000148836

M
Alinh
Mdicas
hamen
s:Estud
ntode
do,De
Freder
J
Estrut
esenvo
ricoLzaro
Julhode201
urasem
lvimen
oJacob
10
mImag
ntoeA
gens
Aplica o

AlinhamentodeEstruturasemImagens
Mdicas:Estudo,DesenvolvimentoeAplicao

DissertaosubmetidaparaobtenodograudeMestreemEngenharia
BiomdicapelaFaculdadedeEngenhariadaUniversidadedoPorto
FredericoLzaroJacob
LicenciadoemEngenhariaElectrotcnicapeloInstitutoSuperiordeEngenhariadoPorto(2002)
Orientador:
JooManuelR.S.Tavares
ProfessorAuxiliardoDepartamentodeEngenhariaMecnica
FaculdadedeEngenhariadaUniversidadedoPorto
Coorientador:
AnaMafaldaReis
AssistenteHospitalardeNeurorradiologia
HospitalPedroHispano,Matosinhos
AGRADECIMENTOS
Pgina1de200
AGRADECIMENTOS
Estedocumentooculminardeumtrabalhoquenoteriasidopossveldesenvolversem
aajudaeacontribuiodeumnmeroconsiderveldepessoas.Assim,agradeo:
Ao Professor Doutor Joo Manuel R. S. Tavares, pelo apoio fornecido ao longo da
elaboraodesteestudo,pelaconstantedisponibilidadeeapoio;
Dr.AnaMafaldaReis,peloauxlioprestadoduranteopresenteestudo;
Aos meus pais, irmos, companheira e filha, pela fora que transmitiram, afecto e
cooperao;
AoEng.PedroGuimares,aoDoutorCarlosVinhais,Eng.InsMeneres,eaoEng.
RubenCouto,ahonradetloscomoamigos;
Atodososquepossibilitaramoseudesenvolvimento.

AlinhamentodeEstruturasemImagensMdicas:Estudo,DesenvolvimentoeAplicao
Pgina2de200
RESUMO
Pgina3de200
RESUMO
NapresenteDissertaosoavaliadasecomparadasmetodologiasparaoalinhamentode
estruturas em imagens mdicas, em particular no mbito do acompanhamento clnico de
pacientesatingidosporesclerosemltipla.
Visandoatotalcompreensodotrabalhodesenvolvido,numaprimeirafase,apresentase
uma descrio da patologia considerada, de forma a definir a utilidade da imagiologia no seu
estudo.Deseguida,procedesedescriodediversosaspectosespecficosrelacionadoscom
o alinhamento de imagens. Posteriormente, surge o ensaio e a validao das vrias
metodologias implementadas na biblioteca computacional de domnio pblico Insight ToolKit
(ITK),principalmentecomimagenscerebraisadquiridasporressonnciamagntica.Resultados
experimentais obtidos, assim como concluses finais e perspectivas futuras, so expostos no
finaldestedocumento.
Palavraschave: anlise de imagem, alinhamento, esclerose mltipla, ITK, imagens por

ressonnciamagntica.
Pgina4de200
ABSTRACT
Pgina5de200
ABSTRACT
Inthisthesis,areevaluatedand comparedapproachestotheregistrationofstructuresin
medicalimages,aspartofclinicalmonitoringofpatientssufferingfrommultiplesclerosis.
Seeking to understand this work, initially, it presents a description of the pathology in
ordertodefinetheusefulnessofimagingintheirstudy.Then,weproceedtothedescriptionof
several specific aspects related to the registration of images. Subsequently, there is a section
devoted to testing and validation of various methodologies implemented in ITK software,
particularlywithmagneticresonanceimagingofthebrain.Theexperimentalresultsobtained,
aswellasevidenceandperspectives,areexposedintheend.
Keywords: image analysis, registration/alignment, multiple sclerosis, ITK, magnetic resonance

imaging.
Pgina6de200
NDICE
Pgina7de200
NDICE
AGRADECIMENTOS.............................................................................................................................................................................1
RESUMO..............................................................................................................................................................................................3
ABSTRACT............................................................................................................................................................................................5
NDICE..................................................................................................................................................................................................7
NDICEDEFIGURAS.............................................................................................................................................................................9
NDICEDETABELAS...........................................................................................................................................................................13
ACRNIMOS......................................................................................................................................................................................15
CAPTULOIIntroduoDissertaoesuaestrutura................................................................................................................17
1.1. Enquadramento.................................................................................................................................................................19
1.2. Motivaoeobjectivos......................................................................................................................................................21
1.3. Planodetrabalho..............................................................................................................................................................22
1.4. Estruturaorganizativa........................................................................................................................................................23
1.5. Principaiscontribuies.....................................................................................................................................................23
CAPTULOIIEsclerosemltipla......................................................................................................................................................25
2.1. Introduo.........................................................................................................................................................................27
2.2. Noeshistricas...............................................................................................................................................................28
2.3. Descriodadoena..........................................................................................................................................................30
2.4. Formasdeesclerosemltipla............................................................................................................................................31
2.5. Critriosdediagnstico.....................................................................................................................................................34
2.6. Resumo..............................................................................................................................................................................36
CAPTULOIIIImagemporRessonnciaMagntica........................................................................................................................39
3.1. Introduo.........................................................................................................................................................................41
3.2. Princpiosdefuncionamento.............................................................................................................................................42
3.3. Temposderelaxao.........................................................................................................................................................45
3.4. Contrastedasimagens.......................................................................................................................................................46
3.5. Formaodeimagem........................................................................................................................................................50
3.6. Artefactos..........................................................................................................................................................................51
3.7. Resumo..............................................................................................................................................................................52
CAPTULOIVTcnicasdeAlinhamentodeImagensMdicas........................................................................................................55
4.1. Introduo.........................................................................................................................................................................57
4.2. Conceitosassociadosaoalinhamentodeimagens............................................................................................................57
4.2.1. Alinhamentodeimagens........................................................................................................................................57
4.2.2. Classificaodosmtodosdealinhamentodeimagens.........................................................................................58
4.2.3. Formulaomatemticadeummtododealinhamento.......................................................................................61
4.2.4. Diagramadeblocosdeummtododealinhamento..............................................................................................62
4.2.5. Naturezaoumodalidadedasimagensmdicas......................................................................................................63
4.3. Descriodoscritrios.......................................................................................................................................................65
4.3.1. Detecodecaractersticasemedidadesimilaridade...........................................................................................66
4.3.1.1. Mtodosbaseadosemcaractersticasgeomtricas.....................................................................................69
4.3.1.1.1. Extracodeprimitivas...........................................................................................................................69
4.3.1.1.2. Colocaoemcorrespondnciadasprimitivas.......................................................................................71
4.3.1.2. Mtodosbaseadosemintensidades............................................................................................................73
4.3.1.2.1. Escolhadocritriodesimilaridade.........................................................................................................74
4.3.1.2.2. Mtricasextradasdateoriadainformao...........................................................................................77
4.3.2. Estimaodomodelodetransformao................................................................................................................83
4.3.2.1. Transformaesrgidas................................................................................................................................87
4.3.2.2. Transformaesnolineares.......................................................................................................................89
4.3.3. Estratgiasdeoptimizao.....................................................................................................................................93
4.3.3.1. Mtodossemgradiente...............................................................................................................................94
4.3.3.2. Mtodosdegradiente..................................................................................................................................95
4.3.4. Validaodemtodosdealinhamento..................................................................................................................97
4.4. Mtodosparaalinhamentodeimagensmdicas..............................................................................................................98
4.5. Implementaescomputacionais....................................................................................................................................106
4.6. Resumo............................................................................................................................................................................115
CAPTULOVAnliseexperimental................................................................................................................................................117
5.1. Introduo.......................................................................................................................................................................119
5.2. Casosclnicosemestudo.................................................................................................................................................119
5.3. Recursosutilizados..........................................................................................................................................................122
5.3.1. Linguagemdeprogramao..................................................................................................................................122
Pgina8de200
5.3.2. CMake...................................................................................................................................................................123
5.3.3. ITK.........................................................................................................................................................................124
5.3.4. Equipamentoesistemaoperativo........................................................................................................................125
5.3.5. DICOM..................................................................................................................................................................125
5.4. AlinhamentodeimagensnoITK......................................................................................................................................125
5.4.1. Tcnicasgenricasdealinhamentopresentes......................................................................................................127
5.4.2. AlgoritmosdealinhamentodisponveisnoITK.....................................................................................................131
5.5. Algoritmosusados...........................................................................................................................................................137
5.5.1. Algoritmosseleccionados.....................................................................................................................................137
5.5.2. Anlisedosalgoritmosempregues.......................................................................................................................138
5.6. Alinhamentodeimagensdeummesmodoente.............................................................................................................142
5.6.1. Consideraesreferentesaocdigofontedosalgoritmos...................................................................................142
5.6.2. Descriodosdados.............................................................................................................................................143
5.6.3. Resultadosexperimentais.....................................................................................................................................147
5.6.3.1. Imagensdoconjunto(1)............................................................................................................................148
5.6.4. Anlisecomparativadosresultados.....................................................................................................................167
5.7. Algoritmodealinhamentodesenvolvido.........................................................................................................................171
5.7.1. Descriodoalgoritmo.........................................................................................................................................171
5.7.2. Resultadosexperimentaiseanlisecomparativa.................................................................................................184
5.8. Resumo............................................................................................................................................................................186
CAPTULOVIConsideraesfinaisePerspectivasfuturas...........................................................................................................189
6.1. Introduo.......................................................................................................................................................................191
6.2. Consideraesfinais........................................................................................................................................................191
6.3. Perspectivasfuturas........................................................................................................................................................192
REFERNCIAS...................................................................................................................................................................................195
NDICEDEFIGURAS
Pgina9de200
NDICEDEFIGURAS
Figura1.1Representaoesquemticadoconceitodealinhamento(retiradode(Yoo2004))......................................................19
Figura 1.2 Exemplo de alinhamento de imagens do crebro: (a) Imagem fonte, (b) Imagem a alinhar, (c) Imagem aps
alinhamento,(d)Diferenaoriginal,(e)Diferenaapsalinhamento(retiradode(Ibnez,Schroederetal.2005)).........................20
Figura2.1AspectotpicodaslesesdeEMnocrebro(retiradode(Doyon,Cabanisetal.2004))................................................27
Figura2.2RetratodeJeanMartinCharcot(retiradode(Murray2005))........................................................................................28
Figura2.3IlustraesdaslesesdescritasporCharcot(retiradode(Murray2005)).....................................................................28
Figura2.4IlustraodaEMefectuadaporRobertCarswell(retiradode(Murray2005))...............................................................29
Figura2.5MapadaprevalnciadaEM(retiradode(multsclerosis2008))....................................................................................29
Figura2.6Estruturaesquemticasimplificadadeumneurniotpico(retiradode(multsclerosis2008))....................................30
Figura2.7LesodeEMnohemisfriodocrebro(retiradode(ClanetandLyonCaen1998))......................................................31
Figura2.8EvoluoclnicaesquemticadasdistintasformasdeEM(retiradode(multsclerosis2008))......................................33
Figura2.9DadoshistolgicosdasdistintasformasdeEM(retiradode(Kutzelnigg,Lucchinettietal.2005))................................33
Figura2.10Quatrodiferentescortes(axial)deimagemporRMcabea(retiradode(Doyon,Cabanisetal.2004))...................36
Figura3.1Exemplodeaparelhoderessonnciamagntica(modeloOptimaMR450w,GEHealthcare(USA))..............................42
Figura 3.2 Momento magntico de diferentes ncleos de Hidrognio de tecido biolgico colocado num ambiente natural
(retiradode(Doyon,Cabanisetal.2001)).........................................................................................................................................43
Figura3.3Momentomagnticoindividualdosncleosdetecidobiolgicocolocadosnumcampomagnticointenso(retiradode
(Doyon,Cabanisetal.2001)).............................................................................................................................................................43
Figura3.4MagnetizaonucleartotalzportadordeBu
(retiradode(Doyon,Cabanisetal.2001)).............................................44
Figura3.5Evoluodomomentomagnticolongitudinal
(retiradode(Doyon,Cabanisetal.2001))............................................45
Figura3.6Evoluodomomentomagnticotransversal
(retiradode(Doyon,Cabanisetal.2001)).............................................46
Figura3.7Sequnciaelementardespin,compostadeumimpulsodeRFa90seguido,apsumintervalodetempo,deoutroa
180(retiradode(Doyon,Cabanisetal.2001)).................................................................................................................................47
Figura3.8CortedocrebroemponderaoT1
(retiradode(Doyon,Cabanisetal.2001))...........................................................48
Figura3.9CorteaxialdocrebroemponderaoT2
(retiradode(Doyon,Cabanisetal.2001))...................................................48
Figura3.10CorteaxialemponderaoDPdocrebrodedoentecomEM(retiradode(Doyon,Cabanisetal.2001)).................49
Figura 3.11 Imagem por ressonncia magntica cerebral de doente com EM: (a) T2, (b) DP,

