A Esclerose Múltipla (EM) é uma doença inflamatória multifatorial que afeta o Sistema Nervoso Central (SNC) e atinge principalmente uma população de adultos jovens. A EM é considerada uma doença autoimune pois, por alguma razão ainda desconhecida, o sistema imunológico agride a bainha de mielina que recobre os neurônios, comprometendo as funções do SNC. A técnica de ressonância magnética (RM) tem sido usada com muito sucesso no diagnóstico e monitoramento da EM, pois permite uma boa diferenciação entre os tecidos moles. O volume de carga lesional em EM determinado em imagens T2-weighted (T2-w) ou fluid-attenuated inversion recovery (FLAIR), é uma medida quantitativa importante usada para avaliar a evolução da doença. O método convencional de medição do volume da carga lesional é usando o delineamento manual das lesões em imagens de RM realizada por especialistas com ajuda de um computador. Esta pesquisa visa o desenvolvimento de um método automático de segmentação de lesões de EM em imagens de RM que utilizará atributos de textura, extraídos de regiões de lesões anotadas por um especialista, para o treinamento de um classificador supervisionado one-class Support Vector Machine (SVM). O classificador estimado será então usado para classificar apenas voxels localizados em regiões hiperintensas de imagens FLAIR, indicadas por uma mapa de hiperintensidades resultante de um trabalho recentemente realizado pelo nosso grupo de pesquisa. Tal mapa, contém as lesões de EM que, em geral, são hiperintensas em imagens FLAIR, além de outras estruturas hiperintensas, as quais espera-se que sejam descartadas via classificação por textura. Os resultados do método desenvolvido serão comparados quantitativamente com as marcações de dois especialistas e com os resultados de outros dois softwares.

Esclerose múltipla (EM) é uma doença inflamatória crônica, e possivelmente autoimune, que afeta o sistema nervoso central (SNC) e atinge principalmente a população de adultos jovens. Por motivos genéticos ou ambientais, na EM, o sistema imunológico começa a agredir a bainha de mielina que recobre os neurônios, comprometendo, assim, a função do SNC. O imageamento por ressonância magnética (RM) tem sido usado clinicamente com muito sucesso para o diagnóstico e monitoramento da EM devido, principalmente, ao excelente contraste entre os tecidos moles. Nos últimos anos, alguns métodos computacionais têm sido propostos para auxiliar na segmentação e medição volumétrica das lesões de EM, dentre os quais podemos citar um método, recentemente desenvolvido pelo nosso grupo de pesquisa, que é iterativo, não-supervisionado e baseia-se num modelo de mistura de distribuições t-Student. Apesar das vantagens de ser automático, não-supervisionado e ter apresentado resultados comparados a outros métodos propostos na literatura, o nosso método carece de uma estratégia de parada para o modelo, que é iterativo mas usa um número fixo de iterações, e de um critério de seleção do número de agrupamentos, que, atualmente, é fixo. Como possíveis soluções para as limitações mencionadas, nessa pesquisa investigaremos o uso de padrões de textura de mapas de lesões, obtidos a cada iteração do método, para definir uma estratégia de parada para o algoritmo. Além disso, também analisaremos os critérios Bayesian Information Criterion (BIC) e Akaike Information Criterion (AIC) como uma maneira de selecionar o número de agrupamentos para o modelo de mistura.

