Segmentação e parametrização de imagens de ressonância magnética do cérebro : método semi-automático de extração de características para apoio a diagnóstico de pacientes com esquizofrenia

Abstract

A esquizofrenia é um dos vários transtornos mentais que afeta os seres humanos, e é também a doença mental que mais causa estigma ao paciente. Ela afeta não somente o paciente mas também à sua família e pessoas próximas. O dignóstico deste transtorno é feito por um especialista com base no Manual Estatístico e de Diagnóstico de Desordens Mentais (DSM na sigla em inglês), que se baseia na observação dos sintomas feita pelo especialista. Estudos recentes apontam que existem anormalidades estruturais no cérebro que estão correlacionadas com a presença de esquizofrenia. Com base nestes estudos foi realizado um estudo na Universidade de Brasília onde um especialista extraiu manualmente certas características que evidenciavam estas anormalidades, que foram 14 comprimentos entre certos pontos específicos no cérebro. Estas características foram usadas para treinar um classificador para o auxílio no diagnóstico da esquizofrenia. Não foram encontrados estudos semelhantes que usam estas anormalidades para o auxílio no diagnóstico. O método para extração destas características, no entanto, é realizado de forma manual e, portanto, é lento, além de obter um número pequeno de características. Dadas estas questões este trabalho propõe um método semi-automático de segmentação e extração destas estruturas, que é mais rápido e produz um maior número de dados. O método proposto consiste na parametrização do contorno de cada estrutura de interesse pelos coeficientes da série de Fourier que descrevem as coordenadas dos pontos do contorno. Para isto as estruturas foram segmentadas manualmente em uma imagem utilizada como modelo, e então os pontos do contorno de cada estrutura foram traçados automaticamente pelo algoritmo de Moore-Neighbor e suas coordenadas expandidas em série de Fourier, onde os coeficientes da série foram usados como parâmetros iniciais de um algoritmo de otimização. Para cada imagem de ressonância magnética no banco de dados (onde foram usadas 140, sendo 69 de esquizofrênicos e 71 do grupo de controle), obteve-se pelo algoritmo de otimização numérica de Nelder-Mead os coeficientes de Fourier que minimizavam uma função custo que retornava o erro entre a imagem analisada e a estrutura cujo contorno era descrito pelos coeficientes de Fourier, tendo como parâmetro inicial do algoritmo os coeficientes de Fourier que parametrizam a estrutura na imagem base relativas a estrutura que se deseja segmentar a parametrizar na imagem analisada. O erro foi calculado pela norma de Frobenius da diferença da imagem binarizada pelo método de thresholding de Otsu e a imagem formada pelo contorno preenchido cujos coeficientes de Fourier descrevem. A imagem binária formada pelo contorno preenchido que é descrito pelos coeficientes de Fourier que minimizam esta função custo é então dilatada e uma operação de interseção é realizada entre esta imagem e a imagem analisada binarizada. O resultado é a segmentação da estrutura de interesse na imagem analisada, e seu contorno é parametrizado assim como o contorno das estruturas da imagem base, que é o resultado desejado. Para a comparação com os resultados do especialista, foram extraídas as mesmas características utilizando heurísticas com base nos contornos parametrizados das estruturas e então foram calculados os erros relativos. A maior parte dos erros relativos para as 14 distâncias de cada imagem analisada ficou abaixo dos 10%. Outro teste realizado para a comparação dos resultados foi treinar um classificador da mesma maneira que foi feita pelo especialista, utilizando 80% dos dados, escolhidos aleatoriamente, para treinar o classificador, e então usar os 20% restantes para a validação. No melhor resultado o classificador errou apenas 10:71% dos dados de validação. ________________________________________________________________________________ ABSTRACT

Schizophrenia is one of several mental disorders that affect humans, and is also a mental illness that causes more stigma to the patient. It affects not only the patient but also his family and close people. The diagnosis of this disorder is done by an expert based on the Diagnostic and Statistical Manual of Mental Disorders (DSM), which is based on observation of symptoms made by the specialist. Recent studies indicate that there are structural abnormalities in the brain which are correlated with the presence of schizophrenia. Based on these studies a study was conducted at the University of Brasilia where an expert manually extracted certain characteristics which exhibited these abnormalities, who were 14 lengths between specific points in the brain. These characteristics were used to train a classifier for aid in the diagnosis of schizophrenia. No similar studies were found using these abnormalities to aid in diagnosis. The method for the extraction of these features, however, is performed manually and thus it is slow, and obtain a small number characteristics. Given these issues this paper proposes a semi-automatic segmentation and parametrization method of these structures, which is faster and produces a greater number of data. The proposed method consists in the parametrization of the contour of each structure of interest by the Fourier series coefficients that describes the coordinates of the contour points. To this end, structures were manually segmented in an image used as template, and then the points on the contour of each structure were automatically traced by the Moore-Neighbor algorithm and the coordinates expanded in Fourier series where the series coefficients were used as initial parameters of an optimization algorithm. For each magnetic resonance image in the database (which were used 140, where 69 were from schizophrenic patients and 71 from the control group) was obtained by Nelder-Mead numerical optimization algorithm the Fourier coefficients that minimized a cost function that returned the error between the image analyzed and the structure whose contour was described by the Fourier coefficients, having as the initial parameter the Fourier coefficients which was obtained from the base images. The error was calculated using the Frobenius norm of the difference between the analyzed image binarized by the Otsu thresholding method and the image formed by the contour filled described by the Fourier coefficients. The binary image formed by the filled contour which is described by the Fourier coefficients that minimize this cost function is then dilated and an intersection operation is performed between this and the binarized vesrion of the analyzed image. The result is a segmentation of the structure of interest the in the analyzed, and its contour is parameterized as was the structures in the base image. For comparison with the results from the expert, were extracted the same characteristics using heuristics based on the parameterized structures and then the relative errors were calculated. Most of the relative errors for each 14 distances in each image analyzed was below 10%. Another test performed to compare the results was train a classifier in the same manner as made by the expert, using 80% of the data, chosen at random, to train the classifier, and then use the 20% others for validation. n the best result the classifier missed only 10:71% of data from validation.