(c) T2 FLAIR, (d) T1 (retirado de
(DugasPhocion,Gonzlezetal.2004))..............................................................................................................................................50
Figura3.12Artefactodevidoaomovimentododoente
(retiradode(Doyon,Cabanisetal.2001))...............................................51
Figura3.13Artefactodevidoaumobjectometlico
(retiradode(Doyon,Cabanisetal.2001))....................................................51
Figura3.14Artefactodevidosinterfernciasferromagnticas(buraconegronacavidadeocular)(retiradode(Doyon,Cabaniset
al.2001))............................................................................................................................................................................................52
Figura4.1Descrioexemplificativadasquatroetapastpicasparaoalinhamentodeimagens(retiradode(Zitov,Flusseretal.
2005))................................................................................................................................................................................................61
Figura 4.2 Mediante algumas transformaes a moving image mapeada para o espao da fixed image (retirado de (Ibnez,
Schroederetal.2005)).......................................................................................................................................................................61
Figura4.3Diagramailustrativodoesquemadebasegeralparaoalinhamentodeimagens(adaptadode(Yoo2004))................62
Figura 4.4 Representao da probabilidade de pertencer s trs classes: (a) Matria branca, (b) Matria cinzenta, (c) Fluido
crebroespinal(retiradode(DugasPhocion,Gonzlezetal.2004))................................................................................................65
Figura 4.5 Cinco imagens de crebros, com pontos de correspondncia identificados manualmente (retirado de (Johnson and
Christensen2002)).............................................................................................................................................................................66
Figura4.6Sulcosextradosdohemisfrioesquerdodocrebrodeumsujeito(retiradode(Hellier,Barillotetal.2003))............68
Figura4.7Exemplodosdiferentespassosusadosnaextracodepontosextremosquandoaisosuperfcieaproximadaaum
tringulo(retiradode(Thirion1996))................................................................................................................................................71
Figura4.8Histogramatericodosvxeisdeumaimagemalinhadacujosvxeiscorrespondentesnaimagemrefernciatmo
mesmonveldecinzento(retiradode(Nikou,Heitzetal.1999))......................................................................................................75
Figura 4.9 Medida de similaridade: As duas imagens por RM esquerda so de um doente com EM; A imagem da direita a
resultantedasubtracodasprimeirasduasimagens(retiradode(ThirionandCalmon1997))......................................................76
Figura4.10HCdasobreposiodevolumesdeimagensporRMedeCTcerebrais(retiradode(Maes,Collignonetal.1997))...80
Figura4.11Histogramasconjuntos2DparaidnticasimagensporRMdacabea(retiradode(Pluim,Maintzetal.2003)).........81
Figura4.12EntropiasenvolvidasnacombinaodeduasimagensAeB(adaptadode(Studholme,D.L.G.Hilletal.1999))........83
Figura4.13Exemplodetransformaes2Ddaimagem,combinandodomnioetipodetransformaes(retiradode(Elsen,Polet
al.1993))............................................................................................................................................................................................85
Figura4.14Imagensmdiasproduzidasapsalinhamento(a)rgido,(b)afime(c)nolineardeimagensporRMdeindivduos
normais(adaptadode(Hill,Batcheloretal.2001))...........................................................................................................................86
Figura4.15Exemplodealinhamento:(a)ImagensporRMdeumdoentecomEM,(b)Imagensdomesmodoenteadquiridasdois
mesesmaistarde,(c)Alinhamentorgidoobtido(retiradode(Rey,Subsoletal.2002))..................................................................88
Figura4.16Exemplodegrelhadedeformaoapsumalinhamento(retiradode(KybicandUnsery2003))...............................90
Pgina10de200
Figura 4.17 Ilustrao da estratgia de alinhamento por blocos correspondentes num corte de imagem por RM (retirado de
(Ourselin,Rocheetal.2000)).............................................................................................................................................................92
Figura4.18Identificaodeestruturasanatmicascorrespondentes(retiradode(KybicandUnsery2003))...............................93
Figura4.19Estratgiasdeoptimizaodeinformaomtuanumsubespaodeparmetros2Datravsdealinhamentoptimo
(retiradode(Maes,Vandermeulenetal.1999))................................................................................................................................96
Figura4.20Campodedeslocamentoemredordalesocalculadopeloalinhamentoentreasduasimagensdaesquerda(retirado
de(Rey,Subsoletal.2002))...............................................................................................................................................................99
Figura4.21Ilustraodacorrecotopolgicaexecutada(retiradode(KaraaliandDavatzikos2004)).....................................100
Figura4.22Alinhamentonorgidodeimagenspor RMdedoisdoentesdiferentes (retiradode (Noblet, Heinrichetal.2005)).
.........................................................................................................................................................................................................100
Figura4.23Visualizaodocampodedeformaonumamalharegularlocalizadanoplanointerhemisfrico:(a)Imagemfonte,
(b)Grelhadeformadasemqualquerlimitao,(c)GrelhadeformadacomumconstrangimentopositivonoJacobiano ([ > u),(d)
Grelhadeformadacomumconstrangimentou.S < [ < 2(retiradode(Noblet,Heinrichetal.2005))..........................................101
Figura4.24Ilustraodoalinhamentodeduascurvascomsupercurva(retiradode(XiaandLiu2004))................................101
Figura4.25AlinhamentodeimagemcomponderaoemDPcomoutraponderadaemT1(retiradode(XiaandLiu2004)).....102
Figura4.26ExemplodealinhamentocomBSplineshierrquicas(retiradode(XieandFarin2004))..........................................102
Figura 4.27 Alinhamento robusto de imagens 2D de uma mesma modalidade para a anlise da evoluo das leses de EM
(retiradode(Nikou,Heitzetal.1999))............................................................................................................................................103
Figura4.28Detecodealteraesemimagensmultimodaisconsiderandoummodeloestatsticodasintensidadesnumajanela
(ws)3Dcentradaems(retiradode(Bosc,Heitzetal.2003)).........................................................................................................104
Figura4.29DetecodealteraesempequenaslesesdeEM(retiradode(Rousseau,Faisanetal.2007)).............................105
Figura 4.30 Mapas contendo a proporo dos diferentes tecidos: a) Matria branca, b) Matria cinzenta, c) Lquido cfalo
raquidiano(retiradode(Bricq,Colletetal.2008))..........................................................................................................................105
Figura4.31InterfacedosistemacomputacionalSPM..................................................................................................................106
Figura4.32Funoems_mireg.m.................................................................................................................................................107
Figura4.33InterfacedopacotedesoftwareVelocityAI................................................................................................................108
Figura4.34SelecodafunoparaalinhardiferentessequnciasdeimagensporRMdomesmoexame................................109
Figura4.35InterfaceparaoalinhamentodeimagensdaaplicaoMeVisLab.............................................................................110
Figura4.36InterfacedaaplicaoiMIPS.......................................................................................................................................111
Figura4.37Funoregister2d.m...................................................................................................................................................111
Figura4.38ExemploderesultadosobtidoscomosistemacomputacionalImageRegistration...................................................112
Figura4.39AutomaticRegistrationTooldaPHILIPS.....................................................................................................................112
Figura4.40Resoluodoalinhamentodeimagenscom3DSlicer................................................................................................113
Figura4.41AplicaoBrainRegisterdoBioImageSuite...............................................................................................................114
Figura4.42PluginTurboRegparaaaplicaoImageJ...................................................................................................................114
Figura5.1Corteaxialdasamostrasescolhidasparaesteestudo.................................................................................................120
Figura5.2Histogramadedistribuiodeintensidadesdasamostrasescolhidasparaesteestudo..............................................122
Figura5.3InterfacegrficadoCMakeverso2.8.0......................................................................................................................123
Figura5.4Exemplodeumaestruturadepipelineusadaparaoalinhamento(retiradode(Ibnez,Schroederetal.2005))........124
Figura5.5Diagramadeheranadaclasseitk::ImageIOBase........................................................................................................126
Figura5.6Pipelineusadoparaoalinhamentodasimagens..........................................................................................................139
Figura5.7ExemplodeumagrelhaBSplinecomasdeformaesnosns(retiradode(Ibnez,Schroederetal.2005)).............140
Figura 5.8 Imagens com desalinhamento conhecido: (a) Imagem original, (b) Com translao de 13 mm em x, 17 mm em y e
rotaode10,(c)Comtranslaode13mmemx,17mmemy,rotaode10efactordeescala12,(d)Comtranslaode13
mmemxe17mmemy,(e)comescaladistinta(181x217pxeis)..................................................................................................145
Figura5.9Alinhamentodasimagensdoconjunto(1)algoritmo(A):(a)Mtrica,(b)nguloderotao,(c)Translaes.........150
Figura5.10Alinhamentodasimagensdoconjunto(1)algoritmo(B):(a)Mtrica,(b)nguloderotao,(c)Translaes........150
Figura5.11Alinhamentodasimagensdoconjunto(1)algoritmo(C):(a)Mtrica,(b)nguloderotao,(c)Translaes........150
Figura5.12Alinhamentodasimagensdoconjunto(1)algoritmo(D):(a)Mtrica,(b)nguloderotao,(c)Translaes.......150
Figura5.13Alinhamentodasimagensdoconjunto(1)algoritmo(E):(a)Mtrica,(b)Campodedeformao..........................151
Figura5.14Alinhamentodasimagensdoconjunto(1)algoritmo(F):(a)Mtrica,(b)Campodedeformao..........................151
Figura5.15Alinhamentodasimagensdoconjunto(2)algoritmo(A):(a)Mtrica,(b)nguloderotao,(c)Translaes.......153
NDICEDEFIGURAS
Pgina11de200
Figura5.45Pipelineparaoalinhamentodasimagensusandooalgoritmodesenvolvido............................................................173
Figura 5.46 Alinhamento resultante: (a) Imagem mvel aps o alinhamento, (b) Diferenas entre as imagens original e mvel
apsalinhamento............................................................................................................................................................................185
Figura5.47Alinhamentodasimagensdoconjunto(1):(a)Mtrica,(b)nguloderotao,(c)Translaes...............................185

