Segmentação automática de tumores cerebrais em imagens de ressonância magnética

Mascarenhas, Layse Ribeiro; Ribeiro Júnior, Audenor dos Santos; Ramos, Rodrigo Pereira

Acessibilidade / Reportar erro

Brasil

Español English

sumário « anterior atual seguinte »

Sumário

ARTIGO ORIGINAL • Einstein (São Paulo) 18 • 2020 • https://doi.org/10.31744/einstein_journal/2020AO4948 copiar

Segmentação automática de tumores cerebrais em imagens de ressonância magnética

Autoria SCIMAGO INSTITUTIONS RANKINGS

RESUMO

Objetivo

Desenvolver um algoritmo computacional aplicado a imagens de ressonância magnética, para segmentação automática de tumores cerebrais.

Métodos

Foram utilizadas 130 imagens de ressonância magnética nas sequências T1c, T2 e FSPRG T1c e nos planos axial, sagital e coronal de pacientes acometidos com câncer cerebral. Os algoritmos empregaram técnicas de correção de contraste, normalização de histograma e binarização, para desconectar estruturas adjacentes do cérebro e realçar a região de interesse. A segmentação automática foi realizada por meio da detecção por coordenadas e por média aritmética da área. Operadores morfológicos foram utilizados para eliminar elementos indesejáveis e reconstruir a forma e a textura do tumor. Os resultados foram comparados com as segmentações manuais de dois médicos radiologistas, para determinar a eficácia dos algoritmos implementados.

Resultados

Os acertos foram de 89,23% na correspondência entre a segmentação obtida e o padrão-ouro.

Conclusão

É possível localizar e delimitar a região tumoral de forma automática, sem necessidade de interação com o usuário baseado em dois métodos inovadores de detecção dos extremos do cérebro e de exclusão dos tecidos não tumorais em imagens de ressonância magnética.

Diagnóstico por imagem; Neoplasias encefálicas; Processamento de imagem assistida por computador; Imagem por ressonância magnética; Simulação por computador

Etapa 1 Pré-processamento	Etapa 2 Segmentação	Etapa 3 Pós-processamento
Equalização de histograma	MDC	Dilatação
Ajuste de intensidade	Erosão	Preenchimento de buracos
Binarização	MDA	Convolução espacial

Sequência	PO	VP	FP	FN	PA %	TC
T1c	33	27	11	6	81,81	0,65
T2	48	44	19	3	91,66	0,72
FSPGR T1c	49	45	21	4	91,83	0,70
Total	130	116	51	13	89,23	0,70

Autores	Metodologia	Análise de desempenho
Autores	Metodologia	PA (%)	TC
Alegro Mde C, Amaro Junior E, Lopes Rde D. Computerized brain tumor segmentation in magnetic resonance imaging. einstein (Sao Paulo). 2012;10(2):158-63.⁽²³⁾	SVM	94,00	-0,04
Deng W, Luo L, Lin X, Fang T, Liu D, Dan G, et al. Head and neck cancer tumor segmentation using support vector machine in dynamic contrast-enhanced MRI. Contrast Media Mol Imaging. 2017;2017:8612519.⁽²⁴⁾	SVM	86,00	0,89
Singh R, Agarwal P, Bhattacharya M. MR brain tumor detection employing Laplacian Eigen maps and kernel support vector machine. In: 2016 IEEE International Conference On Bioinformatics And Biomedicine (BIBM). IEEE. 2016;827-30.⁽²⁷⁾	FCM	72,80	0,43
Hsieh TM, Liu YM, Liao CC, Xiao F, Chiang IJ, Wong JM. Automatic segmentation of meningioma from non-contrasted brain MRI integrating fuzzy clustering and region growing. BMC Medical Informatics and Decision Making. 2011;11:54.⁽²⁸⁾	Kernel + SVM (K-SVM)	87,80	0,85
Gao F, Lin T. Application of Computer-Aided Diagnosis Technology in Brain Tumour Detection. NeuroQuantology. 2018;16(5):725-33.⁽²⁹⁾	Máquina de aprendizado	97,17	-

