo geral, para a classificação deste tipo de lesão, o nódulo é primeiramente extraído
do fundo anatômico do mamografia utilizando-se alguma técnica de processamento de
imagem (como crescimento de região, por exemplo). Então, atributos de forma,
contorno, níveis de cinza e textura são extraídos e utilizados por um classificador para o
cálculo da probabilidade de malignidade associada.
Em trabalho realizado por pesquisadores da Universidade de Chicago, com um
sistema desenvolvido para a classificação de nódulos mamográficos a partir do seu grau
de espicularidade, foram obtidos, para a base de dados utilizada, sensibilidade de 100%
e valor preditivo positivo de 83% (12% acima do valor obtido por radiologistas
especializados em mamografia e 21% acima da média de outros radiologistas menos
experientes).
A ultra-sonografia de mama também é utilizado como importante auxiliar no
diagnóstico mamográfico, sendo tipicamente aplicado para avaliar lesões palpáveis e
mamograficamente detectadas quanto à sua natureza sólida ou cística. A acurácia do
ultra-som tem sido apontada como sendo de 96% a 100% no diagnóstico de lesões
císticas benignas. CHEN et al.
relataram um método baseado em rede neural artificial
para auxílio ao diagnóstico diferencial de tumores sólidos de mama em imagens de
ultra-som. Foram avaliadas 140 imagens de nódulos sólidos de mama, sendo 52
correspondentes a tumores malignos e 88 a tumores benignos, todos confirmados por
biópsia. Atributos de textura foram extraídos, após a seleção manual da região de
63
interesse contendo a lesão. A acurácia da rede neural foi de 95% para a classificação das
lesões malignas, com sensibilidade de 98%, especificidade de 93%, valor preditivo
positivo de 89% e valor preditivo negativo de 99%. Segundo esses autores, o sistema foi
capaz de diferenciar os nódulos sólidos de mama com uma acurácia relativamente alta e
auxiliou operadores inexperientes a evitar diagnósticos errados.
A ressonância magnética pode também auxiliar no diagnóstico do câncer de
mama, como técnica complementar à mamografia, com a vantagem de propiciar a
obtenção de informação tridimensional da mama. O realce decorrente da presença de
contraste é utilizado para a diferenciação entre lesões e tecidos normais, devido ao
aumento de vascularização e permeabilidade capilar do tumor. Podem-se utilizar
atributos temporais e espaciais das lesões para a sua caracterização. Atributos temporais
incluem taxa máxima de realce da lesão, o tempo em que isto ocorre, a velocidade
máxima de realce, e mudança na não-homogeneidade da lesão no processo de realce.
Atributos espaciais incluem relação de contraste entre a lesão e o fundo, não-
homogeneidade dos valores dos voxels na lesão, características das margens da lesão,
textura, circularidade e irregularidade da lesão. GILHUIJS et al.
apresentaram um
sistema de classificação automatizada de lesões de mama a partir de imagens de
ressonância magnética, utilizando atributos temporais e espaciais calculados nas três
dimensões.
Em um estudo inicia.692176(i)-0 Sar,-3.78669( )-275.227(d)ísuençãm entribusa dpaqdif cua124.508(d)-3.8208665 dimmdo,950
64
de radiografias de tórax. O experimento foi realizado utilizando-se uma base de dados
contendo 200 regiões de interesse (ROIs) extraídas de radiografias digitalizadas de
pacientes com lesões intersticiais de pulmão e pacientes com radiografias normais.
Nenhum pré-processamento foi realizado nas imagens. Os atributos calculados para
cada ROI foram utilizados como entrada em uma rede neural artificial. O desempenho
diagnóstico da rede foi bastante bom, alcançando sensibilidade de 90% e especificidade
de 84%, com uma área sob a curva ROC igual a 0,85. MCNITT-GRAY et al.
desenvolveram uma metodologia para caracterização de nódulos pulmonares solitários,
obtidos por exame de tomografia computadorizada de alta resolução, como sendo
benignos ou malignos, por meio da quantificação de atributos de tamanho, forma,
atenuação e textura.
Um estudo inicial, realizado com 31 pacientes com diagnósticos definitivos (14
benignos e 17 malignos) e utilizando dois atributos de textura considerados os mais
discriminantes (entropia e correlação), resultou em uma taxa de acerto na classificação
de 90,3%.
6.5 Medidas de Desempenho e Características
Existem vários índices de desempenho que podem ser utilizados na avaliação de
sistemas de auxílio ao diagnóstico. Uma medida possível e muito utilizada é a análise da
característica de resposta do observador (ROC), introduzida no contexto das imagens
médicas por SWETS
e METZ. A análise por curva ROC é fundamentada na teoria de
detecção de sinal, tendo como base a idéia de que para qualquer sinal sempre existirá
um fundo ruidoso que varia aleatoriamente sobre um valor médio. Quando um estímulo
está presente, a atividade que ele cria no sistema de obtenção de imagem é adicionada
ao ruído existente naquele momento. Este ruído pode estar dentro do próprio sistema ou
fazer parte do padrão de entrada.
A tarefa do observador (ou sistema automático) é determinar se o nível de
atividade no sistema é devido apenas ao ruído ou resultado de um estímulo adicionado
ao ruído. Em sua forma mais simples, a tarefa de diagnosticar consiste na apresentação
de imagens contendo ou não uma anormalidade associada, a um observador que deve
responder se existe ou não uma anormalidade presente. Para a análise do desempenho
em um teste de diagnóstico, a curva ROC plota a fração de verdadeiro-positivo
(sensibilidade) contra a fração de falso-positivo (especificidade) para toda a faixa de
65
resultados possíveis para o teste.
A análise por curva ROC baseia-se na premissa de que o processo de decisão do
observador pode ser modelado por uma variável randômica que se ajusta a um modelo
bi-normal. As funções de densidade de probabilidade desta variável para as duas
hipóteses (presença de anormalidade e ausência de anormalidade) são consideradas
normalmente distribuídas. A menos que as condições do teste sejam perfeitas, estas
distribuições se sobrepõem e um limiar de decisão (threshold) irá sempre envolver um
compromisso entre os resultados falso-positivos (não existe anormalidade, mas o
observador indica que existe) e falso-negativos (existe anormalidade, mas o observador
indica que não existe). Uma mudança no limiar irá causar mudanças na especificidade e
sensibilidade do teste.
Os observadores humanos, assim como os sistemas de auxílio ao diagnóstico,
operam em pontos ao longo da curva ROC. Os pontos de operação sobre a curva
(sensibilidade versus especificidade) mudam de acordo com os valores de custo
atribuídos aos resultados falso-positivos ou falso-negativos.
A medida mais comum extraída da curva ROC é a área sob a curva. A área sob a
curva ROC varia de 0,5 (comportamento aleatório) a 1,0 (discriminação perfeita), sendo
que quanto mais a curva se aproxima do canto esquerdo superior do gráfico melhor o
desempenho do teste.
Os parâmetros de aquisição da imagem digital, as características da base de dados
utilizada para treinamento e teste dos algoritmos, a comparação entre métodos e a
determinação da viabilidade de aplicação clínica são também características
fundamentais no processo de avaliação de sistemas de CAD. As imagens podem ser
obtidas diretamente em formato digital ou a partir da digitalização de filmes. Para a
digitalização de filmes, a qualidade da imagem original é fundamental, uma vez que
imagens de baixa qualidade irão afetar tanto a inspeção visual como o desempenho da
análise automatizada. O tamanho do pixel e o número de níveis de quantização também
irão afetar a resposta do sistema, uma vez que modificações nos valores de entrada irão
produzir saídas diferentes. É bastante difícil a comparação entre os vários métodos de
diagnóstico auxiliado por computador que estão sendo desenvolvidos, devido às
diferentes bases de dados utilizadas e os variados métodos de descrição dos resultados.
Algumas bases de dados estão sendo estruturadas para desenvolvimento e teste de
sistemas de CAD. A forma como a base de dados é utilizada irá também influenciar o
desenvolvimento e a apresentação de resultados do sistema. Por exemplo, um sistema
66
computadorizado para auxílio na detecção de lesões de mama, treinado com projeções
médio-laterais oblíquas, irá fornecer resultados tendenciosos (terá um bias) se forem
utilizadas projeções crânio-caudais nos testes. Os resultados também serão tendenciosos
se, com uma base de dados limitada, os parâmetros do classificador forem determinados
usando-se os mesmos dados que foram empregados para a seleção dos atributos mais
discriminantes. Além disso, diferentes formas de medida irão causar variações nos
resultados obtidos. Por exemplo, se a sensibilidade do sistema é dada em função da
porcentagem de lesões detectadas por imagem ou por caso, ou então, se a porcentagem
de sobreposição entre a lesão real e a lesão detectada pelo computador é calculada
levando-se em consideração sua intersecção ou a intersecção dividida pela sua união.
6.6 Exemplo de CAD para Caracterização de Microcalcificações em
Mamografia
O câncer de mama é provavelmente o mais temido pelas mulheres devido à sua
alta freqüência de incidência e, sobretudo pelos seus efeitos psicológicos, que afetam a
percepção de sexualidade e a própria imagem pessoal. Ele é relativamente raro antes dos
35 (trinta e cinco) anos de idade, mas acima desta faixa etária sua incidência cresce
rápida e progressivamente.
Um dos melhores e mais precisos métodos de diagnóstico de câncer de mama
ainda é através da mamografia (mamografia). YAMAGUCHI e PEREIRA utilizaram o
método de “Threshold” para binarizar a imagem, objetivando distinguir a cena
(background) dos objetos (microcalcificações). O método baseia-se na escolha de um
limiar utilizando o histograma
13
de níveis de cinza que auxilia na escolha do limiar.
Para a distinção entre a cena e os objetos na imagem o método da segmentação foi
utilizado. A segmentação é um dos mais importantes elementos na análise automatizada
da imagem, pois é nessa fase que os objetos ou outras entidades de interesse são
extraídos de uma imagem para o processamento subseqüente, como descrições e
identificações.
Geralmente, os algoritmos de segmentação são baseados em uma ou duas
propriedades básicas de valores de níveis de cinza: descontinuidade e similaridade.
Neste projeto a opção foi pela segunda categoria que é baseada no “threshold”,
13
Um histograma é uma representação gráfica da distribuição de frequências de uma massa de medições,
normalmente um gráfico de barras verticais.
67
crescimento de região, divisão de região e “merge”.
Nas microcalcificações de bordas espiculadas foi observada a existência de várias
parábolas. Tendo como foco central a existência de muitas parábolas, foi desenvolvido
um método de detecção dessas parábolas na fronteira de cada microcalcificação. Os
métodos utilizados foram os de detectar os pontos de inflexão e os pontos em que a
fronteira muda de crescente para decrescente ou de decrescente para crescente. A partir
dos pontos de inflexão da imagem, foram feitas comparações entre a altura e a distância
entre dois pontos de inflexão sucessivos e identificados se a porção da imagem
observada possui formas espiculadas ou não. Depois de utilizar esse método para todos
os pontos de inflexão sucessivos da imagem, observa-se a quantidade de formas
espiculadas e não-espiculadas. Se as bordas apresentarem em sua maioria formas
espiculadas, a microcalcificação será considerada espicular. Desta forma determina-se
que uma microcalcificação é considerada espicular quando predominantemente suas
inflexões são espiculadas.
No caso da detecção de agrupamentos de microcalcificações em formação, o
método principal utilizado é a comparação do número de pixels da imagem. Se a
imagem de uma microcalcificação for cheia, formada por oito pixels ou menos e com
uma distância muito próxima de outras 6 (número pré-determinado) microcalcificações
também com oito pixels ou menos, determina-se que um agrupamento de
microcalcificações está em formação. Após a detecção de todas as pequenas
microcalcificações, demarcam-se as áreas em que se deveriam calcular as densidades.
Para a demarcação de tais áreas, foi utilizado o conceito de centro de massa para
localizar o ponto central da imagem. Quando encontrado um aglomerado, foi realizado
o calculo do centro da aglomeração para em seguida ser efetuado o cálculo da sua
densidade.
Utilizando estes métodos, desenvolveu-se um sistema que atendesse as
necessidades de detecção de bordas espiculadas e cálculo da densidade de agrupamentos
de microcalcificações em formação.