Pgina12de200
NDICEDETABELAS
Pgina13de200
NDICEDETABELAS
Tabela5.1Caractersticasdasimagensusadas.............................................................................................................................121
Tabela5.2ClassesdoITKparaimplementartransformaes,mtricas,interpolaeseoptimizadores.....................................129
Tabela5.3CaractersticasetcnicasgenricasdosexemplosdisponveisnaversoanalisadadoITK........................................131
Tabela5.4PrincipaistarefasdesempenhadaspelosexemplosdisponveisnaversoanalisadadoITK.......................................133
Tabela5.5ClassesdoITKparaimplementaralgunsdosalgoritmosusadasnoalinhamento.......................................................135
Tabela5.6LinhasaalteraremDeformableRegistration2.cxxpararealizaralinhamento3D........................................................136
Tabela5.7Conjuntodeimagensaalinharediferenasiniciaisentreelas....................................................................................144
Tabela5.8Resultadodoalinhamentodasimagensdoconjunto(1)pelosalgoritmos(A)a(F)....................................................148
Tabela5.9Parmetrosdesadafinaisproduzidospeloalinhamentodasimagensdoconjunto(1).............................................149
Tabela5.10Resultadodoalinhamentodasimagensdoconjunto(2)pelosalgoritmos(A)a(F)..................................................152
Tabela5.11Parmetrosdesadafinaisproduzidospeloalinhamentodasimagensdoconjunto(2)...........................................153
Tabela5.20Parmetrosdesadafinaisproduzidospeloalgoritmodesenvolvido........................................................................185

