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.

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)