Através dos testes realizados com as imagens simuladas e as imagens reais
mamográficas YAMAGUCHI e PEREIRA concluíram que os métodos utilizados para a
detecção de microcalcificações de bordas espiculadas (tipo 4) e para a detecção e
cálculo da densidade de aglomerados de microcalcificações em formação (tipo 3)
tiveram porcentagens de acertos diferentes. Enquanto nas imagens simuladas foram
obtidas 100% de resultado correto, nas imagens mamográficas reais essa porcentagem
68
abaixou para 90% na detecção de microcalcificações em formação e para 85% na
detecção de microcalcificações de bordas espiculadas. Isso ocorreu pois as imagens
reais mamográficas passaram apenas por uma função de pré-processamento
(binarização). Essa porcentagem pode aumentar caso sejam usadas várias e melhores
funções de pré-processamento de imagens.
6.7 Exemplo de CAD para Análise de Nódulo Pulmonar
O câncer de pulmão é conhecido como um dos cânceres de menor sobrevida a
partir do diagnóstico e o número de mortes cresce gradualmente a cada ano. Por esta
razão, quanto mais cedo for detectado maior será a chance de cura do paciente e, de
quanto mais informações o médico dispuser, mais preciso será o diagnóstico.
Apesar de o pulmão ter em sua própria composição um contraste natural, existem
dificuldades para a identificação e o diagnóstico de nódulos decorrentes dos seguintes
fatos: 1) o órgão contém estruturas anatômicas com características (formas, densidades,
etc.) semelhantes, que às vezes se confundem; 2) o nódulo na fase inicial, quando tem
pequena dimensão e forma mal definida, é de difícil identificação; 3) as medidas
efetuadas pelos médicos para a análise da evolução do nódulo, como por exemplo o seu
diâmetro, são realizadas de forma artesanal, geralmente utilizando uma régua sobre a
imagem; 4) o cansaço visual e o fator emocional do médico podem influenciar no
diagnóstico. Com a finalidade de diminuir estas dificuldades foi desenvolvido um
sistema computacional que fornecerá mais informações aos médicos para efetuarem um
diagnóstico mais preciso.
SILVA AC e CARVALHO PCP desenvolveram um protótipo de um sistema de
análise e diagnóstico de nódulos pulmonares que fornece à comunidade médica diversos
recursos que possibilitarão uma boa análise, visualização e diagnóstico o -0.692 i11( )-2961(e)-6.19 dess pm -3.78931(ó)-3..11937(i )-103.724(-3.78931(o)- )-135.881(u)-3.789312(m)6.23875(a)-6.19426sisl (O)-6.8851( )-103.838simaes-237.698 -19.44 Td[(r)0.713766(e)-.11937(i-6.19426( )-275.227(d)-3.78931(i:)-16.9132(d)-82.2865(q)a)4.52466(ç)4.52466(ã-237.698 -1e)-6.19426( )-125.162(g)]TJ245.87(ç)4.52466(ãz(d)-3.79178(e)4.5246a)-6.19426( )çefeiuDCçefi3DCçi (a)-6.19426sl ps (f.78931(u)-3.78931(1(a)-6.1942r)0.71442(( )-103.724(r)-6.19426(s)-7.59955(s)382.2865()-11.4098(s)33.789.881(s)3.11937(o01789-2961(e)-6.19q)a)4.52466(ç)4.5285.946(u)-3.789e g
69
feitos pelos médicos.
Para o desenvolvimento do sistema foi formada uma equipe com a participação de
médicos, radiologistas e cientistas da computação.
As imagens foram adquiridas em um tomógrafo Helicoidal GE pro Speed, sob as
seguintes condições: voltagem do tubo de 120 Kv, corrente do tubo de 100 mA,
tamanho da imagem de 512x512 pixels e intervalo de reconstrução de 2 mm. Na
imagem de TC adquirida, o ar aparece com intensidade média de –1000 Unidades
Hounsfield (UH) , os tecidos do pulmão na faixa de –910 UH a –500 UH, enquanto o
sangue, a parede torácica e os ossos, que são estruturas muito densas, estão acima de –
500 UH. As imagens foram quantizadas em 12 bits e armazenadas no formato DICOM.
Com o propósito de efetuar a segmentação automática de nódulos pulmonares, o
passo inicial, e de fundamental importância, é a segmentação do parênquima pulmonar.
Extraindo o parênquima pulmonar, restringe-se a área de segmentação, eliminando
estruturas que dificultam o processo, como vasos, brônquios, parede torácica e
mediastino.
A segmentação é baseada em seqüências de operações simples e tradicionais,
como segmentação com limiar global, abertura e fechamento, detecção de borda,
afinamento, código da cadeia e classificação das áreas das estruturas. O limiar global
tem por objetivo binarizar a imagem, extraindo o parênquima pulmonar. Os
procedimentos de fechamento e abertura eliminam pequenas estruturas contidas no
parênquima pulmonar (vasos, por exemplo) e preenchem algumas falhas na borda. A
detecção da borda e o afinamento têm, respectivamente, o objetivo de extrair a borda
das estruturas e afiná-la até a espessura de um pixel.
Figura 6.1 - Extração do parênquima pulmonar
O sistema disponibiliza dois outros recursos que auxiliam e possibilitam um maior
controle sobre a segmentação: a barreira e a borracha. A barreira é um cilindro colocado
em volta do nódulo pelo usuário, que tem por objetivo limitar a região de interesse e
70
impedir que a segmentação por agregação de voxel invada outras estruturas do pulmão.
A borracha, por sua vez, é um recurso do sistema que possibilita ao médico apagar
estruturas indesejadas antes ou depois da segmentação, visando evitar e corrigir erros de
medição da evolução do nódulo.
As próximas etapas a serem implementadas e adicionadas ao sistema serão
segmentação automática dos nódulos, análise da evolução do nódulo baseada na sua
simetria, detecção de outras lesões, como enfisema pulmonar, visualização da árvore
brônquica e outros métodos de reconstrução 3D, como raycasting ou shear-warp. O
sistema está em fase experimental e encontra-se sob avaliação clínica, sendo os
resultados iniciais promissores
.
6.8 Utilização da Análise de Componentes Principais e Redes Neurais
Artificiais para a Classificação de Nódulos em Mamografias
Digitalizados
SILVA AC, CARVALHO PCP e FRERE AF utilizaram a Análise de
Componentes Principais (PCA) para reduzir o número de atributos de textura e forma
dentro do processo de classificação de nódulos em mamografias digitalizados. Utilizou-
se um classificador de rede neural artificial com algoritmo de treinamento de
“backpropagation”. O processo completo envolveu quatro etapas: detecção, extração e
seleção de atributos, e classificação. Na etapa de detecção, as imagens foram
submetidas ao processo combinado das técnicas de segmentação de thresholding,
morfologia matemática e de crescimento de região.
Foram extraídos 28 atributos (14 de textura e 14 de forma). O melhor resultado
obtido foi para uma configuração de rede neural artificial com 3 camadas escondidas,
com unidades de entrada para os dez componentes principais, representando 96,70% da
variância total, apresentou média da taxa de acerto de 99,72%, taxa de especificidade de
99,51% e taxa de sensibilidade de 100,00%.
No processo de segmentação foram definidas manualmente as regiões de interesse
(ROI) com o auxílio de um especialista. Para a segmentação dos nódulos contidos nas
regiões de interesse, foram utilizadas técnicas que combinaram métodos de crescimento
de região (CHEN et al.), limiarização (CHAN et al.) e filtros morfológicos matemáticos.
Após a etapa de segmentação, foi realizada a extração de atributos de textura e
forma. Os atributos de textura foram calculados a partir das imagens das regiões de
interesse originais, pois de acordo com a metodologia proposta por HARALICK et al.,
71
utilizam-se imagens em níveis de cinza. Os de forma foram calculados a partir das
regiões de interesse segmentadas, cujas imagens foram binarizadas.
Para definir o número de unidades da camada escondida e o número de amostras
de imagens, foi aplicada a regra apresentada por Timothy Masters. De acordo com o
autor, o número de amostras deve ser no mínimo igual ao dobro de
(n+1)
x
m
, onde
n
é
o número de entradas da rede (no nosso caso o número de atributos) e
m
é igual ao
número de unidades da camada escondida. A quantidade
(n+1)
x
m
determina o número
de
parâmetros livres
da rede neural.
Levando-se em conta o número de parâmetros livres da rede neural, foi aplicado o
método de análise de componentes principais para a reduzir o número de entradas
(atributos) a serem aplicados na entrada da rede, e variados o número de unidades da
camada intermediária de 3 até 7, dependendo do número de parâmetros livres
correspondentes.
A proporção e o valor acumulado mais significativos das variâncias dos 28
atributos (forma e textura) foram para os primeiros 7, 8, 9 e 10 coeficientes de
componentes principais. Os valores obtidos foram 91,68%, 93,66%, 95,53% e 96,70%,
respectivamente.
Para a classificação, foi adotado o método de redes neurais artificiais do tipo
multicamadas com algoritmo de treinamento por “backpropagation” (BPN). A função
de ativação escolhida foi a sigmóide logarítmica, com os valores de treinamento na
saída da rede fixados em 0,02 para a classe benigna e 0,98 para a classe maligna. O
número de camadas intermediárias ficou limitado devido ao número de parâmetros
livres e número de amostra de imagens. Os melhores resultados obtidos foram:
configuração com 10 coeficientes de PCA na entrada da rede, com 3 unidades
escondidas e resultados das médias das taxas de acerto, especificidade e sensibilidade
iguais a 99,72%, 99,51% e 100,00% respectivamente. A seguir, veio a configuração
com 9 coeficientes de PCA na entrada, com 3 unidades escondidas e médias das taxas
de acerto, especificidade e sensibilidade iguais a 99,72%, 99,84% e 99,56%
respectivamente.
6.9 Recuperação de Imagens por Conteúdo Através de Regiões
Determinadas Automaticamente pela Energia
BORTOLOTTI LM e TRAINA AJM escreveram um artigo apresentando uma
técnica para a extração de características de imagens médicas, baseada na determinação
72
automática dos Minimum Bouding Rectangles (MBRs) de regiões presentes na imagem,
e no processamento de suas textura. Tal técnica visa permitir mais rapidamente a
comparação entre imagens, bem como sua recuperação por conteúdo da base de dados.
Assim, dada uma imagem de consulta é possível realizar uma busca em um banco de
imagens, retornando as que mais se assemelham com a fornecida, tornando possível a
comparação com dados já existentes. Tal recurso auxilia o processo de ensino de
radiologia bem como na verificação e comparação de laudos e diagnósticos efetuados
sobre a imagem.
O método proposto de extração de características é divido em duas partes. Na
primeira parte, a imagem é processada e são determinadas regiões com maior área e
energia, sendo classificadas como mais significativas. Para isso uma seqüência de filtros
é aplicada sobre a imagem para redução de ruídos e eliminação de regiões pequenas e
pouco significativas. Na segunda, são extraídas características de textura das regiões
determinadas no passo anterior, utilizando-se para isso, medidas da matriz de co-
ocorrência.
Para a eliminação de ruídos e das estruturas pequenas é utilizada uma
transformada de wavelets. A transformada utilizada foi proposta por Daubechies que,
quando aplicada em uma imagem, gera uma miniatura (thumbnail) com tamanho igual a
25% da imagem original. O processamento efetuado na miniatura da imagem é muito
mais rápido, já que a miniatura possui apenas ¼ (um quarto) do tamanho da imagem
original e mantém as propriedades necessárias para a identificação das regiões de
interesse da imagem.
Figura 6.2 – Aplicação da transformada de wavelets sobre uma imagem
73
O próximo passo do processo foi a aplicação de um filtro de detecção de bordas
sobre a imagem resultante da aplicação da transformada de wavelet. Para isso, foi
utilizado o filtro de Sobel, que compreende um conjunto de matrizes de convolução
capaz de detectar os gradientes da imagem (bordas) nas direções vertical e horizontal.
A determinação dos MBRs é realizada mediante a construção de gráficos de
energia para linhas e colunas da imagem resultante da aplicação do filtro de Sobel. A
energia de um conjunto de pixels é calculada somando-se as intensidades dos mesmos.
Para obter os gráficos de energia das linhas e colunas a imagem é percorrida e a energia
de cada linha e coluna é determinada.
Figura 6.3 – Gráficos da energia
Como os MBRs são determinados sobre a imagem original reduzida, é necessário
a transposição das coordenadas para a imagem de entrada para que as características de
textura sejam extraídas.
O passo final do processamento da imagem para a construção de seu vetor de
características consiste na extração de características de textura utilizando-se a matriz de
co-ocorrência. Para cada MBR pertencente ao conjunto de resposta, é calculada sua
matriz de co-ocorrência e são computadas medidas de entropia, que fornece um
indicador de suavidade da textura, e homogeneidade, que indica como os pixels de uma
região estão distribuídos em relação à sua intensidade (brilho), pois, devido às
características das texturas presentes nas imagens médicas, estas são as medidas que
melhor representam estes tipos de imagens.