Pgina14de200
ACRNIMOS
Pgina15de200
ACRNIMOS
AIRautomatedimageregistration
ANIMALautomaticnonlinearimagematchingandanatomicallabeling
CCcoeficientedecorrelao(correlationcoefficient)
CMakecrossplataformmake
cMIinformaomtuacondicional(conditionalmutualinformation)
CTtomografiacomputorizada(computedtomography)
DICOMcomunicaodeimagensdigitaisemmedicina (digitalimagingandcommunications
inmedicine)
DPdensidadedeprotes(protondensity)
ECentropiaconjunta(jointentropy)
EMesclerosemltipla(multiplesclerosis)
EMPP (ou PPMS) esclerose mltipla primria progressiva (primary progressive multiple
sclerosis)
EMPR (ou PRMS) esclerose mltipla progressiva recorrente (progressive relapsing multiple
sclerosis)
EMRR (ou RRMS) esclerose mltipla recorrente remissiva (relapsing remitting multiple
sclerosis)
EMSP (ou SPMS) esclerose mltipla secundria progressiva (secondary progressive multiple
sclerosis)
EMSexpectationmaximizationsegmentation
FFDdeformaodeformalivre(freeformdeformation)
FLAIRfluidattenuatedinversionrecovery
FRFSEfastrecoveryfastspinecho
Hentropiamarginal(marginalentropie)
HAMMERhierarchicalattributematchingmechanismforelasticregistration
HChistogramaconjunto(jointhistogram)
HMChiddenmarkovchain
ICPiterativeclosestpoint
IMinformaomtua(mutualinformation)
IRMfimagemporressonnciamagnticafuncional(functionalmagneticresonanceimaging)
IRTKimageregistrationtoolkit
ITKinsighttoolKit
LCRlquidocefalorraquidiano(cerebrospinalfluid)
MSDmdiaquadradadasdiferenas(meansquareddifference)
NEMAnationalelectricalmanufacturersassociation
NMIinformaomtuanormalizada(normalizedmutualinformation)
PETtomografiaporemissodepositres(positronemissiontomography)
RFradiofrequncia
RMNressonnciamagnticanuclear(nuclearmagneticresonance)
RMSrootmeansquared
SNCsistemanervosocentral(centralnervoussystem)
SNPsistemanervosoperifrico(peripheralnervoussystem)
Pgina16de200
SPECT tomografia por emisso monofotnica (single photon emission computed
tomography)
SPMstatisticalparametricmapping
SSDsomadosquadradosdasdiferenas(sumofsquareddifference)
TEtempodeeco(echotime)
TPSthinplatesplines
TPSRPMthinplatesplinerobustpointmatching
TRtempoderepetio(repetitiontime)
VTKvisualizationtoolkit
CAPTULOIIntroduoDissertaoesuaestrutura

Pgina18de200
1.1.
A
ferra
tanto
image
frequ
result
cada
conce
opera
D
huma
ofere
posit
magn
(corte
(sequ
partic
asim
U
como
2010
saxn
image
difere
senso
entre
minim
uma
quep
Main
esque
espac
A
prtic

Enquad
A imagiologia
mentas colo
o no auxlio
ensemduas
uentemente
tado, a cres
doente mas
eber mtod
ador)paraa
Determinada
ano, como p
ecemumace
res (PET)
ntica funcio
e radiolgic
unciasecog
cularidadesd
magensresult
Uma das prin
oestudoeo
).Esteprobl
nica surge g
ens, ou me
enasdevido
ores, etc.), o
e as imagen
mizadas (Bro
transforma
permitemap
tz and Vie
ematicamen
cialdoponto
Figura
A necessidad
cos nas ma
dramento
a mdica, na
ocadas ao se
ao diagns
soumaisdim
dificuldades
scente quant
s origina um
dos automt
anlise,opr
s modalidad
por exemplo
essoaometa
ou mesmo
onais (IRMf)
co convencio
grficastridim
dasdiversas
tantesdecad
ncipais taref
otratamento
emaconhe
eralmente i
esmo uma
o,porexemp
o alinhament
ns de tal f
own 1992). A
o espacial
pearpontos
ergever 199
nte na Figura
onumasegu
a1.1 Represent
de de efectu
ais diversas
a actualidade
ervio dos m
stico como
menses,dev
s no esclare
tidade de da
tempo de e
ticos ou sem
rocessament
des de imag
o as imagens
abolismobio
a informa
(Nikou, He
onal) ou tri
mensionais).
modalidade
daumadelas
fas existente
odediversas
ecidoporali
dentificado
sequncia d
plo,aoproce
to fundamen
forma que
A finalidade
entre duas o
deumadela
8; Hajnal,
a 1.1, onde
ndaimagem
taoesquemti
uar o alinha
reas, inclu
e, desempen
mdicos, e u
na deciso
vemaindase
ecimento de
ados permit
estudo supe
miautomti
toeainterp
ens mdicas
s por resson
olgicodos
es funcion
eitz et al. 19
idimensiona
Distosobre
es,frequen
s.
es no proces
simagensnu
nhamentod
pelos termo
delas de u
essodeaquis
ntase em te
as discrep
do alinhame
ou mais ima
asparaosho
Hill et al.
I a trans
m.
cadoconceitode
amento de
uindo a m
CAPTULOIIn
nha um imp
usadas na ex
da teraput
erinterpreta
determinad
te entender
rior, o que o
icos (com u
retaodas
s permitem
nncia magn
rgos,como
nais, como
999). Certas
is (as de R
essaique,pa
tementenec
samento de
umreferenci
deimagens,s
os registratio
ma mesma
sio(diverg
entar obter
ncias exist
ento resume
agens, de mo
omlogosna
2001). Est
formao qu
ealinhamento(re
imagens ap
dica, sendo
ntroduoDisse
ortante pap
xplorao do
tica. Uma v
adaseexami
das estrutur
melhor o c
ocasiona um
uma interve
imagens.
aceder an
ntica (RM),
oatomograf
as imagens
imagens s
RM) e at t
raosmdico
cessriocom
imagens m
alcomum(K
sendoquena
on ou alignm
estrutura,
nciatempo
uma relao
tentes sejam
ese assim
odalidades ig
aoutra(Else
te conceito
ue interpret

etiradode(Yoo2
arece em m
nesta ltim
ertaoesuae
Pgina19de2
pel na panp
o corpo hum
vez adquirid
inadas,oque
ras presente
caso especfi
ma necessida
eno mnim
natomia do
enquanto o
fiaporemiss
por resson
o bidimens
tetradimens
osusufrure
mpararecom
dicas, pren
Klein,Staring
aliteraturaa
ment. Dadas
que aprese
oral,dengu
o de concord
m eliminada
determina
guais ou dist
en,Poletal.
represe
ta o mapeam
2004)).
muitos prob
ma comumm
strutura
200
plia de
mano,
as, as
egera
s. Em
co de
de de
ma do
corpo
outras
sode
nncia
ionais
ionais
mdas
mbinar
ndese
getal.
anglo
s duas
entam
ulo,de
dncia
as ou
o de
tintas,
1993;
ntado
mento
lemas
mente
Alinham
neces
difere
temp
para
image
para
aquis
estru
de ca
virtua
D
serp
seja,
tamb
P
image
ser c
expe
cinze
image
verifi
F
N
defin
alinha
espa
aosis
image
coloc
(em
entan
perfe
mentodeEstrutu