Esclerose Múltipla (EM) é uma doença inflamatória e desmielinizante (isto é, com perda de mielina) do sistema nervoso central (SNC). É considerada uma doença autoimune a qual o sistema imunológico considera a bainha de mielina como um elemento estranho e então a ataca, resultando em inflamação e formação de cicatrizes gliais (escleroses) em múltiplas áreas da matéria branca do SNC. O imageamento multiespectral por ressonância magnética (RM) tem sido usado clinicamente com muito sucesso para o diagnóstico e monitoramento da EM devido às suas propriedades de alta resolução e boa diferenciação entre tecidos moles. Durante o exame de RM, é comum o uso de um agente de contraste à base de gadolínio (Gd) para o realce de lesões em estágio inflamatório, também chamadas de lesões ativas. A detecção e subsequente análise dessas lesões permitem a avaliação da eficácia do tratamento prescrito ao paciente, uma vez que possibilita a análise do quadro inflamatório da doença. Até recentemente, acreditava-se que o agente de contraste era eliminado completamente do organismo após alguns dias do exame, mas estudos recentes, publicados a partir de 2014, passaram a apontar o acúmulo de gadolínio em determinadas regiões do cérebro de pacientes que realizaram múltiplos exames de RM com injeção de contraste; caso esse de pacientes com EM. Os efeitos fisiológicos desse acúmulo ainda são desconhecidos pela comunidade científica, o que tem levantado sérias dúvidas quanto a continuidade da aplicação do gadolínio em pacientes. Dado isso, desde 2015 seu uso passou a ser recomendado apenas em casos de absoluta necessidade. Além do desconhecimento dos efeitos nocivos do gadolínio, o seu uso também aumenta o custo e duração dos exames de RM. Nesse sentido, este projeto de doutorado propõe o estudo e desenvolvimento de um método computacional automático para realizar a segmentação de lesões de EM de maneira robusta em imagens clínicas de RM, obtidas sem o uso do agente de contraste, e indicar, a partir da análise de textura das regiões das lesões segmentadas, quais delas se encontram em estágio inflamatório. Com isso, os exames de RM deixarão de oferecer risco de acúmulo de gadolínio - e seus consequentes efeitos nocivos -, além de agilizar e reduzir os custos dos exames. Para tal, modelos finitos de distribuições de probabilidade, atlas probabilísticos, análises de textura e assimetria cortical serão investigados e utilizados para este fim.

O imageamento por ressonância magnética (RM) tornou-se uma ferramenta fundamental para o estudo e diagnóstico de diversas doenças e síndromes do sistema nervoso central (SNC), como, por exemplo, a Esclerose Múltipla e a doença de Alzheimer. Para permitir um diagnóstico rápido e preciso, assim como o acompanhamento evolutivo dessas doenças, é necessário segmentar e medir o volume de estruturas importantes do cérebro. Dentre as várias abordagens propostas na literatura para a segmentação de estruturas cerebrais em imagens de RM, aquelas baseadas em modelos geométricos deformáveis estão entre as que apresentam os melhores resultados. No entanto, uma das principais dificuldades da aplicação de tais modelos para a segmentação de imagens médicas é o posicionamento inicial adequado das malhas. Portanto, o principal objetivo desse projeto de pesquisa é o desenvolvimento de um método automático para a detecção de pontos salientes em imagens 3D de ressonância magnética do cérebro humano. Se bem sucedido, o método desenvolvido poderá ser empregado na inicialização de modelos geométricos deformáveis. (AU)

A Esclerose Múltipla (EM) é uma doença inflamatória que afeta o sistema nervoso central e causa a destruição da mielina, que é uma proteína fundamental na transmissão do impulso nervoso. As áreas desmielinizadas assumem um aspecto de placas, que posteriormente esclerosam (endurecem). Estas lesões (ou placas) causam sinais e sintomas neurológicos intermitentes que, com a evolução da doença, podem agravar-se progressivamente. Atualmente, o exame por ressonância magnética (RM) é utilizado como uma técnica subsidiária na confirmação do diagnóstico e acompanhamento da evolução da doença e sua terapia. Estudos utilizando RM apoiam a hipótese de que as perturbações cognoscitivas nos doentes com EM têm correlação com a carga lesional. O método convencional de medição do volume das lesões (carga lesional) de EM é o delineamento manual das lesões em imagens 3D de RM. Tal procedimento, além de consumir muito tempo do radiologista, é propenso a uma grande variabilidade inter e intra observadores. Nesse contexto, esse projeto de iniciação científica tem por objetivo o desenvolvimento de uma técnica computacional automática para a segmentação de placas de EM em imagens 3D de RM. A abordagem a ser investigada usará atlas anatômicos probabilísticos para auxiliar na seleção de amostras da matéria cinzenta (Gray Matter - GM) e líquido cefalorraquidiano (Cerebral Spinal Fluid - CSF), que serão então usadas para treinar uma máquina de vetores suporte para uma classe (GM + CSF = classe "positiva"). Os voxels pertencentes a segunda classe, correspondendo à matéria branca (White Matter - WM) e lesões (WM + lesões = classe "negativa"), serão processados posteriormente por um detector de outliers para a separação das lesões. A técnica desenvolvida será analisada quantitativamente usando imagens da base de dados MICCAI-2015.