74
Após a análise completa da imagem, o vetor de características é construído com as
seguintes informações: o número de MBRs encontrados e por uma lista de medidas
extraídas de cada MBR. Esta lista é composta pela área e a energia total do MBR, e as
medidas de entropia e homogeneidade extraídas da matriz de co-ocorrência. Esta lista é
ordenada em ordem decrescente em relação à área, estabelecendo uma relação de ordem
no vetor de características e permitindo, assim, que imagens com diferentes números de
MBRs possam ser comparadas.
Para realização dos testes, foi utilizada uma base com 250 imagens médicas
divididas em cinco classes de diferentes tipos de exames radiológicos. Os testes foram
realizados por meio de consultas do tipo k-NN (k-Nearest Neighbor), que retornam os k
elementos mais próximos do dado de entrada. A comparação das imagens é feita
utilizando-se a função de distância Euclidiana, calculada sobre o vetor de características
de cada imagem pertencente à base. As distâncias calculadas são então ordenadas e o
conjunto resultado é criado.
Foram realizados testes sobre um conjunto variado de tipos de exames médicos, e
na maioria deles, os resultados obtidos foram satisfatórios, sendo que a maioria das
imagens retornadas como sendo mais similares, pertencia à mesma classe da imagem de
entrada.
75
6.10 Extração de Características de Imagens Médicas Baseadas na
Distribuição de Cor nos Espaços de Wavelets
CASTAÑÓN CAB e TRAINA AJM escreveram um artigo que apresenta uma
técnica de caracterização de imagens médicas, com a finalidade de facilitar o processo
de indexação das mesmas em estruturas multidimensionais. Uma abordagem para este
problema de caracterização consiste na geração de vetores de características baseadas
nas transformadas de wavelets, sendo que as características extraídas agrupam-se num
vetor que constituirá a identificação da imagem. Nesta proposta, o sistema extrai as
características mais relevantes da imagem, calcula a distância entre uma imagem de
consulta e aquelas que se encontram no banco de dados, e recupera as n imagens mais
similares. A abordagem apresentada baseia-se na aplicação dos filtros das wavelets de
Daubechies sobre características globais da imagem.
As transformadas de wavelets fornecem a representação tempo-freqüêcia de forma
simultânea, o que é de grande auxílio, pois em muitos casos é de interesse conhecer a
ocorrência de um componente espectral num determinado instante. Nesses casos pode
ser de muito interessante conhecer os intervalos de tempo onde estão esses componentes
espectrais de forma particular.
A análise de multi-resolução permite estudar um sinal ou uma função em distintas
escalas. O elemento central da análise de multi-resolução é uma função
f
(t), denominada
função escala, que tem a finalidade de representar um sinal em diferentes escalas. A
translação desta função resulta na “construção de blocos” da representação do sinal em
escalas distintas. Esta escala pode ser alterada por acréscimos de dilatações (stretching)
ou diminuída mediante contrações (squeezing).
A transformada de wavelet pode ser desenvolvida sobre um sinal
multidimensional simplesmente mediante aplicações sucessivas de transformações
unidimensionais através de todas as dimensões. Este processo é muito usado no
processamento de imagens.
76
Figura 6.4 - Decomposição wavelet 2D. Imagem original, primeiro e segundo nível de
decomposição.
Para gerar vetores de características aplicaram-se três níveis de decomposição
wavelet, gerando dez sub-espaços (um de baixa freqüência e nove de alta freqüência). O
sub-espaço de baixa freqüência corresponde à versão comprimida da imagem original.
Neste processo, os parâmetros extraídos de cada sub-espaço de alta freqüência foram
média, energia, entropia, gerando nove valores por cada tipo de característica.
A consulta por semelhança está baseada na similaridade semântica entre as
imagens, sendo que apenas imagens do mesmo tipo devem ser pesquisadas. Por
exemplo, dada uma imagem do cérebro, outras imagens deste órgão devem ser
recuperadas e exibidas como resposta. Para recuperar as imagens relacionadas, a busca é
realizada em duas etapas, na primeira gera-se o vetor de características constituído pela
media, energia e entropia de cada sub-banda. Na segunda etapa calcula-se a distância
Euclidiana entre cada uma das imagens do banco de dados e a imagem de consulta.
Assim as distâncias resultantes são ordenadas e as “n” menores distâncias são
recuperadas.
Para avaliar a utilidade da proposta, foi desenvolvido um protótipo capaz de
realizar consultas por similaridade em um banco de dados de imagens reais. O conjunto
corresponde a grupos de exames tomográficos com imagens consecutivas apresentando
pequenas alterações.
Os vetores de características foram gerados sobre bandas de alta freqüência
resultado da decomposição em três níveis. É interessante ressaltar que estes sub-espaços
gerados apresentam a propriedade de ortogonalidade entre eles, o qual permite a
existência de características não correlacionadas. Os testes do sistema desenvolvido
77
mostraram que o desempenho de recuperação foi aceitável. Pode-se afirmar que o
presente trabalho apresenta o potencial das wavelets para caracterizar imagens. O
sistema pode ser melhorado com a adição de outras características que identifiquem
aspectos de textura e forma, sendo estes os seguintes passos no desenvolvimento de
trabalhos futuros.
6.11 Exemplo de CAD Baseado em Dados Clínicos
AMBROSIO PE desenvolveu um sistema computacional de apoio ao diagnóstico
de um grupo de patologias classificadas como lesões intersticiais pulmonares, com o
intuito principal de se verificar a validade da utilização da técnica de redes neurais
artificiais para esse fim.
O primeiro passo para o desenvolvimento da pesquisa foi definir quais as doenças
que seriam levantadas para o estudo. Como já comentado anteriormente, o número de
doenças que podem ser classificadas no grupo das lesões intersticiais pulmonares é
muito grande, englobando mais de 180 diferentes doenças. Para realizar a escolha de
quais seriam utilizadas como exemplo para o desenvolvimento do sistema, contou-se
com a ajuda de um médico especializado na área, através do qual, com base
principalmente na relevância clínica e dificuldade do diagnóstico diferencial, foram
selecionadas as patologias já descritas, sendo elas: blastomicose sul-americana, fibrose
pulmonar idiopática, tuberculose miliar, histoplasmose, sarcoidose, silicose,
esclerodermia, histiocitose e linfangite carcinomatosa.
Em seguida, também contando com a ajuda do especialista, foram levantados os
principais parâmetros a serem observados no exame clínico e radiológico que podem
auxiliar no diagnóstico diferencial, chegando-se aos seguintes:
a) parâmetros clínicos:
· idade do paciente;
· sexo;
· tempo de duração dos sintomas;
· constatação de estado febril;
· nível de imunidade;
· relato de doença maligna;
· paciente fumante;
78
· relato de tratamentos com drogas;
· relato de exposição constante à poeira;
· relato de exposição constante a antígenos orgânicos.
b) Parâmetros radiológicos:
· grau de lesões apresentadas na área superior, nas metades esquerda e direita;
· grau de lesões apresentadas na área média, nas metades esquerda e direita;
· grau de lesões apresentadas na área inferior, nas metade esquerda e direita;
· apresentação de padrão proximal ou periférico;
· homogeneidade das lesões apresentadas;
· apresentação de padrão fino ou grosseiro;
· apresentação de nodularidade;
· apresentação de linhas septais;
· apresentação de pulmão em “favo de mel”;
· verificação de perda de volume pulmonar;
· apresentação de linfadenopatia;
· apresentação de efusão pleural;
· tamanho cardíaco alterado.
Para o levantamento dos casos clínicos, todos coletados no Hospital das Clínicas
da Faculdade de Medicina de Ribeirão Preto (HCFMRP), primeiramente fora realizada
uma pesquisa nos arquivos do hospital para levantamento dos casos registrados com
diagnóstico para uma das patologias investigadas. Após esse levantamento, eliminou-se
todo registro em que não houvesse uma comprovação concreta do diagnóstico,
mantendo-se apenas os registros em que essa comprovação fosse possível de
verificação. Esses registros foram então levados novamente ao médico especializado, o
qual excluiu os que apresentavam a patologia como causa secundária. Finalmente, esse
conjunto de elementos, já bastante reduzido, foi levado para a análise, por um médico
radiologista, o qual realizou a quantificação dos parâmetros radiológicos e o
preenchimento do protocolo utilizado como entrada de dados para o sistema.
79
Parâmetros Clínicos
Idade
Sexo (0=Masc.; 1=Fem.)
Duração dos Sintomas (0 – 12 meses)
Temperatura (0=Normal; 1=Febre)
Imunidade (0=Normal; 1=Suprimido)
Doença Maligna (0=Não; 1=Sim)
Fumante (0=Não; 1=Sim)
Tratamento com Drogas (0=Não; 1-Não tóxico; 2=Pouco tóxico; 3=Tóxico)
Exposição à Poeira (0=Não; 1=Sim)
Exposição a Antígenos Orgânicos (0=Não; 1=Sim)
Parâmetros Radiológicos
Campo Superior Esquerdo (0-5)
Campo Superior Direito (0-5)
Campo Médio Esquerdo (0-5)
Campo Médio Direito (0-5)
Campo Inferior Esquerdo (0-5)
Campo Inferior Direito (0-5)
Proximal/Periférico (0-5; 0=Proximal; 5=Periférico)
Homogeneidade (0-5)
Fino/Grosseiro (0-5; 0=Fino; 5=Grosseiro)
Nodularidade (0-5)
Linhas Septais (0-5)
Favo de Mel (0-5)
Perda de Volume Pulmonar (0-5)
Linfadenopatia (0-5)
Efusão Pleural (0-5)
Tamanho Cardíaco (1-5)
80
Os dados caracterizados como parâmetros clínicos foram obtidos através do
prontuário do paciente, e quantificados da seguinte maneira:
a) Idade: idade do paciente, em anos;
b) Sexo: sexo do paciente, sendo o valor 0 para sexo masculino e valor 1 para
sexo feminino;
c) Duração dos sintomas: relatado pelo paciente, de 0 a 12 meses (relatos de mais
de doze meses foram fixados no valor 12);
d) Temperatura: observação de estado febril no momento do exame, sendo
classificado com o valor 0 para temperatura normal, e valor 1 para a constatação de
febre;
e) Imunidade: valor 0 para pacientes com imunidade normal e 1 para os
portadores de doenças do sistema imune;
f) Doença maligna: relatado pelo paciente, sendo o valor 1 para os pacientes
portadores de doença maligna e 0 caso contrário;
g) Fumante: relatado pelo paciente, sendo 0 para não fumantes e 1 para fumantes;
h) Tratamento com drogas: pacientes com tratamento por drogas tóxicas foram
classificados com o valor 3, pacientes tratados por drogas pouco tóxicas receberam o
valor 2, tratados com drogas não tóxicas valor 1, e pacientes que não receberam nenhum
tratamento por drogas classificados com o valor 0;
i) Exposição à poeira: pacientes que relataram exposição constante à poeira
receberam valor 1, caso contrário 0;
j) Exposição a antígenos orgânicos: também relatada pelo paciente, a exposição a
qualquer tipo de antígeno orgânico recebeu o valor 1, e valor 0 caso contrário.
Os parâmetros radiológicos foram quantificados pelo profissional especializado
com base na observação das imagens radiológicas catalogadas também no prontuário do
paciente. Essa quantificação foi realizada com valores inteiros no intervalo de 0 a 5 para
todos os campos, exceto o tamanho cardíaco (intervalo de 1 a 5), sendo dado o valor 0
para a ausência de lesão, e valores maiores para o nível (ou tamanho) da presença de
lesão (na análise do campo superior esquerdo da imagem, verificando-se ausência de
lesões nessa área, quantificou-se com o valor 0; por outro lado, verificando-se lesões
abrangendo toda a área, valor 5).
Nota-se que essa quantificação dos parâmetros radiológicos foi realizada de
81
maneira muito subjetiva, cujos valores poderiam ser diferentes quando realizada a
análise por outro profissional. Mas isso é o que realmente ocorre na prática diária da
profissão.