ssrio para
entes senso
pos ou circun
inferir infor
ensnecess
fundir (fus
siodeimag
turas,parap
asos previam
ais,etc.(Hajn
Derealarqu
recisos,robu
aplicveis a
bmserauto
Para melhor
enscerebrai
orrespondid
e esta ltim
nto nos can
em fonte e
candosena
(a)
Figura1.2Exem
alinhamento,(
Nareamdi
irodiagns
adas permit
adasnotem
stemadeim
ens. Neste c
cao em co
imagens trid
nto, a mai
eitamenterg
urasemImagens
a integra
ores/modalid
nstncias dis
rmao 3D (
srio,porex
sion) a info
gem,param
prepararinte
mente estud
nal,Hilletal
ueparaserc
ustos,isto,
a divergente
omticoser
entender o
is,(a)e(b),o
a (imagem f
ma j alinha
tos). Nas im
e a de refe
representa
(b)
mplodealinhamen
(d)Diferenaorig
ica,pelaan
ticodealgum
te apoialos
mpodeuma
agem,logo,
caso, o alinh
orrespondnc
dimensionais
oria das e
gidas.
Mdicas:Estudo
o das info
dades, para
stintos, para
(Brown 1992
emplo,para
rmao com
monitorizaro
ervenesci
dados (Atlas
.2001).
linicamente
,adaptveis
s situaes
pidos.
o alinhamen
obtidosatrav
fixa) pela (b
ada aps a
magens (d) e
erncia ante
odadireit
ntodeimagensd
ginal,(e)Diferen
lisevisualde
maspatolog
numa anli
estruturarg
assuassuce
hamento con
cia dos pxe
s 3D) que
estruturas, e
,Desenvolvimen
ormaes f
encontrar d
a reconhecer
2). Basicame
aestudarae
mplementar
tamanho,a
rrgicas,par
s), para esta
til,osalgor
adiferentes
(Loi, Domin
to de image
vsdeuma
b), ou seja, e
aplicao d
(e), aparece
es do alinha
a,asobrepo
(c)
docrebro:(a)Im
aapsalinhame
eimagensor
gias,masoe
se mais pre
gida,estara
essivasrepre
nsiste em ca
is (em imag
e representa
especialmen
toeAplicao
funcionais e
diferenas e
r estruturas
ente, na re
evoluodeu
obtida por
formaeav
racomparar
abelecer cor
ritmosdeali
sgrausded
ietto et al.
ens, a Figur
mesmamod
esta a ima
das transfor
em, respecti
amento e a
osiodasdu
magemfonte,(b)
ento(retiradode
riginais,osm
estudodasm
ecisa e robu
ramentetem
sentaeses
alcular a tra
ens bidiome
am pontos f
nte no cam
e/ou anatm
ntre imagen
baseandose
ea mdica, o
umapatolog
r diferentes
ariaoaolo
umdadoca
rrespondnc
nhamentod
esalinhamen
2008). Ideal
ra 1.2 mostr
alidade.Aim
agem a alinh
rmaes env
vamente, a
aps o mes
uasimagens.
(d)
Imagemaalinha
(Ibnez,Schroed
mdicostm
mesmasimag
sta. De fact
mumaposi
stolocalizad
nsformao
ensionais 2
fisicamente
mpo da me
Pgina20de2
micas obtida
ns adquirida
e em model
o alinhamen
gianumindiv
modalidade
ongodotem
asocomuma
cias com mo
deimagensd
nto,eflexve
lmente, dev
ra dois cort
magem(a)te
har. A image
volvidas (zo
diferena en
smo alinham
(e)
r,(c)Imagemap
deretal.2005)).
apossibilida
gensdevidam
to, nas aqui
ofixaemre
dasemdifer
o que possib
2D) ou dos v
equivalente
edicina, no
200
as de
as em
los ou
nto de
vduo,
es de
mpode
abase
odelos
devem
eis,ou
veriam
tes de
emde
em (c)
nas a
ntre a
mento,
s
adede
mente
sies
elao
rentes
ilita a
vxeis
es. No
o so
Pgina21de200
1.2. Motivaoeobjectivos
EstaDissertaoabordouaproblemticadoalinhamentodeimagensdedoentesatingidos
por esclerose mltipla (EM) ou esclerose em placas. Esta doena neurolgica crnica, de
causas ainda pouco conhecidas e com sintomas que rapidamente podem limitar a qualidade
de vida do doente, bastante generalizada em jovens adultos nos pases ocidentais
(Kutzelnigg,Lucchinettietal.2005).AsimagensporRMpermitemumaboadiscriminaodos
tecidos moles na identificao de leses (Yoo 2004), sendo usadas pelos mdicos para a
obteno de elementos complementares aos exames clnicos, por exemplo, para a
confirmao de diagnstico, para a avaliao dos tratamentos e para o auxlio anlise da
evoluotemporaltpicadapatologiaemestudo.
Aprincipalmetadefinidanestetrabalhofoideproceder,atravsdautilizaodeimagens
porRM,aoalinhamentodeestruturasrepresentadasnestetipodeimagens,quandosujeitasa
modificaes temporais. O mapeamento assim essencial para a extraco de informao
objectiva e quantitativa, tal como, sobre o volume de um tumor ao longo do tempo (Brown
1992). Para o caso da EM, a variao temporal (anatmica ou patolgica) anual esperada das
leses de cerca de 5 a 10% (Hajnal, Hill et al. 2001), com flutuaes mensais, isto ,
variabilidade biolgica, de 10 a 20% (Grimaud, Zhu et al. 2002). Por este motivo, a medio
quantitativadosefeitosdestadoenaindispensvel(Grimaud,Zhuetal.2002),eimportante
para o conhecimento da quantidade de leses presentes e quantas dessas surgem ou
desaparecem entre duas aquisies sucessivas de imagem. Desta forma, possvel obter
dados da carga/volume de leses, bem como, sobre a sua evoluo temporal e da, por
exemplo,melhorentenderapatologiaoumediraeficciadeumtratamento.
Nestetrabalho,pretendeuseespecificamente:
Estabelecer os parmetros importantes no estudo do alinhamento de estruturas
emimagensmdicas;
Identificar, estudar e apresentar algumas metodologias computacionais
usualmente aplicveis ao alinhamento de estruturas em imagens mdicas do
crebro;
Explorar as vantagens e os inconvenientes de algumas das metodologias
computacionais estudadas, dando especial nfase s mais adequadas para o
diagnstico e o acompanhamento dos doentes com esclerose mltipla a partir de
imagensporressonnciamagntica;
Analisar, descrever e ensaiar algumas das implementaes computacionais
disponveis, com dados simulados e em casos experimentais reais, usando a
biblioteca computacional de domnio pblico Insight ToolKit (ITK), que
consideradafrequentementenestareadaanlisedeimagemmdica;
Desenvolver, com o auxlio da biblioteca ITK, um algoritmo para testar o
alinhamento de imagens por RM obtidas aquando do acompanhamento da
evoluodaslesesdeesclerosemltiplaemdoentes.
Pgina22de200
Para o cumprimento dos objectivos referidos estiveram sempre presentes as
consideraesseguintes:
Actualmente,existemdiversasferramentasoupacotesdesoftware,queefectuam
ouincluemapossibilidadederealizaroalinhamentodeimagens(verseco4.5);
Aesclerosemltiplaumapatologiadeelevadaprevalnciaedegrandeimpacto
namortalidadeemtodoomundo,especialmentenosjovensadultos;
Ter como propsito oferecer comunidade cientfica, no trmino desta
Dissertao, uma ferramenta funcional que contribua no auxlio ao diagnstico e
ao acompanhamento, eficiente e gil, de doentes portadores de esclerose
mltipla.Assim,esperouseobterumasoluotilevivelparaoalinhamentode
estruturasemimagensmdicas.
Assim, a motivao deste trabalho resultou da necessidade em desenvolver, aplicar,
ensaiar e analisar metodologias computacionais para alinhar estruturas representadas em
imagens mdicas, e da indispensabilidade em obter tcnicas robustas para alcanar
alternativasaoalinhamentomanual,queumatarefatediosa,consumidorademuitotempo,
no confivel e no repetvel. Com a concluso deste projecto, pretendeuse apresentar um
complemento aos estudos mdicos no auxlio ao diagnstico e ao acompanhamento de
doentescomEM.
1.3. Planodetrabalho
Ametodologiaadoptadaparaarealizaodestetrabalhobaseouse,primordialmente,nas
seguintesetapas:
Reviso bibliogrfica dos conceitos associados anlise e processamento de
imagem,emparticularnoalinhamentodeimagens;
Estudodaesclerosemltipla;
Anlise detalhada de tcnicas e algoritmos usualmente aplicados no alinhamento
deimagensmdicas;
EstudodalinguagemC
++
edabibliotecaITK;
Anlise,descrioeensaiodeimplementaescomputacionaispresentesnoITK;
Desenvolvimento e teste de um algoritmo para o alinhamento de imagens de
doentescomesclerosemltipla;
RedacodesterelatriodeDissertao.
Pgina23de200
1.4. Estruturaorganizativa
O presente documento encontrase dividido em vrios captulos, que abordam desde
conceitostericos,aresultadosexperimentaisdautilizao/implementaodealgoritmos.
Aps esta primeira seco, na qual foi elaborada uma introduo ao trabalho
desenvolvido, aos seus objectivos e estrutura adoptada para esta Dissertao, surge o
captuloseguinte,comottuloEsclerosemltipla,quedeumaformasucintaapresentauma
descriodapatologiaabordada,permitindoassimentenderasmotivaesqueconduziram
utilizao de tcnicas computacionais para o alinhamento de imagens de ressonncia
magntica cerebrais. De seguida, introduzse sumariamente as imagens por ressonncia
magnticacomafinalidadedeperceberasuaformao,decaracterizaroseucontedoede
entenderasuarelaocomadoenaconsiderada.Seguidamente,procedesedescriodos
diversos aspectos relacionados com o alinhamento de imagens, articulando estes propsitos
em torno dos critrios que permitem caracterizar os mtodos computacionais analisados.
Depois,surgeapartedestaDissertaodedicadaaoensaioexperimentaldealgoritmosparao
alinhamento de imagens cerebrais de doentes com esclerose mltipla tendo por base a
biblioteca ITK. Este captulo incorpora ainda uma apresentao, na forma de mapas
estatsticos,ediscussodosprincipaisresultadosobtidos.Paraterminar,incluiseocaptuloVI
no qual apresentada uma apreciao global do trabalho desenvolvido e abordadas algumas
propostas/perspectivasparadesenvolvimentofuturo.
O presente relatrio encontrase estruturado de modo a que os conceitos e resultados
apresentados possam ser correctamente interpretados, tendo por base a informao
precedente. Assim, os trs captulos seguintes, apresentam os fundamentos tericos (estado
da arte) nos quais todo este trabalho se alicera. Desta forma, esta Dissertao aparece
constitudapelosseguintescaptulos:
CAPTULOIIntroduoDissertaoesuaestrutura;
CAPTULOIIEsclerosemltipla;
CAPTULOIIIImagemporRessonnciaMagntica;
CAPTULOIVTcnicasdeAlinhamentodeImagensMdicas;
CAPTULOVAnliseexperimental;
CAPTULOVIConsideraesfinaisePerspectivasfuturas.
1.5. Principaiscontribuies
As principais contribuies que resultam deste projecto enquadramse por um lado, num
plano terico, onde se insere o trabalho de anlise e sntese realizado a partir do estudo da
bibliografia relevante s temticas abordadas, e por outro, num aspecto prtico, onde se
incluem as tarefas de mbito experimental realizadas. Desta forma, podese destacar que as
contribuiesalcanadascomestetrabalhoprendemseessencialmentecom:
Pgina24de200
A contextualizao das etapas e das metodologias para o alinhamento de
estruturasemimagensmdicasdedoentescomesclerosemltipla;
Olevantamentodesoluescomputacionaisparaestarea;
O ensaio, a aplicao e a comparao de metodologias genricas e usuais para o
alinhamento de estruturas representadas em imagens de doentes com esclerose
mltipla;
O desenvolvimento baseado na utilizao da biblioteca ITK, de um algoritmo para
testar o alinhamento de imagens por ressonncia magntica obtidas de doentes
comesclerosemltipla.
CAPTULOIIEsclerosemltipla

