Método de segmentação de Esclerose Múltipla em imagem de ressonância magnética usando Fuzzy Connectedness, binarização, morfologia matemática e reconstrução 3D

• Autor(a) principal: Arruda, Andre Luiz Costa De [UNIFESP]
• Data de Publicação: 2020
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UNIFESP
• Texto Completo: https://sucupira.capes.gov.br/sucupira/public/consultas/coleta/trabalhoConclusao/viewTrabalhoConclusao.jsf?popup=true&id_trabalho=9751002; https://repositorio.unifesp.br/xmlui/handle/11600/64687
• topic: Imagem De Ressonância Magnética (IRM); Esclerose Múltipla (EM); Reconstrução; Ajuste De Contraste; Segmentação; Fuzzy Connectedness (FC); Magnetic Resonance Imaging (MRI); Multiple Sclerosis (MS); Segmentation; Fuzzy Connectedness (FC); Reconstruction; Gold Standard (GS)

Imagem de Ressonância Magnética (IRM) é o exame médico mais utilizado para diagnóstico e acompanhamento de Esclerose Múltipla (EM). O processo de segmentação dessas imagens é uma tarefa importante para quantificar e lesão e observar seu progresso. Entretanto, segmentação manual de um conjunto de imagens é demorado e muitas vezes não reprodutível. Estudos atuais apresentam resultados com características a serem melhoradas. Consequentemente, um método de segmentação semiautomático é proposto e descrito nesse estudo. O método consiste em um processo de segmentação semiautomático 3D de lesões de Esclerose Múltipla em IRM. Ele começa com uma etapa de pré-processamento, no qual é aplicado um ajuste de contraste para destacar regiões com EM de outras partes do encéfalo. A segunda etapa é um bloco de extração de características fundamentado em Fuzzy Connectedness (FC) que é realizado para isolar as lesões da doença de outras regiões do encéfalo. Finalmente, uma reconstrução em 3 dimensões é executada para visualizar os volumes do cérebro e das lesões de EM. A robustez desse método é demonstrada através da alta correlação entre os resultados obtidos e seus Gold Standard (GS). Os resultados foram obtidos mediante o cálculo dos parâmetros de acurácia de segmentação de imagem, assim como Overlap Dice. Esse estudo alcançou Verdadeiro Positivo de 75.61%, Falso Positivo de 16.37% e Dice de 78.23%. O Método é corroborado pela alta correlação entre a segmentação do especialista e o resultado obtido; adicionalmente, a reconstrução 3D da lesão no cérebro, permite melhor visualização e acompanhamento da doença. Assim, o especialista pode entender os sintomas do paciente, aumentando assim a qualidade de vida do paciente.