Para o treinamento e testes do sistema, realizou-se o levantamento de dados no
Hospital das Clínicas da Faculdade de Medicina de Ribeirão Preto, conforme descrito
acima, no período de janeiro a dezembro de 2001, contando com o apoio de um
estudante de iniciação científica do curso de Ciências Médicas dessa instituição, onde se
o teve um total de 79 (setenta e nove) casos das patologias investigadas, assim
distribuídos: 21 casos de blastomicose sul-americana; 14 casos de histoplasmose; 11
casos de fibrose pulmonar idiopática; 10 casos de tuberculose miliar; 9 casos de
sarcoidose; 5 casos de esclerodermia; 4 casos de silicose; 3 casos de histiocitose X; e 2
casos de linfangite carcinomatosa.
O sistema computacional desenvolvido nesse trabalho baseou-se na técnica de
redes neurais artificiais do tipo perceptron multicamadas. A opção por esse tipo de rede
se deu pelo fato de o problema tratado ser basicamente uma classificação de amostras
em determinados padrões, sendo essa a principal aplicação dos perceptrons. Para o
treinamento da rede, utilizou-se o paradigma da aprendizagem supervisionada, através
do algoritmo de backpropagation.
De todas as configurações testadas, a que apresentou melhores resultados e,
portanto a escolhida, contém apenas uma camada oculta com 19 nós, promovendo a
conexão entre a camada de entrada e a de saída. A função de ativação dos elementos de
processamento utilizada foi a sigmóide do tipo logística, cujo parâmetro de inclinação
(D), também foi alvo de variação em diferentes testes, tendo sido testado com os valores
1, 2 e 4.
Cada um dos 79 registros dessa base (total de casos coletados) compõe-se de uma
cadeia de 35 valores numéricos, representando os 26 campos do protocolo de entrada,
mais 9 valores para representar a saída esperada (a patologia previamente diagnosticada
pelo especialista). A codificação numérica das patologias investigadas, para a
implementação computacional é mostrada na Tabela 6.1.
82
Tabela 6.1 – Codificação das patologias.
Patologia Representação numérica
Linfangite carcinomatosa 0 0 0 0 0 0 0 0 1
Histiocitose 0 0 0 0 0 0 0 1 0
Esclerodermia 0 0 0 0 0 0 1 0 0
Silicose 0 0 0 0 0 1 0 0 0
Sarcoidose 0 0 0 0 1 0 0 0 0
Histoplasmose 0 0 0 1 0 0 0 0 0
Tuberculose miliar 0 0 1 0 0 0 0 0 0
Fibrose pulmonar idiopática 0 1 0 0 0 0 0 0 0
Blastomicose sul-americana 1 0 0 0 0 0 0 0 0
Um exemplo contendo alguns registros da base de dados utilizados como entrada
da rede na fase de treinamento é mostrado na Tabela 6.2.
Tabela 6.2 – Registros utilizados como entrada da Rede Neural.
52 0 3 0 0 1 1 0 0 0 1 2 2 3 2 3 1 1 2 1 2 2 2 2 2 1 0 0 0 0 0 0 0 0 1
31 0 1 1 1 0 0 1 0 0 2 2 2 2 3 3 2 3 2 2 0 0 0 1 0 1 0 0 1 0 0 0 0 0 0
23 0 4 1 1 0 0 1 0 0 2 2 3 2 3 2 1 3 2 3 0 0 0 1 0 1 0 0 1 0 0 0 0 0 0
65 1 8 0 0 0 0 0 0 0 0 0 0 1 3 3 2 2 2 0 0 1 0 0 0 1 0 0 0 0 0 0 1 0 0
Estabeleceu-se, portanto, a configuração ideal da rede neural, para esse trabalho,
composta de 26 elementos na camada de entrada (os 26 elementos do protocolo de
entrada), 9 elementos na camada de saída (as 9 patologias a serem classificadas) e uma
camada oculta com 19 elementos, conectando a camada de entrada à de saída.
A saída do sistema apresenta todas as nove patologias possíveis, classificadas de
acordo com a probabilidade de ser a correta. Foram analisadas as situações em que o
sistema apresentou o resultado correto como primeira ou segunda opção da lista
classificada.
Um importante detalhe que se pôde observar durante o desenvolvimento do estudo
foi a grande subjetividade apresentada pelos médicos especialistas na análise e
quantificação dos parâmetros radiológicos para a elaboração do diagnóstico.
83
7 Metodologia
7.1 Introdução
Este capítulo tem como objetivo descrever a metodologia que foi empregada no
desenvolvimento de uma ferramenta auxiliar na detecção de lesões hemorrágicas ou
isquêmicas, denominada CAD-BR. Os propósitos desta ferramenta são:
•
Detectar áreas hiperdensas ou hipodensas em TC de crânio;
•
Excluir potenciais ruídos oriundos da filtragem;
•
Quantificar as áreas hiperdensas ou hipodensas;
•
Permitir ao usuário a criação de sua base de dados de conhecimento. Este banco
de dados possibilitará a continuidade no desenvolvimento de novas ferramentas.
•
Fornecer ao usuário uma interface bastante amigável.
O estudo tem como proposta inicial a elaboração de uma Rede Neural Artificial
utilizando o algoritmo de backpropagation com aprendizado supervisionado.
Nesta abordagem, os dados relativos à anamnese dos pacientes foram codificados
e apresentados à camada de entrada da Rede Neural em conjunto com os dados
extraídos das imagens.
Figura 7.1 - Uso dos dados da anamnese em conjunto com os dados das imagens
84
Como mostrado na Figura 7.1, é no uso dos dados da anamnese em conjunto com
os dados extraídos das imagens que reside a principal inovação do método. Estudos
mostram o uso de dados de anamnese e imagens em Sistemas de Auxílio ao
Diagnóstico, mas sempre separadamente.
As imagens dos exames utilizadas como entradas da RNA foram validadas pelos
laudos armazenados no banco de dados de um RIS (Sistema de Informações em
Radiologia). Os laudos foram utilizados como “gold standard
14
” neste estudo.
Todas as imagens e laudos foram anonimizados, anteriormente à sua utilização,
para preservar a identidade dos pacientes.
Para o levantamento dos casos clínicos, todos coletados em uma Clínica de
Diagnóstico por Imagem no Rio de Janeiro, foi elaborada uma ficha de anamnese na
qual os pacientes ou seus acompanhantes deveriam responder a algumas questões
relevantes para a classificação das imagens.
Os parâmetros radiológicos foram quantificados pelo sistema CAD-BR com base
na análise das imagens radiológicas do paciente. Essa quantificação foi realizada com a
contagem dos valores dos pixels remanescentes após processos de filtragem por
densidade e aplicação de operadores morfológicos.
Um importante detalhe que se pôde observar durante o desenvolvimento do estudo
foi a utilização de valores concretos extraídos das imagens dos exames. Outros estudos,
no entanto, relataram grande subjetividade apresentada pelos médicos especialistas na
análise e quantificação dos parâmetros radiológicos para a elaboração do diagnóstico.
7.2 Construção do Banco de Dados
Para treinamento e teste dos sistemas propostos, estão disponíveis imagens de
exames de Tomografia Computadorizada de Crânio, seus respectivos laudos emitidos e
revisados por especialistas (radiologistas) e o questionário respondido por pacientes ou
seus acompanhantes.
14
Na medicina, um teste padrão ouro é um teste de diagnóstico ou uma avaliação tida como definitiva.
Isto pode ser referenciado a um processo de doença ou critério pelo qual uma evidência científica é
avaliada. Um teste padrão ouro ideal tem uma sensibilidade de 100%, ou poder estatístico de 100%
(identifica todos os indivíduos com um processo de doença, não apresentando resultados falso-negativos).
Um teste padrão ouro ideal também tem uma especificidade de 100%, não apresentando resultados falso-
positivos. Na prática, não existem testes padrão ouro ideais. Como novos métodos diagnósticos são
criados, o teste padrão ouro pode mudar ao longo do tempo. Por exemplo, para o diagnóstico de uma
dissecção de aorta, o teste padrão ouro utilizado era a aortografia, que tinha uma sensibilidade de 83% e
uma especificidade de 87%. Devido ao avanço da RM, a angioressonância passou a ser o teste padrão
ouro para o caso citado, com uma sensibilidade de 95% e uma especificidade de 92%.
85
7.2.1 Busca de informações relevantes no Banco de Dados do RIS
Os laudos dos exames estão disponíveis no Banco de Dados do Sistema de
Gestão da Clínica – RIS
15
onde foram realizados os exames. A extração dos laudos, bem
como a identificação dos exames normais e anormais é realizada através de comandos
SQL em um Banco de Dados Firebird
16
.
Para identificação dos exames que tiveram diagnóstico que apontavam para a
ocorrência da síndrome do AVC, foi necessária a realização de buscas no banco de
dados do RIS por palavras que pudessem caracterizar os eventos isquêmicos e
hemorrágicos.
Do contato com especialistas, pode-se observar que a descrição dos achados é
sempre identificada pela presença das palavras isquemia, isquêmico, isquêmica,
hemorragia, hemorrágico ou hemorrágica.
Face ao exposto, foram criados scripts SQL com o objetivo de identificar e
distinguir os números dos exames que poderiam caracterizar um AVC Isquêmico ou
Hemorrágico, além de extrair a data de nascimento e sexo dos respectivos pacientes.
As características necessárias para a busca por exames de AVC Isquêmico são:
•
Ser uma Tomografia Computadorizada de Crânio;
•
Ter sido realizado entre 01/01/2006 e 31/12/2007;
•
Conter no corpo do laudo uma das palavras isquemia, isquêmico ou isquêmica e
seus plurais.
Um exemplo de laudo é mostrado a seguir:
“Foram realizados cortes axiais paralelos a linha órbito-meatal, com 3 mm de intervalo
entre os cortes na fossa posterior e 7 mm na região supra tentorial, sem contraste
iodado, que demonstraram:
- O parênquima dos lobos cerebrais apresenta valores de atenuação dentro dos padrões
normais.
- Núcleos da base, tálamos e regiões capsulares sem alterações.
- Hemisférios cerebelares de aspecto anatômico.
15
RIS – Radiology Information System tem por objetivo gerenciar todo o fluxo de informações em uma
clínica de diagnósticos por imagem. Cadastro de pacientes, laudos e faturamento são alguns dos módulos
que deve conter um sistema de gestão em radiologia.
16
Firebird - utiliza-se do padrão ANSI SQL-92 para prover a manipulação dos bancos de dados e algumas
funções que complementam tal padrão, bem como a possibilidade de costumização.
86
- Sistema ventricular de configuração anatômica e volume normal.
- Cisternas da base de amplitudes normais.
- Ventrículos supra-tentoriais, sulcos corticais e cisternas da base proeminentes.
- Quarto ventrículo centrado.
- Involução fisiológica do parênquima cerebral manifesto por ampliação dos sulcos e
cisternas e por expansão secundária do sistema ventricular.
- Áreas hipodensas circunscritas, sugestivas de lesões isquêmicas focais.
- Alterações neurodegenerativas compatíveis com a faixa etária.”
A linha grifada pode ser encontrada no banco de dados através da busca pela
palavra-chave “isquêmicas”.
As características necessárias para a busca por exames de AVC Hemorrágico
são:
•
Ser uma Tomografia Computadorizada de Crânio;
•
Ter sido realizado entre 01/01/2006 e 31/12/2007;
•
87
A linha grifada pode ser encontrada no banco de dados através da busca pela
palavra-chave “hemorrágico”.
7.2.2 Imagens
As imagens dos exames foram adquiridas em um Tomógrafo Computadorizado
marca General Electric, modelo High Speed. A matriz das imagens utilizadas neste
estudo é 512x512 pixels. As imagens estão disponíveis em formato DICOM e
armazenadas compactadas (sem perdas) em DVD-ROM. O arquivo de imagens conta
com aproximadamente 32.000 exames de Tomografia Computadorizada no período
selecionado, dos quais aproximadamente 9.000 são exames do Encéfalo.
Uma vez localizados os exames relevantes ao presente estudo, suas imagens
foram restauradas dos DVDs para o disco rígido da estação onde foi realizada a etapa de
pré-processamento. A Figura 7.2 ilustra o fluxo descrito acima.
Figura 7.2 – Fluxo de separação das imagens dos exames
Exemplos de imagens obtidas caracterizando AVC Isquêmico e Hemorrágico
são mostrados na Figura 7.3 e na Figura 7.4.
88
Figura 7.3 – Imagens de um exame de Tomografia Computadorizada - AVC Isquêmico
Figura 7.4 – Imagens de um exame de Tomografia Computadorizada - AVC
Hemorrágico
89
Foi criada uma função com o objetivo de manter anônimas as imagens dos
exames. Isto foi realizado através da substituição do nome do paciente por um nome
fictício, como por exemplo, Paciente75. Para preservar a identidade dos pacientes, o
campo “Patient Name” foi alterado em cada imagem de cada estudo utilizado neste
trabalho, conforme mostrado na Figura 7.5.