Pgina26de200
2.1.
A
serai
mais
forma
a info
patol
mieli
nervo
cicatr
doen
doen
progr
O
entre
de m
exem
com
acarr
N
dime
amar
doen
distin
branc
(b), a
desm
uma

Introdu
A esclerose m
indanotot
comum do
adopeloenc
ormao sen
ogia caracte
na, que des
osas do siste
rizes que se
aquenorm
a desmieli
ressiva(Mur
Ossintomasd
e pessoas, e
manifestao
mplo,afraqu
maisde45a
retar,entreo
Na EM, o n
nso, de alg
relada ou cin
teparaoutr
ntas. A Figu
cas)maisge
as zonas de
mielinizao,
substncian
uo
mltipla (EM
talmentecon
sistema ner
cfaloepela
nsorial e de
erizase esse
empenha fu
ema nervoso
formam dep
malmentepre
nizante reco
ray2005).
daesclerose
afectando p
da doena,
ezamuscula
anosseque
outras,apar
mero, a mo
guns milmet
nzenta rosad
rooumesmo
ra 2.1 most
nricasdae
e elevado si
termo usad
namatriabr
Fig
M), patologia
nhecidos,con
rvoso centra
amedulaesp
controlo da
ncialmente
nes impo
o central. Mi
pois de pass
evaleceemd
orrente da
emltiplapo
praticamente
, desde o co
araoesforo
ixam(Clanet
alisiademem
orfologia, fre
tros a vrios
da, podem v
oentredifere
tra no plano
sclerosem
inal visveis
o para defin
rancaqueiso
gura2.1Aspect
(retiradode
com muitos
nsistenado
al (SNC) (Wa
pinal,sendo
as ordens m
pela destrui
rtantes nas
ilhes de tec
sada a inflam
doentesno
matria bra
odemserbas
e todas as fu
ontrolo dos
ogeralmen
tandLyonC
mbrosoume
equentemen
s centmetro
variar no tem
entescortes
o axial, algu
ltiplanocr
na substn
nir a perda
olaastermin
totpicodaslese
(Doyon,Cabanis
s aspectos c
enainflama
attjes and B
ocentrode
motoras da
o ou pelo
trocas inter
cidos nervos
mao so co
inciodaida
anca no SN
stantegrave
unes biol
movimento
nteoprimeir
Caen1998).A
esmoaperd
nte ovular, a
os de dimet
mpo (Clanet
imagiolgic
umas das fo
rebro.Porex
ncia branca
ou a danific
naesdosn
esdeEMnocre
setal.2004)).
CAPTUL
omplexos e
atria/desmi
arkhof 2009
comandoqu
das aos m
endurecime
neuronais e
sos podem s
onhecidas po
deadulta.A
C, que gera
s,variandos
gicas de aco
os percep
osintomad
Assim,asua
adaviso.
a localizao
tro, e a colo
and LyonCa
osobtidosat
rmas (assina
xemplo,nest
subcortical
ao das ba
nervos.
bro
LOIIEsclerose
Pgina27de2
que continu
ielinizantecr
9). Este siste
ueinterpreta
sculos. A re
ento da bain
recobre as
ser afectado
or esclerose
Assim,aEM
almente se
significativam
ordo com a f
o sensoria
oqualosdo
aprogresso
o (Brown 19
orao das le
aen 1998), d
travsdet
aladas com
tafigura,em
so as re
ainhas de m
mltipla
200
uam a
rnica
ema
atoda
ferida
nha de
fibras
s e as
e, uma
uma
torna
mente
forma
al. Por
oentes
opode
92), a
eses,
de um
cnicas
setas
m(a)e
as de
ielina,
Alinham
A
adult
comu
super
E
conte
preva
finald
2.2.
Je
proce
comp
patol
autp
cinze
tremo
como
deriv
mead
D
impo
mentodeEstrutu

Aps a epile
tos, iniciando
um os 30 an
riornasmulh
Este captul
extualizao
alnciasetip
docaptulo,
Noes
eanMartin
edeu em 18
pleta,Figura
ogia actualm
psia de jove
ntas espalh
ores dos da
o sendo bast
a do germ
dosdosculo
Figura2.2Retra
(retirado
De salientar
rtantesnoa
Ades
que
nervo
parte
impu
contr
A pro
neuro
urasemImagens
psia, a EM
ose geralme
nos, atingind
heres(Murra
o aborda
histrica da
pos,efinalm
apresenta
shistrica
Charcot, Fig
868, conjun
2.3,comlim
mente conh
ens doentes
adas na me
a Doena de
tante raros
nico multip
oXX(Murray
atodeJeanMart
de(Murray2005
que, na su
ctualestudo
struioouo
a bainhais
osasequep
es do corpo
lsos ao cre
rolodevrias
oliferao d
onaisdosiste
Mdicas:Estudo
considerad
ente entre o
do ambos os
ay2005).
a esclerose
a patologia,
mentetermin
daumasnte
as
gura 2.2, ne
tamente co
mitesbastant
ecida por e
que sofriam
edula espina
e Parkinson,
e nomeouo
len sklerose
y2005).
tinCharcot
5)).
a anlise Ch
odaEM,tais
oendurecim
solante const
ermiteacele
, sendo que
ebro ao nerv
sfunesorg
e fibras e d
emanervoso
,Desenvolvimen
da a doena
os 15 e os 5
s sexos, mas
e mltipla.
depois proc
nasecoma
esedainform
eurologista
om Edm V
teimprecisos
sclerose m
m de tremor
al e no cr
Charcot ap
os de sclros
e e foi apen
Figura
harcot estab
como(Murr
mento,ousej
titudaporg
eraratransm
e este forta
vo ptico e
gnicas,tais
de ncleos d
ocentralque
toeAplicao
a neurolgic
50 anos, ap
s com uma p
Assim, in
edese sua
definiodo
maoexpos
francs que
ulpian, p
s(Grimaud,Z
ltipla. Isto s
res e de par
ebro. De fo
presentouos
se en plaque
nas aceite p
a2.3Ilustrae
(retirado
beleceu aind
ray2005):
jaatransfor
gordurasque
missodosim
alecimento i
medula e
comoavis
das clulas
edosuport
ca que mais
resentando
prevalncia
nicialmente
a descrio,
oscritriosd
sta.
e viveu ent
rimeira desc
Zhuetal.20
sucedeu ap
ralisias, a pr
orma a sepa
nas suas d
e. O termo e
ela generali
esdaslesesdesc
ode(Murray200
da muitas d
maoemp
eenvolvea m
mpulsosnerv
nterfere na
espinal, dific
o,oandare
da glia, que
eenutrio
Pgina28de2
s afecta os j
como idade
duas a trs
efectuase
incluindo ca
dediagnstic
tre 1825 e
crio histo
002),dasles
s contemp
resena de p
arar este tip
descries in
esclerose m
idade a par
critasporCharco
05)).
das caracter
placas,dam
maioriadas
vosossrest
transmiss
cultando ass
eofalar;
e so clula
aosneurni
200
ovens
e mais
vezes
uma
ausas,
co.No
1893,
olgica
esda
lar na
placas
po de
niciais,
ltipla
rtir de
t
sticas
ielina,
fibras
tantes
o dos
sim, o
s no
ios.
A
doen
origin
Figur
A
const
ocorr
actua
trans
variad
(Clan
E
EMe
como
preva
Medi
D
excep
indiv
pas d
1998
M
introd