O imageamento por ressonância magnética (RM) tornou-se uma ferramenta fundamental no diagnóstico e estudo de diversas doenças e síndromes do sistema nervoso central (SNC), como, por exemplo, a esclerose múltipla e a doença de Alzheimer. Além da análise visual sistemática das imagens de RM, o neurorradiologista frequentemente precisa medir o volume ou analisar alterações na forma de determinadas estruturas do cérebro para diagnosticar de maneira rápida e precisa uma determinada doença, ou ainda para realizar o acompanhamento evolutivo de um determinado tratamento. Para isso, a segmentação prévia das estruturas de interesse é necessária. Em geral, essa tarefa é realizada manualmente com a ajuda limitada do computador e, portanto, possui diversas limitações. Por esse motivo, vários pesquisadores têm voltado seus esforços para o desenvolvimento de técnicas automáticas de segmentação de tecidos e estruturas cerebrais em imagens de RM. Dentre as várias abordagens propostas na literatura, as técnicas baseadas em modelos geométricos deformáveis e atlas anatômicos probabilísticos e topológicos estão entre as que apresentam os melhores resultados. Isso porque elas possibilitam a utilização da informação anatômica intrinsecamente contida nas malhas durante o processo de segmentação. No entanto, uma das principais dificuldades da aplicação de tais modelos para a segmentação de imagens médicas é o posicionamento inicial adequado das malhas. Portanto, o principal objetivo desse projeto de pesquisa é o desenvolvimento de um framework de segmentação automática de algumas estruturas cerebrais utilizadas com frequência por neuroradiologistas no diagnóstico das doenças de Alzheimer e esclerose múltipla. Tal framework será formado por três partes principais: um detector de pontos salientes 3D, um atlas probabilístico de pontos salientes 3D (construído a partir de uma imensa base de imagens) e um mecanismo que utilizará ambos, o atlas e o detector de pontos salientes, para o posicionamento adequado dos modelos geométricos deformáveis. (AU)

O imageamento por ressonância magnética (RM) tornou-se uma ferramenta indispensável no diagnóstico e estudo de diversas doenças e síndromes do sistema nervoso central (SNC) como, por exemplo, a Esclerose Múltipla e a doença de Alzheimer. Além da análise visual sistemática das imagens de RM, o neurorradiologista frequentemente precisa medir o volume ou analisar alterações na forma de determinadas estruturas do cérebro para possibilitar um diagnóstico rápido e preciso de uma doença, ou ainda para realizar o acompanhamento evolutivo de um determinado tratamento. Para isso, a segmentação prévia das estruturas de interesse é necessária. Em geral, essa tarefa é realizada manualmente e que, em razão disso, possui diversas limitações. Por esse motivo, vários pesquisadores têm voltado seus esforços para o desenvolvimento de técnicas automáticas de segmentação de tecidos e estruturas cerebrais em imagens de RM. Dentre as várias abordagens propostas na literatura, as técnicas baseadas em modelos geométricos deformáveis e atlas anatômicos probabilísticos e topológicos estão entre as que apresentam os melhores resultados. Isso porque elas possibilitam a utilização da informação anatômica intrinsecamente contida nas malhas durante o processo de segmentação. No entanto, uma das principais dificuldades da aplicação de modelos geométricos deformáveis para a segmentação de imagens médicas é o posicionamento inicial adequado do modelo. Assim, pretende-se, para esta proposta de pesquisa, o aperfeiçoamento de uma técnica para detecção automática de pontos salientes 3D e, a partir disso, o desenvolvimento de um atlas probabilístico de pontos salientes que servirá para automatizar o processo de posicionamento inicial de modelos geométricos deformáveis. Dessa maneira, técnicas de segmentação baseadas nesse tipo de abordagem poderão ser mais eficazes e possibilitarão que medidas volumétricas de estruturas cerebrais sejam obtidas com maior precisão e rapidez.