Figura 7.5 – Cabeçalho DICOM mostrando alteração do nome do paciente
Como Parâmetro Radiológico, foi utilizada a quantidade de pixels remanescentes
após a aplicação de filtros e de técnicas de processamento de imagem, conforme
detalhado na seção 7.3.1.
7.2.3 Anamnese
Nesta etapa do estudo foi elaborado um questionário a ser preenchido pelo
paciente ou seu acompanhante (anamnese) o qual foi utilizado nas etapas de treinamento
e validação das redes neurais em conjunto com as imagens dos exames.
Contando com a ajuda de especialistas e de acordo com os estudos realizados,
levantaram-se os principais parâmetros clínicos a serem observados no exame clínico
90
que podem auxiliar no diagnóstico diferencial, chegando-se aos seguintes:
•
Idade do paciente;
•
Sexo;
•
Fumante;
•
Vômito;
•
Diabetes;
•
Cefaléia;
•
Tempo de cefaléia;
•
Angina;
•
Déficit motor;
•
Pressão alta;
•
Depressão do estado de consciência
17
.
Para a coleta destas informações, foi elaborada uma ficha contendo os
parâmetros clínicos acima citados. Esta ficha foi distribuída a todos os pacientes que
realizaram exames de Tomografia Computadorizada do Crânio e foi preenchida pelo
paciente ou seu acompanhante, com exceção da idade e do sexo do paciente que foram
coletados diretamente do banco de dados do RIS.
Estas fichas foram posteriormente digitadas e foi gerada uma planilha contendo
os números dos exames, a idade e o sexo dos pacientes e os valores anotados para cada
parâmetro clínico. O modelo de ficha utilizado é mostrado na Figura 7.6.
17
Foi utilizada a Escala de Coma de Glasgow para quantificação da depressão do estado de consciência.
Ela compreende três testes: respostas de abertura ocular, fala e capacidade motora.
91
Figura 7.6 – Ficha de Anamnese
92
7.3 Pre-processamento
7.3.1 Imagens
Exemplos de imagens obtidas caracterizando AVC Hemorrágico e Isquêmico
são mostrados na
Figura 7.7 e na Figura 7.8.
Figura 7.7 - AVC Hemorrágico
Figura 7.8 - AVC Isquêmico
Foi realizada a filtragem por densidades das imagens dos exames. Lesões
hemorrágicas mostram-se hiperdensas (mais claras, com densidades entre 60 e 75
93
Unidades Hounsfield - UH
18
), enquanto que lesões isquêmicas apresentam-se
hipodensas (mais escuras com densidades entre 15 e 20 UH).
Figura 7.9 - AVC Isquêmico e imagem pós filtragem
Figura 7.10 - AVC Hemorrágico e imagem pós filtragem
A Figura 7.9 e a Figura 7.10 mostram imagens axiais obtidas no exame de
Tomografia Computadorizada do Crânio com as respectivas imagens das lesões
extraídas pela filtragem de densidades.
Foi desenvolvido um mecanismo de duplo filtro, que realiza a busca por lesões
hemorrágicas e isquêmicas em todas as imagens dos exames. Este duplo filtro consiste
em uma filtragem buscando lesões hipodensas e outra buscando lesões hiperdensas.
18
UH - Escala onde –1000 é mais escuro, 0 é um cinza médio e +1000 (ou mais) é bem claro. Dessa
forma quanto mais Rx o objeto absorver (mais denso, como o osso), mais claro ele é na imagem. A escala
de cinza é formada por um grande espectro de representações de tonalidades entre branco, cinza e o preto.
94
Feito isto, observou-se que as imagens resultantes da filtragem apresentavam
pixels isolados, não conectados à região da lesão e que não deveriam ser considerados
na quantificação. Face ao exposto, foi aplicada a operação morfológica de erosão, que
visa eliminar os pixels que não apresentem ligações com outros, podendo ser
considerados como ruídos. Foi utilizado um elemento estruturante em formato de
diamante com raio 2.
Figura 7.11 - Erosão
Como pode ser observado na Figura 7.11, o processo de erosão elimina ruídos
oriundos do processo de filtragem, mas também elimina pixels com pouca relação de
conexidade na região da lesão. Face ao exposto, faz-se necessária a utilização do
operador morfológico da dilatação, que visa restaurar os pixels retirados da região da
lesão sem, contudo, reinserir os ruídos na imagem, como mostrado na Figura 7.12.
Figura 7.12 - Dilatação
95
Os parâmetros radiológicos foram quantificados pelo sistema CAD-BR com base
na análise das imagens radiológicas dos pacientes. Como resultado das filtragens e da
aplicação dos operadores morfológicos, obteve-se uma contagem de pixels
remanescentes na faixa que caracteriza lesões isquêmicas e outra contagem para a faixa
que caracteriza lesões hemorrágicas. Consideram-se pixels remanescentes aqueles
pixels visíveis, com valores diferentes de zero ou não pretos das imagens.
Essa quantificação foi realizada após as operações de erosão e dilatação para que
os ruídos não fossem computados. Um exemplo de quantificação para um exame de TC
de Crânio com 22 imagens é mostrado na Tabela 7.1.
Tabela 7.1 – Exemplo de quantificação para uma TC de Crânio
Filtros
Imagem
15 – 20 UH
60 – 75 UH
1 277 21
2 172 17
3 112 26
4 146 0
5 135 44
6 154 31
7 115 73
8 173 57
9 218 39
10 283 50
11 304 44
12 4 9.3624 Tf0.99809 691(2)-0.828372( )-5259.11(2)-0.827691(6)13 2134( )]TJETQ13 213567 4 4 ref1827 2134( )]TJEef22 213567 4 4 ref2220 2135 523 4 ref27 213567 3 4 ref2746 2134( )]TJETQ22034 3492 4 4 ref182034 3492 4 4 ref222034 36 4 111 ref274334 3492 4 4 ref3268 2456 4 111 refq8.33333 0 0 8.33333 0 0 cm BT/R7 9.3624 Tf7056 Td9 0 0 1 237.96 234.64 Tm[(1)-154.99 0 1 237.96 26 1 237.96 284-13.6694( ).64 Tm[(1)50
96
normais, mas podendo fazer parte de um exame patológico. Foi considerada uma
imagem normal aquela que obteve valores de contagem inferiores a 20 pixels no
processo de quantificação. Estas imagens não foram consideradas para fins de
treinamento e validação, diminuindo a carga de processamento da rede neural.
7.3.2 Anamnese
Após estudos e consultas a especialistas, verificou-se que alguns parâmetros
clínicos mostravam-se mais relevantes que outros para a detecção de AVCs.
Sendo assim, decidiu-se por classificar os parâmetros clínicos nos grupos
primário e secundário, conforme a Tabela 7.2 e a Tabela 7.3. Foram realizados testes
para validar esta divisão, conforme descrito no capítulo 8.
Tabela 7.2 – Parâmetros Clínicos - Grupo Primário.
Primário
Idade do paciente
Sexo
Vômito
Cefaléia
Tempo de cefaléia
Déficit motor
Depressão do estado de
consciência
Tabela 7.3 – Parâmetros Clínicos - Grupo Secundário.
Secundário
Fumante
Diabetes
Angina
Pressão alta
Foi verificado que em alguns casos ocorreu o não preenchimento de alguns
parâmetros clínicos contidos na anamnese.
97
Os exames cujas anamneses não apresentavam respostas para qualquer um dos
parâmetros clínicos primários foram descartados, não sendo usados para a composição
do banco de dados.
Em contrapartida, para exames cujas anamneses apresentavam parâmetros
clínicos secundários com preenchimento incompleto, foi considerada a ausência de
preenchimento como uma resposta indefinida.
7.4 Codificação
Para a apresentação das informações na rede neural foi necessária a codificação
dos dados obtidos na etapa de pré-processamento. Dividiu-se a codificação em dois
grupos: imagens e anamnese.
7.4.1 Imagens
Os parâmetros radiológicos foram quantificados pelo sistema CAD-BR com base
na análise das imagens radiológicas dos pacientes. Essa quantificação foi realizada com
valores inteiros oriundos da contagem dos pixels remanescentes. Do processo de
quantificação dos pixels remanescentes foram obtidos valores variando de 0 a 10.000
aproximadamente. Com o objetivo de normalizar a contagem, os valores encontrados
foram divididos por 1.000, sendo o valor 0 para a ausência de lesão. Valores de
contagem superiores a 1.000 foram representados pelo valor 1, que é a codificação
máxima. Como exemplo, considerando uma lesão retangular hipotética que seja
quantificada por 1.000 pixels, agrupados em 20 linhas e 50 colunas, onde cada pixel
tenha lado igual a 0,5mm. A lesão terá as dimensões de 10mm por 25mm.
Conforme descrito anteriormente, foram gerados dois grupos com informações
dos pixels remanescentes: um grupo representando a quantificação dos pixels que
caracterizam uma lesão isquêmica e outro grupo representando lesões hemorrágicas.
Estes valores foram utilizados em separado, cada um representando uma entrada na rede
neural.
7.4.2 Anamnese
Os dados caracterizados como parâmetros clínicos foram obtidos através do
questionário respondido pelo paciente ou seu acompanhante, e quantificados da seguinte
maneira:
98
a) Idade
•
Pacientes com idade entre 0 e 20 anos receberam valor 0,25;
•
Pacientes com idade entre 20 e 40 anos receberam valor 0,5;
•
Pacientes com idade entre 40 e 60 anos receberam valor 0,75;
•
Pacientes com idade superior a 60 anos receberam valor 1.
b) Sexo
•
Pacientes do sexo masculino receberam valor 0,5;
•
Pacientes do sexo feminino receberam valor 1.
c) Vômito
•
Valor 0,5 para pacientes que não apresentaram episódio de vômito;
•
Valor 1 para pacientes que apresentaram episódio de vômito.
d) Diabetes
•
Valor 0,5 para pacientes com taxa de glicose normal;
•
Valor 1 para pacientes com altas taxas de glicose.
e) Fumante
•
Valor 0,5 para não fumantes;
•
Valor 1 para fumantes.
f) Cefaléia
•
Valor 0,5 para os pacientes que não sentiam dores de cabeça;
•
Valor 1 para os pacientes que sentiam dores de cabeça.
g) Tempo de cefaléia:
•
Pacientes que não sentiram dores de cabeça receberam valor 0;
•
Pacientes que tiveram cefaléia nas últimas 24 horas receberam valor 0,25;
•
Pacientes que tiveram cefaléia nas últimas 48 horas receberam valor 0,5.;
•
Pacientes que tiveram cefaléia na última semana receberam valor 0,75;
•
Pacientes que tiveram cefaléia no último mês receberam valor 1.
h) Angina:
•
Pacientes que não relataram dor no peito receberam 0,5;
•
Pacientes que relataram dor no peito receberam valor 1.
i) Déficit motor:
•
Movimentos normais receberam o valor 0,5;
•
A perda de movimento em qualquer membro do corpo recebeu o valor 1.
j) Pressão alta
99
•
Pacientes que relataram não sofrer de pressão alta receberam valor 0,5;
•
Pacientes que relataram sofrer de pressão alta ou que apresentaram valores
altos recentemente medidos receberam valor 1.
l) Depressão do estado de consciência: Foi utilizada a Escala de Coma de
Glasgow. Ela compreende três testes: respostas de abertura ocular, fala e capacidade
motora. A soma dos três valores foi considerada. A Escala de Coma de Glasgow menor
possível é 3 (coma profundo) e o maior é 15 (pessoa desperta). Os valores encontrados
foram normalizados, sendo todos eles divididos por 15.
Os possíveis valores para codificação dos parâmetros clínicos são mostrados na
Tabela 7.4.
Tabela 7.4 – Codificação dos parâmetros clínicos
Parâmetro Clínico Possíveis Valores
Idade do paciente 0,25 0,5 0,75 1
Sexo 0,5 1
Fumante 0 0,5 1
Vômito 0,5 1
Diabetes 0 0,5 1
Cefaléia 0,5 1
Tempo de cefaléia 0 0,25
0,5 0,75
1
Angina 0 0,5 1
Déficit motor 0,5 1
Pressão alta 0 0,5 1
Depressão do estado de consciência
0 a 1
7.4.3 Conjunto de treinamento e testes
Do conjunto de dados coletados, elaborou-se a base computacional para o
treinamento do sistema. Cada um dos 780 registros dessa base (total de casos coletados)
compõe-se de uma cadeia de 13 valores numéricos, representando os 11 campos dos
parâmetros clínicos e os 2 campos da codificação dos parâmetros radiológicos (grupos
com informações de pixels remanescentes representando a quantificação dos pixels para
lesões isquêmicas e hemorrágicas). A codificação numérica das patologias investigadas,
para representar a saída esperada é mostrada na Tabela 7.6.