Antes de Cha
a.Destes,d
nal demonst
a2.4.
Ao longo do
tantes e va
rendo, essen
alidade os es
smitidadepa
dos tipos de
etandLyon
Em 1938, G.
estavaassoci
o no norte d
alncia para
iterrneoou
Da associa
pcional na
duonegro,
de incidnci
;Murray200
Mesmo com
duzidos na c
arcot, outro
devesereal
trao da p
Figur
sculo e me
ariados, dep
ncialmente
specialistas c
aisparafilho
e vrus, etc.,
Caen1998;
Steiner foi u
adoafactor
da Europa,
a patologia
naAmrica
Figura2.5
o da EM c
sia e em
equeorisco
a baixa para
05).
os grandes
compreenso
s investigad
arotrabalh
atologia, be
ra2.4Ilustrao
(retira
eio seguinte
pendendo e
na rea m
considerem
os,eambien
no sendo
Murray2005
um dos prim
esregionais
nos Estados
, comparativ
doSul.
Mapadapreval
com os fact
frica, sendo
odedesenvo
a um de inc
s progressos
o desta doen
ores obtiver
hodeRober
em como, a
odaEMefectuad
adode(Murray2
, relatos sob
essencialmen
dica. Todo
a EM como
ntal,depende
no entanto
5).
meiros a obse
.Destaform
s Unidos da
vamente com
nciadaEM(retir
ores region
o apenas e
olveradoen
idncia elev
s verificados
na que afec
ram informa
rtCarswell,q
sua primei
daporRobertCar
2005)).
bre a doena
nte dos ava
os estes pro
o efeito de
endodoclim
apenas o re
ervar e a pro
ma,emcertas
Amrica e
m os pases
radode(multscl
ais, devese
m 1987 reg
namudaqu
ada ou vice
s na medicin
cta vrios m
CAPTUL
aes import
queem1838
ra ilustrao
rswell
a, as suas ca
anos tecno
ogressos faz
uma predis
ma,modode
sultado de u
opor que o p
szonasdop
no Canad,
localizados
erosis2008)).
e realar qu
gistado o pr
andoumsuj
versa (Clane
na, poucos
milhes de pe
LOIIEsclerose
Pgina29de2
tantes sobre
8apresentou
o (Murray 2
ausas, etc., f
olgicos que
zem com qu
sposio gen
evida,expos
um simples
predomnio p
laneta,Figur
existe uma
em redor do
ue esta doe
rimeiro caso
jeitomigrad
et and Lyon
elementos f
essoas no m
mltipla
200
e esta
uuma
2005),
foram
e iam
ue na
ntica,
ioa
factor
para a
ra2.5,
forte
o Mar
na
o num
deum
Caen
foram
undo,
Alinham
ating
causa
delica
2.3.
A
epis
mais
indci
do en
consi
os sin
diver
facial
preco
A
defin
sistem
axni
O
comu

1
Temp
2
Perm
mentodeEstrutu

indo na Eur
a continua a
ado.
Descri
Aesclerosem
diosespord
tardetransf
iospodemo
ncfalo ou d
stenosnerv
nais de com
sas,como,f
l(Murray20
oceesimples
Apesar de te
io da sua
maimunitri
io(Grimaud,
O SNC cont
unicaoent
Uma
cober
veloc
Umc
protu
Figura2.6

porfunoprote
iteaossinaisner
urasemImagens
ropa uma pr
algo encobe
odadoe
mltiplaum
dicosdedisf
formadaem
ocorreremq
da medula e
vossensorio
ando do SN
fraquezanas
005).Umave
saposterior
er causas inc
a origem (M
io
1
processad
,Zhuetal.20
m clulas ne
reosdiverso
xnio(axon)
rtoporuma
cidadeseboa
corpocelular
ubernciasq
Estruturaesque

gerefacilitaras
rvososelctricos
Mdicas:Estudo
revalncia d
rta (Clanet
ena
madoenan
funoneuro
progressoi
ualquerrea
espinal, sem
motoresque
C aos mscu
pernas,difi
ezdiagnostic
revoluodo
certas, sendo
Murray 2005)
dasnoSNCe
002).
ervosas, neu
osneurnios
)quepropag
bainhadem
aqualidaden
rquecontem
ueseligama
emticasimplifica

obrevivnciadoi
saltardeumnd
,Desenvolvimen
de 1:1000 (W
and LyonCa
neurolgicaq
olgica,segu
ininterrupta
aservidapel
m afectar o s
etransmitem
ulos. Estes s
culdadeem
ada,noh
ograudede
o mesmo a
), a EM apa
ecaracteriza
urnios, e c
s.Umneurn
gaoimpulso
mielina
2
(mye
naconduo
mnumerosos
aosneurnio
adadeumneur
indivduo,lutand
duloparaoseguin
toeAplicao
Wattjes and
aen 1998), e
quenamaio
uidosderem
(Kutzelnigg,
losnervosm
sistema nerv
maoSNCos
sintomas pro
controlara
parmetros
eficincia(Gr
rea mais c
arenta envo
adaspelaque
lulas da glia
niotpico,Fig
onervosopro
elinsheath)d
odossinaisn
sdendritos(
osimediatam
niotpico(retira
docontraosagen
nte,sendoisto,a
Barkhof 200
e o seu diag
oriadosdoen
missocompl
Lucchinetti
mielinizadosd
voso perifr
dadosreceb
ovocam nos
bexigaoum
clnicospara
imaud,Zhue
controversa
lver activida
ebranamiel
a, que asseg
gura2.6,co
ovenientedo
deformaaa
nervosos;
(dendrites),q
mentevizinho
dode(multscler
tespatognicose
basedeumacon
Pgina30de2
09). Assim,
gnstico bas
ntes,comea
etaouparci
etal.2005).
damatriab
rico (SNP). O
bidospeloco
doentes rea
mesmo,dorm
apreverdef
etal.2002).
desta patolo
ades anorma
linaqueenv
guram tamb
onstitudop
ocorpocelul
assegurarele
quesopeq
os.
rosis2008)).
externos.
nduonervosa
200
a sua
stante
acom
al,e
Estes
branca
O SNP
orpoe
aces
mncia
forma
ogia a
ais do
olveo
m, a
or:
lare
evadas
uenas
rpida.
N
mieli
que
exclu
a mie
mieli
impu
temp
neuro
C
neuro
pode
epis
prolo
nova
N
um a
glbu
imun
destr
imun
adver
lese
N
terap
gravid
possi
2.4.
C
escle