1) Análise de atrofia de regiões cerebrais: O pesquisador visitante irá participar na discussão e desenvolvimento inicial de um método baseado em modelos geométricos deformáveis e atlas anatômicos para a medida de volume e avaliação de atrofias de regiões dos ventrículos e do corpo caloso em imagens de ressonância magnética de pacientes com Esclerose Múltipla. O método em estudo poderá eventualmente ser aplicado a análise de imagens de RM de pacientes com Alzheimer. 2) Aula em curso da Pós-Graduação: O pesquisador visitante irá ministrar uma aula sobre segmentação de imagens médicas via modelos geométricos deformáveis aplicados a problemas de terapia de radiação. A aula será ministrada para alunos de Pós-Graduação da disciplina de Processamento de Imagens (do PPG-CCPrograma de Pós-Graduação em Ciência da Computação do Departamento de Computação da UFSCar (ppgcc.dc.ufscar.br). e terá 2 horas de duração. Nessa aula, o pesquisador visitante irá ensinar os principais conceitos de modelos geométricos e alinhamento de imagens 3D e modelos geométricos. 3) Visita técnica programada - DDI/UNIFESP - São Paulo (http://www.ddi.unifesp.br/): Como parte da visita, o pesquisador visitante irá se encontrar com os demais pesquisadores associados do projeto (processo número 2012/03100-3) para discutir os atuais resultados e futuras etapas da pesquisa. A duração prevista para esse visita é de 2 dias.4) Reunião com alunos de mestrado: Durante a sua visita, o Dr. Pekar irá também se reunir com os meus alunos de mestrado para a discussão dos seus respectivos projetos de pesquisa. 5) Apresentação de projetos de pesquisa: O Dr. Pekar irá proferir uma palestra de aproximadamente 40 min para os professores e alunos do DC-UFSCar sobre os seus projetos de pesquisa. Após a apresentação, o Dr. Pekar ficará a disposição para responder a perguntas da platéia. (AU)

Esclerose Múltipla (EM) é uma doença inflamatória e desmielinizante (isto é, com perda de mielina) do sistema nervoso central (SNC). EM é considerada uma doença autoimune a qual o sistema imunológico reconhece erroneamente a bainha de mielina do SNC como um elemento externo e então a ataca, resultando em inflamação e formação de cicatrizes gliais (escleroses) em múltiplas áreas da substância branca do SNC. O imageamento multiespectral por ressonância magnética tem sido usado clinicamente com muito sucesso para o diagnóstico e monitoramento da EM devido às suas excelentes propriedades, como alta resolução e boa diferenciação de tecidos moles. Atualmente, o método utilizado para a segmentação de lesões de EM é o delineamento manual das lesões em imagens 3D de RM, o qual é realizado por especialistas com ajuda limitada do computador. Entretanto, tal procedimento é custoso e propenso à variabilidade inter e intraobservadores devido ao baixo contraste das bordas das lesões. Atualmente, vários pesquisadores têm voltado seus esforços para o desenvolvimento de técnicas que visam diminuir o tempo gasto na análise das imagens e medir de maneira mais precisa o volume dos tecidos cerebrais e das lesões de EM. Nesse contexto, esteprojeto propõe o estudo e o desenvolvimento de uma técnica computacional automática baseada em na abordagem de detecção de outliers e usando modelos de mistura finita de distribuições t-Student e atlas probabilísticos para a detecção e medição do volume de lesões de EM em imagens de RM.

Esclerose Múltipla (EM) é uma doença multifatorial complexa, desmielinizante, auto-imune, que afeta o sistema nervoso central, e atinge principalmente adultos jovens. É considerada uma doença auto-imune pois o sistema imunológico começa a agredir a bainha de mielina que recobre os neurônios e compromete a função do sistema nervoso. O imageamento multimodal por ressonância magnética (RM) tem sido usado clinicamente com muito sucesso para o diagnóstico e monitoramento da EM devido principalmente pela alta resolução, boa diferenciação de tecidos moles, e por permitir a obtenção de diferentes informações de contraste. O método convencional de medição do volume das lesões de EM é o delineamento manual das lesões em imagens de RM, realizada por especialistas com ajuda limitada do computador. Entretanto, tal procedimento é árduo, consome muito tempo, é custoso e propenso a grande variabilidade inter- e intra-observadores. Portanto, o principal objetivo desse projeto é a pesquisa e o desenvolvimento de técnicas computacionais automáticas para a detecção, medição do volume e análise de placas de EM em imagens de RM. (AU)