100
Um exemplo contendo alguns registros da base de dados utilizados como entrada
da rede na fase de treinamento é mostrado na Tabela 7.5.
Tabela 7.5 - Registros da base de dados utilizados como entrada da rede neural
Entrada Codificação
A 1 1 0.5 0.5 1 0.5 0 0.5 0.5 1 0 0.03 0.01
B 1 1 0.5 1 0.5 1 1 0.5 1 1 0.9 0.17 0.94
C 1 1 1 1 0.5 1 0.5 1 0.5 0.5 0.8 0.67 0.10
D 1 0 0.5 1 0.5 1 0.75 1 0.5 1 1 0.71 0.67
7.5 Rede Neural
O sistema computacional desenvolvido nesse trabalho baseou-se na técnica de
redes neurais artificiais do tipo perceptron multicamadas. A opção por esse tipo de rede
se deu pelo fato de o problema tratado ser basicamente uma classificação de amostras
em determinados padrões, sendo essa a principal aplicação dos perceptrons. Para o
treinamento da rede, utilizou-se o paradigma da aprendizagem supervisionada, através
do algoritmo de backpropagation.
Para o treinamento da rede foi utilizado o programa Matlab. Os pesos oriundos do
processo de treinamento foram armazenados e utilizados posteriormente na ferramenta
desenvolvida.
Vários testes para diferentes configurações da rede foram realizados. Mantendo-se
sempre o mesmo número de elementos nas camadas de entrada e de saída, ou seja, 13
nós na camada de entrada (representando os 13 parâmetros do protocolo de entrada), e 2
nós na camada de saída (cada um representando um dos padrões de classificação).
Foi utilizada a Tabela 7.6 como valores alvo da rede neural.
Tabela 7.6 – Codificação das Patologias
Representação numérica Patologia
Neurônio 1
Neurônio 2
Exame Normal 0 0
AVC Hemorrágico 0 1
AVC Isquêmico 1 0
AVC Hemorrágico e Isquêmico
1 1
101
Na maioria das publicações verificadas obteve-se, como sugestão, iniciar os
trabalhos com uma configuração de uma camada oculta com um pequeno número de
elementos e ir aumentando essa quantidade para se verificar as diferenças. Testou-se
uma série de variações quanto ao número de elementos ocultos. Partiu-se inicialmente
com uma configuração de apenas uma camada oculta composta de 2 elementos, e
aumentou-se gradativamente esse número até alcançar um bom desempenho, conforme
descrito no capítulo 8.
O número de camadas ocultas também é alvo de intensas pesquisas para se tentar
alcançar os valores mais adequados. Optou-se, nesse trabalho, em efetuar também testes
com duas camadas ocultas. Nesses testes, os índices encontrados ficaram abaixo dos
encontrados com apenas uma camada oculta, não justificando o aumento da
complexidade e do peso computacional da implementação.
Estabeleceu-se, portanto, a configuração ideal da rede neural, para esse trabalho,
composta de 13 elementos na camada de entrada (os 11 elementos dos parâmetros
clínicos e os 2 elementos dos parâmetros radiológicos), 2 elementos na camada de saída
(as 2 patologias a serem classificadas, podendo ocorrer simultaneamente) e uma camada
oculta com 7 elementos, conectando a camada de entrada à de saída, como mostrado na
Figura 7.13.
Figura 7.13 – Exemplo da rede neural utilizada
102
8 Resultados e Discussão
Os testes foram realizados utilizando a base de dados criada para validação da
metodologia.
O sistema desenvolvido ao longo deste trabalho foi comparado com os laudos dos
exames de Tomografia Computadorizada de Crânio – gold standard.
Outro aspecto importante para esta etapa foi a escolha dos testes realizados. Neste
trabalho, além dos testes relativos à validação da técnica utilizada foram realizados os
seguintes testes com as seqüências de dados:
•
Teste para escolha da melhor arquitetura da rede neural;
•
Teste da importância dos dados da anamnese secundários;
Verificação da necessidade dos parâmetros clínicos secundários para a
solução do problema.
•
Teste da importância da aplicação de filtros morfológicos;
•
Teste da importância dos parâmetros radiológicos.
Todos os testes foram avaliados em relação ao percentual de acerto na base de
dados de treinamento e foram utilizadas as medidas de sensibilidade (Sn) e
especificidade (Sp) para a base de dados de validação. Usualmente, a sensibilidade e a
especificidade são definidas como:
FN
TP
TP
Sn
+
=
(Equação 8.1)
FP
TN
TN
Sp
+
=
(Equação 8.2)
Onde:
•
TP (os verdadeiros positivos (true positives)) são os exames com AVC preditos
corretamente;
•
TN (os verdadeiros negativos (true negatives)) são os exames normais preditos
corretamente;
•
FP (os falsos positivos (false positives)) são os exames normais preditos como
AVC;
•
FN (os falsos negativos (false negatives)) são os exames com AVC preditos
como normais.
103
Pode-se dizer que Sn é a proporção de exames com AVC que são corretamente
preditos, e que Sp é a proporção de exames normais que são corretamente preditos.
Estas medidas são importantes para a avaliação da taxa de acerto da ferramenta.
8.1 Avaliação do modelo para detecção de AVCs
8.1.1 Seleção de dados
Para este estudo foram criadas bases de dados para treinamento e validação.
Foram utilizados os dados extraídos do RIS conforme descrito na seção 7.2.1. Dos
9.000 exames do encéfalo, s
104
8.1.2 Testes para a escolha da melhor arquitetura de rede neural
Os testes realizados para encontrar a melhor arquitetura foram:
•
Tamanho da camada escondida
Busca da melhor quantidade de neurônios na camada escondida.
•
Influência do valor de saída da rede neural
Avaliação da saída da rede neural como probabilidade de uma imagem ser
um AVC.
8.1.2.1 Tamanho da camada escondida
A taxa de aprendizado utilizada na rede backpropagation foi de 0,05 e o momento
foi de 0,7. A base de dados utilizada para estes testes continha todos os parâmetros
clínicos e radiológicos codificados.
Os resultados encontrados estão na Tabela 8.1, que mostra na primeira coluna o
tamanho da camada escondida testada, a seguir as informações da taxa de acerto na base
de dados de treinamento e generalização. A Figura 8.1 mostra a variação da taxa de erro
(erro médio quadrático) da melhor rede neural encontrada.
105
Tabela 8.1 - Resultados dos testes com tamanho da camada intermediária da rede neural
Base de Dados
Treinamento
Base de Dados
Validação
Camada Escondida
(%) Sn Sp
2 96,5 0,85 0,82
3 97,9 0,89 0,85
4 98,8 0,90 0,87
5 99,3 0,91 0,89
6 99,8 0,94 0,93
7 99,9 0,96 0,94
8 99,9 0,96 0,92
9 99,9 0,95 0,92
10 99,9 0,92 0,89
106
Variação do Erro
0,75
0,8
0,85
0,9
0,95
1
2 3 4 5 6 7 8 9 10 11
Neurônios na camada intermediária
Erro
Sn
Sp
Figura 8.2 – Gráfico comparativo das taxa de erro em relação à quantidade de neurônios
na camada escondida para rede neural
Percebeu-se, experimentalmente, que a variação do tamanho da camada escondida
para este problema, a partir de certo ponto, piora a taxa de acerto da validação. Isto se
deve ao fato da rede neural estar se especializando nos dados de treinamento, perdendo
a sua capacidade de generalização.
O tempo de treinamento da melhor rede neural foi de 55 minutos num Pentium D
2.8GHz com 2 GBytes de memória RAM.
8.1.2.2 Testes da influência do valor de saída da rede neural
Para os testes da influência do valor de saída da rede neural nos resultados foi
escolhida uma rede neural com 7 neurônios na camada escondida, por ter sido a rede
neural que encontrou o melhor desempenho nos testes de tamanho da rede.
A taxa de aprendizado utilizada na rede backpropagation foi de 0,05 e o momento
foi de 0,7.
Os resultados encontrados estão na Tabela 8.3, que na primeira coluna mostra o
valor de saída dos dois neurônios e em seguida as informações de taxa de acerto na base
de treinamento, e sensibilidade e especificidade na base de validação.
107
Tabela 8.3 - Resultados dos testes da influência do valor de saída na rede neural
Base de Dados
Treinamento
Base de Dados
Validação
Camada de Saída
(%) Sn Sp
Saída <0,1 exame normal e >0,9 com AVC
98,8 0,94 0,90
Saída <0,2 exame normal e >0,8 com AVC
99,9 0,96 0,94
Saída <0,3 exame normal e >0,7 com AVC
92,6 0,89 0,86
Saída <0,4 exame normal e >0,6 com AVC
87,1 0,75 0,69
Influência do valor de saída na RN
0
0,2
0,4
0,6
0,8
1
1,2
Saída <0,1 exame
normal e >0,9 com AVC
Saída <0,2 exame
normal e >0,8 com AVC
Saída <0,3 exame
normal e >0,7 com AVC
Saída <0,4 exame
normal e >0,6 com AVC
Valores de saída
Erro
Sn
Sp
Figura 8.3 – Gráfico comparativo da taxa de erro em relação ao valor de saída da rede
neural
De acordo com os resultados encontrados, a variação do valor de saída
influencia os resultados gerando alguns falsos positivos e falsos negativos, como pode
ser visto na Figura 8.3.
108
8.1.3 Teste da importância dos dados secundários da anamnese
Este teste tem como objetivo verificar a necessidade da existência dos parâmetros
clínicos secundários.
Para os testes da importância dos dados secundários da anamnese foi escolhida
uma rede neural com 7 neurônios na camada escondida, por ter sido a rede neural que
encontrou o melhor desempenho nos testes de tamanho da rede.
A Tabela 8.4 mostra na primeira coluna os testes realizados, e nas demais colunas
os resultados da taxa de acerto no banco de dados de treinamento, e a sensibilidade e a
especificidade para a base de validação.
Tabela 8.4 – Importância dos dados secundários da anamnese
Banco de Dados
Treinamento
Banco de Dados
Validação
Parâmetros Utilizados
(%) Sn Sp
Parâmetros clínicos primários e pixels remanescentes
99,2 0,89 0,85
Parâmetros clínicos secundários e pixels remanescentes
98,7 0,77 0,74
Todos os parâmetros e pixels remanescentes
99,9 0,96 0,94
Variação da Taxa de Erro em relação a quantidade de épocas
0,00
5,00
10,00
15,00
20,00
25,00
30,00
1 40 79 118 157 196 235 274 313 352 391 430 469 508 547 586 625 664 703 742 781 820 859 898 937 976
Épocas
Erro
Figura 8.4 – Variação da taxa de erro em relação à quantidade de épocas para rede
neural backpropagation com 7 neurônios na camada escondida
109
A taxa de aprendizado utilizada na rede backpropagation foi de 0,05 e o momento
foi de 0,7. Foram consideradas imagens normais, imagens compatíveis com AVCs
Hemorrágicos e/ou Isquêmicos aquelas cujas saídas da rede neural apresentaram os
valores conforme mostrado na Tabela 8.2.
De acordo com a Figura 8.5, o uso de todos os parâmetros clínicos (primários e
secundários) em conjunto com os parâmetros radiológicos foi a que alcançou o melhor
desempenho. Percebe-se que a rede neural sem os parâmetros clínicos secundários
obteve um bom desempenho, mas inferior quando comparado à rede com todos os
parâmetros. A rede neural somente com os parâmetros clínicos secundários gerou um
desempenho bastante inferior às demais. Portanto, esta informação é bastante
importante para o desempenho ótimo da rede, desde que utilizada em conjunto com os
demais parâmetros.
Importância dos dados secundários da anamnese
0
0,2
0,4
0,6
0,8
1
1,2
Parâmetros clínicos
primários e pixels
remanescentes
Parâmetros clínicos
secundários e pixels
remanescentes
Todos os parâmetros e
pixels remanescentes
Parâmetros
Erro
Sn
Sp
Figura 8.5 – Gráfico comparativo da taxa de erro em relação aos parâmetros utilizados
8.1.4 Teste da importância dos parâmetros clínicos e radiológicos
Este teste tem como objetivo verificar a necessidade da existência dos parâmetros
clínicos e radiológicos em conjunto.