Autores	Metodologia	Resultados
Isa IS, Sulaiman SN, Mustapha M, Karim NK. Automatic contrast enhancement of brain MR images using Average Intensity Replacement based on Adaptive Histogram Equalization (AIR-AHE). Biocybernetics and Biomedical Engineering. 2017;37(1):24-34.⁽¹⁵⁾	Desenvolvimento do algoritmo AIR-AHE para aprimoramento automático de contraste de RM FLAIR usando as funções imadjust e stretchlim	Apresentou bons resultados em conjunto com outros algoritmos de equalização de histograma
Isselmou AE, Zhang S, Xu G. A novel approach for brain tumor detection using MRI Images. J Biomedical Sci Eng. 2016;9(10):44-52.⁽¹⁷⁾	Uso do filtro de mediana e de passa-alta, e equalização de histograma para melhorar a qualidade das imagens	Permitiu melhorar a qualidade das imagens, obtendo excelentes resultados na segmentação do tumor
Sujan M, Alam N, Noman SA, Islam MJ. A Segmentation based Automated System for Brain Tumor Detection. IJCA. 2016;153(10):41-9.⁽³²⁾	Extração do cérebro em imagens FLAIR usando as operações morfológicas do MATLAB^®, como binarização, erosão, dilatação e elementos estruturantes	O método contribuiu para melhores resultados no aprimoramento de imagens, apresentando incremento na acurácia comparado a outros algoritmos da literatura
Roy S, Maji P. A simple skull stripping algorithm for brain MRI. In: Eighth International Conference On Advances In Pattern Recognition (ICAPR) [Internet]. Kolkata: (IN); 2015 [cited 2019 Aug 20]. Available from: https://ieeexplore.ieee.org/abstract/document/7050671/⁽³³⁾	Desenvolvimento de um método de extração do crânio (S3) para ponderação T1 baseada nas características da anatomia do cérebro e na intensidade da imagem	O desempenho do algoritmo é comparado a BET e BSE, obtendo resultados satisfatórios
khandelwal P, Kaur G. Comparative study of different image enhancement technique. IJECT. 2016;7(2):116-21.⁽³⁴⁾	Comparação de técnicas de aprimoramento de contraste (subtração, ajuste de contraste, erosão, correção gamma , inversão e limiarização)	A técnica da erosão produziu o melhor resultado
Kaur R, Chawla M, Khiva NK, Ansari MD. Comparative Analysis of Contrast Enhancement Techniques for Medical Images. Pertanika J Sci Technol. 2018;26(3):965-78.⁽³⁵⁾	Comparação de técnicas de aprimoramento de contraste (operação de vizinhança, filtro médio, imadjust e função sigmoide)	A função sigmóide e a operação de vizinhança produziram o melhor resultado
Shattuck DW, Sandor-Leahy SR, Schaper KA, Rottenberg DA, Leahy RM. Magnetic resonance image tissue classification using a partial volume model. Neuroimage. 2001;13(5):856-76.⁽³⁶⁾	Desenvolvimento de um método de extração do crânio (BSE) em imagens de ponderação T1 que utiliza um detector de borda e uma série de operações morfológicas	Método robusto que contribuiu para segmentação da GM e WM do cérebro, respectivamente
Smith SM. Fast robust automated brain extraction. Hum Brain Mapp. 2002;17(3):143-55. Review.⁽³⁷⁾	Desenvolvimento de um método de extração do crânio (BET) em imagens T1	Método robusto e preciso aplicado a uma variedade de sequências RM
Roura E, Oliver A, Cabezas M, Vilanova JC, Rovira A, Ramió-Torrentà L, et al. MARGA: multispectral adaptive region growing algorithm for brain extraction on axial MRI. Comput Methods Programs Biomed. 2014 Feb;113(2):655-73.⁽³⁸⁾	Desenvolvimento de um método de extração do crânio (MARGA) em vistas axiais, baseado no crescimento de região	O MARGA apresentou resultados superiores quando comparado com as abordagens BET e BSE
Somasundaram K, Mercina JH, Magesh Kalaiselvi ST. Brain Portion Extraction Scheme using Region Growing and Morphological Operation from MRI of Human Head Scans. IJCSE. 2018;6(4):298-302.⁽³⁹⁾	Desenvolvimento de um método de extração do crânio baseado no crescimento de região e operações morfológicas (erosão, dilatação e preenchimento)	Os resultados do método são melhores do que os métodos existentes (BET e BSE)
Kalavathi P, Prasath VB. Methods on Skull Stripping of MRI Head Scan Images—a Review. J Digit Imaging. 2016;29(3):365-79. Review.⁽⁴⁰⁾	Desenvolvimento de um método de extração do cérebro de RM em T1 baseado no filtro médio e em operações morfológicas	O método deu resultados comparáveis com os métodos BET e BSE e mostrou o uso do filtro médio não impactou melhoras na segmentação

Instituto Israelita de Ensino e Pesquisa Albert Einstein Avenida Albert Einstein, 627/701 , 05651-901 São Paulo - SP, Tel.: (55 11) 2151 0904 - São Paulo - SP - Brazil
E-mail: revista@einstein.br

Acompanhe os números deste periódico no seu leitor de RSS

[1] Autor correspondente: Layse Ribeiro Mascarenhas Rua do Cajueiro, CD Brauna, Torre 1, Apto 501 Bairro Cajueiro CEP: 48904-083 – Juazeiro, BA, Brasil Tel.: (74) 2102-7630 E-mail: yse.r.m@hotmail.com