Para os testes da importância dos parâmetros clínicos e radiológicos foi escolhida
uma rede neural com 7 neurônios na camada escondida, por ter sido a rede neural que
encontrou o melhor desempenho nos testes de tamanho da rede.
110
A taxa de aprendizado utilizada na rede backpropagation foi de 0,05 e o momento
foi de 0,7. Foram consideradas imagens normais, imagens compatíveis com AVCs
Hemorrágicos e/ou Isquêmicos aquelas cujas saídas da rede neural apresentaram os
valores conforme mostrado na Tabela 8.2.
A Tabela 8.5 mostra na primeira coluna os testes realizados, e nas demais colunas
os resultados da taxa de acerto no banco de dados de treinamento, e sensibilidade e
especificidade para o banco de dados de validação.
Tabela 8.5 – Importância dos parâmetros clínicos e radiológicos
Banco de Dados
Treinamento
Banco de Dados
Validação
Parâmetros Utilizados
(%) Sn Sp
Parâmetros clínicos
87,0 0,64 0,61
Parâmetros radiológicos
85,8 0,71 0,69
Parâmetros clínicos e radiológicos
99,9 0,96 0,94
De acordo com os resultados, a rede neural com os parâmetros combinados foi a
que alcançou o melhor desempenho. Percebe-se que a rede neural sem os parâmetros
clínicos ou radiológicos tem a sua taxa de erro aumentada, caracterizando a importância
desta informação para o desempenho da rede.
Parâmetros clínicos e radiológicos
0
0,2
0,4
0,6
0,8
1
1,2
Parâmetros clínicos Parâmetros
radiológicos
Parâmetros clínicos
e radiológicos
Parâmetros
Erro
Sn
Sp
Figura 8.6 – Gráfico comparativo da importância dos parâmetros clínicos e radiológicos
111
8.1.5 Teste da importância dos filtros morfológicos
Este teste tem como objetivo verificar a necessidade da existência de filtros
morfológicos descritos na seção 8.3.1.
Para os testes da importância dos filtros morfológicos foi escolhida uma rede
neural com 7 neurônios na camada escondida, por ter sido a rede neural que encontrou o
melhor desempenho nos testes de tamanho da rede.
A taxa de aprendizado utilizada na rede backpropagation foi de 0,05 e o momento
foi de 0,7. Foram consideradas imagens normais, imagens compatíveis com AVCs
Hemorrágicos e/ou Isquêmicos aquelas cujas saídas da rede neural apresentaram os
valores conforme mostrado na Tabela 8.2.
A Tabela 8.6 mostra na primeira coluna o teste realizado, e nas demais colunas os
resultados da taxa de acerto no banco de dados de treinamento e validação.
Tabela 8.6 – Importância dos filtros morfológicos
Banco de Dados
Treinamento
Banco de Dados
Validação Filtros Utilizados
(%) Sn Sp
Utilizando somente filtragem por densidade
93,3 0,68 0,63
Utilizando filtragem e erosão 97,2 0,88 0,87
Utilizando filtragem, erosão e dilatação 99,9 0,96 0,94
De acordo com os resultados, percebe-se que somente a filtragem por densidade
não é suficiente para detecção de AVCs. Isto ocorre devido à existência de valores
dentro da faixa selecionada que não correspondem à lesão (ruído). Quando se utilizou
filtragem e erosão ocorreu uma melhora significativa no desempenho da técnica, isto
ocorreu devido à diminuição dos pixels remanescentes fora da região lesionada, o que se
mostrou bastante importante para o desempenho da rede. A generalização foi
incrementada com a utilização da dilatação. Esta operação diminuiu a influência do
ruído resistente ao processo de erosão sobre os pixels da região de interesse,
reconectando estes pixels das regiões lesionadas.
112
Importância dos filtros morfológicos
0
0,2
0,4
0,6
0,8
1
1,2
Utilizando somente
filtragem por
densidade
Utilizando filtragem
e erosão
Utilizando filtragem,
erosão e dilatação
Filtros
Erro
Sn
Sp
Figura 8.7 – Gráfico comparativo da importância dos filtros morfológicos
113
9 A Ferramenta
Este capítulo tem como objetivo descrever as técnicas utilizadas no
desenvolvimento da ferramenta de auxílio diagnóstico para o tratamento de AVC
(CAD-BR).
Estas técnicas serão descritas utilizando a metodologia de análise estruturada
moderna, descrita em YOURDON E.
Serão apresentados o diagrama do contexto, o diagrama de fluxo de dados e o
diagrama de transição de estados, além das explicações sobre o funcionamento da
ferramenta.
9.1 Diagrama do Contexto do Sistema CAD-BR
O diagrama do contexto tem como objetivo demonstrar a interface externa com o
sistema. Na ferramenta CAD-BR, o principal ator é o clínico. A Figura 9.1 mostra o
diagrama do contexto do sistema CAD-BR.
Figura 9.1 – Diagrama do contexto do sistema CAD-BR
9.2 Diagrama de Fluxo de Dados do Sistema CAD-BR
O diagrama de fluxo de dados (DFD) oferece uma visão orientada das funções
do sistema. O sistema CAD-BR possui, basicamente, a função de testar um conjunto
contendo parâmetros clínicos e radiológicos baseado num banco de dados de parâmetros
treinados. O banco de dados de parâmetros treinados é gerado no modo treinamento. A
Figura 9.2 mostra este diagrama.
114
Figura 9.2 – Diagrama de Fluxo de Dados (DFD) do sistema CAD-BR
9.3 Diagrama de Transição de Estados do sistema CAD-BR
O diagrama de transição de estados (DTE) mostra o comportamento tempo-
dependente do sistema. A Figura 9.3 mostra os estados do sistema CAD-BR.
Figura 9.3 – Diagrama de Transição de Estados (DTE) do sistema CAD-BR
115
9.4 Funcionamento do sistema CAD-BR
Nesta seção será explicado o funcionamento do sistema CAD-BR. Este sistema
foi dividido nos seguintes subsistemas:
•
Pré-Processamento
Este subsistema realiza as funções de pré-processamento descritas
anteriormente. Além destas funções, o pré-processamento realiza a
adequação dos dados para entrada na rede neural de acordo com os
parâmetros clínicos e radiológicos selecionados no banco de dados do
CAD-BR.
•
Rede Neural
Esta rede neural tem como objetivo aplicar a base de dados previamente
treinada selecionada sobre os parâmetros clínicos e radiológicos que estão
sendo analisados. O resultado desta etapa é a informação numérica da
ocorrência ou não de imagens patológicas no exame.
•
Pós-Processamento
A tarefa desta etapa é realizar os ajustes necessários para a exibição das
informações geradas pela rede neural de modo a ser compreendida pelo
usuário.
116
9.5 Telas do programa
Após a inicialização o programa exibe a tela mostrada na Figura 9.4.
Figura 9.4 – Tela de abertura
Em seguida (Figura 9.5), deve ser indicado o caminho onde estão contidas as
imagens dos exames a serem analisadas. Normalmente, as pastas contendo as imagens
dos exames recebem como identificação o número do exame.
Figura 9.5 – Tela de seleção da pasta onde estão as imagens do exame
117
A Figura 9.6 mostra onde pode ser realizada a opção por importar a ficha de
anamnese de um arquivo ou realizar o preenchimento manual.
Figura 9.6 – Seleção do arquivo de anamnese: importação ou preenchimento manual
Nesta tela pode ser feita a opção pela importação de um arquivo texto, gerado
automaticamente por um RIS, onde as informações contidas devem estar separadas por
ponto-e-vírgula. Alguns exemplos são mostrados na Tabela 9.1. A ordem destas
informações é a mesma da ficha de anamnese descrita na seção 7.2.3 e exibida na
Figura 7.6
Tabela 9.1 – Exemplos de arquivos texto
Formato do arquivo texto
70;m;não;sim;não;sim;<24h;não;não;não;não;alguns;não
58;f;não;não;não;sim;<semana;não;sim;não;todas;não;todos
85;f;não;não;sim;não;<24h;sim;sim;não;todas;alguns;todos
Caso haja a opção pelo preenchimento manual, a ficha em formato digital é
mostrada na Figura 9.7. Nesta tela devem ser preenchidos todos os parâmetros clínicos
conforme mostrado na seção 7.4.2.
118
Figura 9.7 – Tela de preenchimento da ficha de anamnese
Após o preenchimento ou importação do arquivo de anamnese, inicia-se o
processamento do exame. Ao término é mostrada uma tela onde é indicada a presença
de lesões hemorrágicas ou isquêmicas e são listadas as imagens do exame que
apresentaram as patologias estudadas. Caso o sistema considere o exame como normal,
é mostrada a informação que não foram encontradas imagens que caracterizassem AVC.
A tela com o resultado é mostrada na Figura 9.8.
119
Figura 9.8 – Tela de resultado
120
10 Conclusão
Este trabalho tem como principal contribuição o desenvolvimento de uma nova
técnica no uso dos dados da anamnese em conjunto com os dados extraídos das imagens
combinada com redes neurais para a identificação de casos de AVC Hemorrágico ou
Isquêmico, e a ferramenta CAD-BR que utiliza esta metodologia. Estudos relatam o uso
de dados de anamnese e imagens em Sistemas de Auxílio ao Diagnóstico, mas sempre
separadamente.
Os objetivos deste trabalho foram alcançados, criando uma ferramenta amigável.
De acordo com os resultados encontrados, o sistema desenvolvido exibiu valores
satisfatórios, com taxas de acerto variando entre 80% e 98% para os parâmetros
treinados.
Pôde-se perceber que somente a filtragem por densidade não é suficiente para
detecção de AVCs. Isto ocorre devido à existência de valores dentro da faixa
selecionada que não correspondem à lesão (ruído). Quando se utilizou filtragem e
erosão ocorreu uma melhora significativa no desempenho da técnica, isto ocorreu
devido à diminuição dos pixels remanescentes fora da região lesionada, o que se
mostrou bastante importante para o desempenho da rede. A generalização foi
incrementada com a utilização da dilatação. Esta operação diminuiu a influência do
ruído resistente ao processo de erosão sobre os pixels da região de interesse,
reconectando estes pixels das regiões lesionadas.
De acordo com os resultados, o uso de todos os parâmetros clínicos (primários e
secundários) em conjunto com os parâmetros radiológicos foi a estratégia que alcançou
o melhor desempenho. Percebe-se que a rede neural sem os parâmetros clínicos
secundários obteve um bom desempenho, mas inferior quando comparado à rede com
todos os parâmetros. Portanto, esta informação é bastante importante para o
desempenho ótimo da rede.
Um importante detalhe que se pôde observar durante o desenvolvimento do estudo
foi a utilização de valores extraídos das imagens dos exames, quantificados como pixels
remanescentes do pré-processamento. Outros estudos, no entanto, relataram grande
subjetividade apresentada pelos médicos especialistas na análise e quantificação dos
parâmetros radiológicos para a elaboração do diagnóstico.
121
As grandes vantagens e contribuições do sistema proposto são a facilidade na
manipulação da ferramenta e a boa taxa de acerto proporcionada.
A grande dificuldade no desenvolvimento deste traba
122
Sugestões para trabalhos futuros
Pode-se sugerir, para o futuro, os seguintes trabalhos:
•
aplicação de outras técnicas de processamento de imagens para o
acoplamento nesta ferramenta;
•
desenvolvimento de ferramentas para a localização da lesão;
•
desenvolvimento de ferramentas para a visualização 3D da lesão;
•
adaptação dos parâmetros clínicos e radiológicos para a detecção de outras
patologias;
•
aplicação de técnicas para descoberta da melhor rede neural em um menor
tempo;
•
utilização de outros tipos de redes neurais para maximizar o desempenho
da ferramenta.
123
Referências Bibliográficas
AMBROSIO PE, Redes Neurais Artificiais no apoio ao diagnóstico lesões intersticiais
pulmonares, Dissertação de Mestrado, USP – 2002.
ARMATO SG III, GIGER ML, MACMAHON H, Automated abnormal asymmetry
detection in digital posteroanterior chest radiographs. In: Doi K, Mac- Mahon H, Giger
ML, Hoffmann KR, eds. Computer- aided diagnosis in medical imaging. Amsterdam:
Elsevier Science, 1999.
ARMATO SG III, GIGER ML, MACMAHON H, Computerized detection of abnormal
asymmetry in digital chest radiographs, Med Phys - 1994.
ASGE-DICOM TUTORIAL, Introduction to Digital Imaging and Communication In
Gastrointestinal Endoscopy,
http://www.washington.med.va.gov/Endo/dicom/asgdintr.htm
ASHIZAWA K, ISHIDA T, MACMAHON H, VYBORNY CJ, KATSURAGAWA S,
DOI K, Artificial neural networks in chest radiography: application to differential
diagnosis of interstitial lung disease, Acad Radiol - 1999.
BAKER JA, KORNGUTH PJ, LO JY, FLOYD CE JR, Artificial neural network:
improving the quality of breast biopsy recommendations, Radiology - 1996.
BORTOLOTTI LM, TRAINA AJM, Recuperação de Imagens por Conteúdo Através de
Regiões Determinadas Automaticamente pela Energia, USP – 2004.
BOVIK A, Handbook of Image and Video Processing, Academic Press – 2000, ISBN:
0-12-119790-5.
BOWYER K, KOPANS D, KEGELMEYER WP JR, et al, The digital database for
screening mammography, In: Doi K, Giger ML, Nishikawa RM, Schmidt RA, eds.
Digital mammography'96. Excerpta Medica, International Congress Series 1119.
Amsterdam: Elsevier - 1996.
CARVALHO RRA, Função de Crença como Ferramenta para Selecionar Diagnósticos
em Raciocínio Baseado em Casos – Dissertação de Mestrado. Brasília: UNB, Ciência da
Computação - 1996.
CASTAÑÓN CAB, TRAINA AJM, Caracterização de Imagens através de Análise
Multiresolução por Wavelets para Sistemas CBIR, XXIX Conferência LatinoAmericana
de Informática - CLEI2003, 2003.
CASTLEMAN KN, Digital image processing, New Jersey: Prentice-Hall, 1996.
CHAN HP, DOI K, GALHOTRA S, VYBORNY CJ, MACMAHON H, JOKICH PM.
124
Image feature analysis and computer-aided diagnosis in digital radiography: automated
detection of microcalcifications in mammography, Med Phys - 1987.
CHEN DR, CHANG RF, HUANG YL, Computer-aided diagnosis applied to US of
solid breast nodules by using neural networks, Radiology - 1999.
COOK HM, FOX MD, Application of expert systems to mammographic image
analysis, Am J Physiol Imaging - 1989.
DOI K, Computer-aided diagnosis and its potential impact on diagnostic radiology, In:
Doi K, MacMahon H, Giger ML, Hoffmann KR, eds, Computer-aided diagnosis in
medical imaging, Amsterdam: Elsevier Science - 1999.
DOI K, MACMAHON H, GIGER ML, HOFFMANN KR, Computer-aided diagnosis in
medical imaging. Excerpta Medica, International Congress Series II82, Radiology.
Amsterdam: Elsevier - 1999.
DOI T, HASEGAWA A, HUNT B, et al. Clinical results with the R2 ImageCheckerTM
mammographic CAD system. In: Doi K, MacMahon H, Giger ML, Hoffmann KR, eds.
Computer-aided diagnosis in medical imaging. Amsterdam: Elsevier Science - 1999.
D'ORSI CJ, BASSET LW, FEIG AS, et al. Breast Imaging Reporting and Data System
(BI-RADS). Reston, VA: American College of Radiology, 1998.
DUDA RO, HART PE, Pattern classification and scene analysis. New York: John
Wiley & Sons - 1973.
ESTEVAM RH JR., Propagação de Evidências eÈ6572(,)-17.744(e)-6.19426 ri-3.791B931(f)0.7144(i)-0.692176(l)10.0e98(o)6.9 si
125
GE MEDICAL SYSTEMS, The Physics of Computerized Tomography, General
Electric Company, EUA - 1991.
GENARO S, Sistemas Especialistas: o conhecimento artificial. São Paulo: Livros
Técnicos e Científicos Editora S.A. - 1986.
GIGER ML, Computer-aided diagnosis, RSNA Course in Breast Imaging - 1999.
GILHUIJS KGA, GIGER ML, BICK U, Computerized analysis of breast lesions in
three dimensions using dynamic magnetic resonance imaging, Med Phys - 1998.
HARALICK RM, SHANMUGAN K, DINSTEIN I. Textural features of images
classification, IEEE Trans Systems Man Cybernetics SMC-3 - 1993.
HARMON P, Sistemas Especialistas, Rio de Janeiro: Editora Campus, 1988.
HAYKIN S, Neural Networks: a comprehensive foundation, Prentice-Hall, EUA, 1994.
HORIIL SC, PRIOR FW, BIDGOOD WD, PARISOT CS, CLAEYS GT, DICOM: An
Introduction to the Standard
http://www.xray.hmc.psu.edu/dicom/dicom_intro/DICOMintro.html
IEEE STANDARD 610.4 - 1990, IEEE standard glossary of image processing and
pattern recognition terminology. New York: IEEE Press - 1990.
JOHNSON RA, Applied Multivariate Statistical Analysis, Prentice-Hall, EUA, 1998.
KATSURAGAWA S, DOI K, MACMAHON H. Image feature analysis and computer-
aided diagnosis in digital radiography: detection and characterization of interstitial lung
disease in digital chest radiographs, Med Phys - 1988.
KINOSHITA SK, AZEVEDO-MARQUES PM, SLAETS AFF, MARANA HRC,
FERRARI RJ. Characterization of breast masses using texture and shape features. In:
Doi K, MacMahon H, Giger ML, Hoffmann KR, eds. Computer-aided diagnosis in
medical imaging. Amsterdam: Elsevier Scienc - 1999.
LEVINE RI, DIANE E. DRANG E BARRY EDELSON, Inteligência Artificial e
Sistemas Especialistas, São Paulo: McGraw-Hill - 1988.
LORENZI F, Raciocínio Baseado em Casos: Uma Aplicação na Gestão Hospitalar.
Universidade Luterana do Brasil. Rio Grande do Sul, 2001. Disponível em
http://www.cbcomp.univali.br/pdf/2001/ina010.pdf - 2003.
LUXEM J, Filmless radiology department paves away for efficiency, cost savings and
improved patient services, Innovator, 3M Medical Imaging Systems, EUA - 1993.
MACMAHON H, Clinical application of CAD in the chest. In: Doi K, MacMahon H,
Giger ML, Hoffmann KR, eds. Computer-aided diagnosis in medical imaging,
126
Amsterdam: Elsevier Science - 1999.
MASCIO LN, FRANKEL SD, HERNANDEZ JM, LOGAN CM, Building the digital
mammogram library with image groundtruth, In: Doi K, Giger ML, Nishikawa RM,
Schmidt RA, eds. Digital mammography'96. Excerpta Medica, International Congress
Series 1119. Amsterdam: Elsevier - 1996.
MATHERON G., SERRA J, Image Analysis and Mathematical Morphology, Academic
Press, Londres – 1988.
MCNITT-GRAY MF, WYCKOFF N, HART EM, SAYRE JW, GOLDIN JG,
ABERLE DR, Computer-aided techniques to characterize solitary pulmonary nodules
imaged on CT, In: Doi K, MacMahon H, Giger ML, Hoffmann KR, Computer-aided
diagnosis in medical imaging, Amsterdam, Elsevier Science - 1999.
MERGE TECHNOLOGIES INCORPORATED, The Current Status of the DICOM
Standard, EUA - 1996.
METZ CE, ROC methodology in radiologic imaging. Invest Radiol - 1986.
MONNIER-CHOLLEY L, MACMAHON H, KATSURAGAWA S, MORISHITA J,
DOI K, Computerized analysis of interstitial infiltrates on chest radiographs: a new
scheme based on geometric pattern features and Fourier analysis, Acad Radiol - 1995.
MODIC M T, Cerebrovascular Disease of the Brain, In: Haaga e Alfidi, Computed
Tomography of the Whole Body, Mosby Company, Missouri – 1988.
NAKAMORI N, DOI K, SABETI V, MACMAHON H. Image feature analysis and
computer-aided diagnosis in digital radiography: automated analysis of sizes of heart
and lung in chest images, Med Phys - 1990.
NEMA STANDARDS PUBLICATION, Digital Imaging and Communications in
127
ftp://ftp.xray.hmc.pcu.edu/dicom_docs/dicom3.0/word_hqx
NISHIKAWA RM, GIGER ML, WOLVERTON DE, et al. Prospective testing of
clinical mammography workstation for CAD: analysis of the first 10,000 cases. In:
Karssemeijer N, Thijssen M, Hendriks J, van Erning L, eds. Digital mammography.
Dordrecht: Kluwer Academic Publishers - 1998.
NUNES LW, SCHNALL MD, OREL SG, et al. Breast MR imaging: interpretation
model, Radiology - 1997.
OSBORN AG, Diagnostic Neuroradiology, Mosby-Yearbook, Inc., EUA - 1994.
PEARL J, Probabilistic Reasoning in Intelligent Systems: networks of plausible
inference. Morgan Kaufmann, 1988.
PEREIRA JR RR, AZEVEDO-MARQUES PM, FRÈRE AF. Wavelet transform
improves contrast enhancement of digital mammographic images, Proceedings of the
6th International Workshop on Digital Mammography, Toronto, Canadá, 2000.
PHILIPS MEDICAL SYSTEMS, DICOM Cook Book for Implementations in
Modalities, Nederland B.V. - 1997
ftp://ftp.philips.com/pub/ms/dicom/DICOM_Information/CookBook.pdf
Raciocínio baseado em casos na medicina. Disponível em:
http://c3.eps.ufsc.br/rbc/medicina/index.html - 2002.
Raciocínio baseado em casos. Disponível em:
http://www.cerep.ufrgs.br/rbc/prosecontras.asp - 2002.
RIBEIRO HCS, Introdução aos Sistemas Especialistas. São Paulo: Livros Técnicos e
Científicos Editora SA, - 2003.
RUMELHART DE, MCCLELLAND JL and THE PDP RESEARCH GROUP, Parallel
Distributed Processing, Volume I, The MIT Press - 1986.
SANADA S, DOI K, MACMAHON H, Image feature analysis and computer aided
diagnosis in digital radiography: automated detection of pneumothorax in chest images,
Med Phys - 1992.
SICKLES EA, Mammographic features of 300 consecutive nonpalpable breast cancers.
AJR - 1986.
SILVA AC, CARVALHO PCP, Sistema de Análise de Nódulos Pulmonares, II
Workshop de Informática aplicada à Saúde, Itajaí – 2002.
SWETS JA, ROC analysis applied to the evaluation of medical imaging techniques.
Invest Radiol - 1979.
128
TARR RW, Doença Vascular Cerebral, In: Haaga JR et. al, Tomografia
Computadorizada e Ressonância Magnética do Corpo Humano, Guanabara Koogan –
1996.
THURFJELL EL, LERNEVALL KA, TAUBE AA. Benefit of independent double
reading in a population-based mammography screening program, Radiology 1994.
UFSC. Programa de Pós-Graduação em Engenharia de Produção, Fábrica de
Experiências - Raciocínio Baseado em Casos. Disponível em:
http://c3.eps.ufsc.br/rbc/fet_rbc299.html - 2002.
VARGAS-VORACEK R, FLOYD CE JR, Stochastic and deterministic texture
modeling and analysis for image processing in chest radiography. In: Doi K, MacMahon
H, Giger ML, Hoffmann KR, eds. Computer-aided diagnosis in medical imaging,
Amsterdam: Elsevier Science - 1999.
WATSON I, Appling case-based reasoning: techniques for enterprise systems. San
Francisco: Morgan Kauffman Pub.Inc, CA - 1997.
WIDMAN LE, Sistemas Especialistas em Medicina. Revista Informática Médica.
Disponível em: http://www.epub.org.br/informaticamedica - 2002.
WINSBERG F, ELKIN M, MACY J, BORDAZ V, WEYMOUTH W, Detection of
radiographic abnormalities in mammograms by means of optical scanning and computer
analysis, Radiology - 1967.
YAMAGUCHI K, PEREIRA A S, Caracterização de Microcalcificações Espiculadas
em Mamografias, UNESP/IBILCE, São José do Rio Preto – 2006.
YAZDANI M, Artificial Intelligence: principles and applications. London: Chapman
and Hall Ltd - 1986.
YIN FF, GIGER ML, DOI K, METZ CE, VYBORNY CJ, SCHMIDT RA.
Computerized detection of masses in digital mammograms: analysis of bilateral-
subtraction images, Med Phys - 1991.
YOURDON E, Análise Estruturada Moderna, Rio de Janeiro, Campus – 1990.
Livros Grátis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas
Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