Na esclerose
na das clul
se apresen
sivamenten
elina remo
na deixam
lso transm
po do que se
olgicosnor
Como a loc
olgicos asso
r ser poss
dio transit
ongada,osne
menteresta
Nos doentes
ataque orqu
ulos brancos
itrio no c
ruirosseusp
itrio reage
rsas, produz
esemdiverso
Na actualidad
puticas sint
dade dos e
bilidadedea
Formas
Classicament
rosemltipl
mltipla, o
las nervosas
ntam como
nasubstncia
ovida ou qua
de conduzir
mitido ao lon
e tivesse qu
malmentese
alizao das
ociados pod
vel a resta
rio de mani
eurniospod
belecida.
com EM, a
estrado por
s, desencade
consegue dis
prpriosteci
e contra os
zindo antico
oslocaisdoS
de, no exist
tomticas qu
episdios. A
atrasarodes
sdeescler
e podese
a(multscler
s processos
s, sendo esta
o placas de
abranca(Cla
ando ela fic
r, ou fazem
ngo da totali
ue saltar de
entidosdura
s regies c
e variar con
urao da f
festao de
demserdest
bainha de m
r parte de li
eado por um
stinguir as s
dos,conduz
constituinte
orpos dirigid
SNC,Figura2
Figura2.7Les
(retiradode
te nenhum t
ue permitem
ssim, existe
senvolvimen
rosemlt
considerar
rosis2008):
inflamatrio
a perda con
e forma b
anetandLyo
a muito fina
no mais le
idade da fib
ndulo par
anteumataq
com leses
sideravelme
funo neur
EM. Contud
trudosante
mielina que i
infcitos e m
m fenmeno
suas prpria
zindoassima
es do organ
dos a esse c
2.7.
odeEMnohem
(ClanetandLyon
tratamento
m alterar o
e melhoria
ntodestaenf
ipla
a existnci
os danificam
nhecida por
bastante irr
onCaen199
a na regio.
ntamente, o
bra nervosa,
a ndulo, o
quedeEM.
imprevis
ente. Uma ve
rolgica, est
do, em caso
sdacapapr
sola as fibra
macrfagos,
imunolgico
as clulas d
aumadoen
nismo como
combate. Co
isfriodocrebro
nCaen1998)).
eficaz para e
seu curso,
na qualidad
fermidade.
ia de quat
CAPTUL
m ou destroe
desmieliniza
egular e q
98),tornams
Os axnios
os sinais el
o que demo
que se trad
vel a natu
ez desaparec
andose na
os de desmie
otectorade
s nervosas t
que so dif
o. Isto signifi
as estranha
aautoimun
se eles fo
omo resultad
o
esta patolog
diminuindo
de de vida
ro variedad
LOIIEsclerose
Pgina31de2
em as bainh
ao. Estas l
que predom
sevisveisqu
que ficam s
ctricos. Ass
ora bastante
duz nos sint
reza dos d
cida a inflam
presena d
elinizao gr
mielinapod
tornase o al
ferentes tip
ica que o sis
s e da, ata
neondeosis
ossem subst
do, surgem
gia, h no en
a frequnci
do doente
des principa
mltipla
200
has da
leses
minam
uando
sem a
sim, o
e mais
tomas
fices
mao,
de um
rave e
derser
lvo de
os de
stema
acar e
stema
ncias
ento
ntanto
ia e a
e h
ais de
Pgina32de200
i. Recorrenteremissiva(EMRRouRRMS):
Formamaiscomumeocorreemaproximadamente40%doscasos;
Caracterizada por surtos, tambm conhecidos como exacerbaes, durante os
quaisnovossintomaspodemaparecerealgunsmaisantigosvoltamaressurgirou
apiorar;
Surtos seguidos por perodos de remisso, durante os quais o doente recupera
integralmenteouparcialmenterecuperadossurtosadquiridosdurantearecada;
Tipodesintomasmuitovasto,porquedependedapartedoSNCafectado.
ii. Secundriaprogressiva(EMSPouSPMS):
Surge em cerca de 25% dos doentes que tm EMRR e expressa por uma
constante progresso dos danos neurolgicos clnicos, com ou sem recadas e
remissesmenoressobrepostas;
Nesta fase, os doentes continuam a ter surtos mas a recuperao tornase
incompleta,originandoumadeterioraoprogressivadacondiofsica;isto,h
umaumentogradualdesintomasedeincapacidades.
iii. Primriaprogressiva(EMPPouPPMS):
Aparecequandoosdoentesapresentamsintomasqueseagravamgradualmentee
no tm surtos distintos, remisso ou recuperao, sendo que a incapacidade
agravase progressivamente e pode estabilizar em determinada altura ou
continuarapiorar;
AEMPPaformamaisincapacitantedadoenaeamaisproblemticaquantoao
seu tratamento, afectando normalmente as pessoas que sofrem os primeiros
sintomascomidadesuperiora40anos.AocontrriodosoutrostiposdeEM,tem
amesmaprobabilidadedeocorrnciaemhomensemulheres.
iv. Progressivarecorrente(EMPRouPRMS):
Caracterizase por uma constante progresso dos danos neurolgicos com surtos
sensitivosligeiros,poucofrequentesecomrecuperaototal;
Depois de um ou dois surtos com restabelecimento completo e sem qualquer
incapacidade,estetipodeEMnoseagravaaolongodotempoenoexisteuma
incapacidadepermanenteouprogressodadoena;
A EMPR uma das formas menos comuns da enfermidade, com apenas 10% dos
casosdiagnosticados.
NaFigura2.8,osgrficosmostramonveldedeficinciaaolongodotempodosdiferentes
tiposdeEM.Nestesgrficos,quandoapareceduaslinhas,indicaqueexisteduaspossibilidades
para essa forma de esclerose mltipla. Nas imagens apresentadas, os picos representam os
surto
aesc
sclero
C
histo
13 an
idade
crte
A
EMSP
recor
A
os 20

3
Nesta
cortica
inflama

osquepodem
olhadomod
osis2008).
Figura2.8
Como exemp
lgicosdele
nos de dura
e e 16 de en
ex,masapen
Figura2.9
Adesmieliniz
P e EMPP, m
rrente(Kutze
Assim,pode
0 e os 40 an

a figura, a verde
l, a azul as les
atrianocrebro
mserseguid
delodetrata
Evoluoclnic
plo das pri
esesnocre
o da doen
nfermidade.
asumapart
Dadoshistolgic
zaonocrt
mas rara ou
elnigg,Lucch
seconcluirq
nos de idad

esto represent
es desmieliniza
o.
osdeumar
mentoefe
EMRR
EMPR
caesquemticad
ncipais vari
ebro
3
.ARRM
na, enquan
A PPMS (o
icipaomen
osdasdistintasf
texcerebral
u inexistente
inettietal.2
queosprime
e e podem

adas as placas d
ntes na substn
remissotota
ectuadamed
asdistintasform
edades de
MS(ouEMRR
to a SPMS (
u EMPP) mo
nordaenfer
formasdeEM(re
principalm
e em doente
2005).
eirossintoma
manifestar
e desmieliniza
ncia cinzenta pro
alouparcial
ianteotipo
asdeEM(retirad
EM, a Figu
R)pertencea
(ou EMSP) a
ostra uma d
rmidadenas
etiradode(Kutzel
menteumac
es que apres
asdaEMsur
se sob difer
o focal na matr
ofunda e os po
CAPTUL
.Desalienta
deevoluo
dode(multsclero
ura 2.9 apr
aumadoent
um doente
desmieliniza
ubstnciabr
nigg,Lucchinetti
caracterstica
entam uma
rgemem70%
rentes molde
ria branca, a verm
ntos azuis escur
LOIIEsclerose
Pgina33de2
arquegeralm
odadoena(
EMSP
EMPP
osis2008)).
resenta os
tede57ano
e com 43 an
o acentua
ranca.
etal.2005)).
aemdoente
doena agu
%doscasos
es, sendo q
melho a desmiel
ro indicam a in
mltipla
200
mente
(mult
dados
scom
nos de
da no
scom
da ou
entre
ue na
inizao
filtrao
Pgina34de200
maioria dos casos, perodos sintomticos alternam com assintomticos. Aparecendo ento
surtosdeexacerbaoremisso,queconsistemnaapariodenovossinaisoudesintomasde
disfuno neurolgica com uma durao superior a 24 horas, ou na deteriorao significativa
dossintomasprexistentesequetinhamestabilizadooupermanecidoausentesdurantepelo
menostrintadias(multsclerosis2008).Estefactopodetornarodiagnsticodifcileimpreciso,
uma vez que os sintomas desaparecem aps alguns dias, para s voltarem passados diversos
mesesoumesmoanos.
2.5. Critriosdediagnstico
Aps a descrio inicial estabelecida por Charcot, os critrios de diagnstico variaram
bastante ao longo dos tempos e, desde que excludas outras doenas neurolgicas que
respondem aos mesmos preceitos, assentavam em caractersticas clnicas, como sintomas,
sinais,evoluoeremisso,queapareciamnodoente.
Nos primrdios da doena, os doentes eram tardiamente diagnosticados e somente
quando repetidamente apresentavam comportamentos patolgicos, logo, com este tipo de
procedimento, os doentes tinham uma esperana de vida curta aps o diagnstico (Murray
2005). Mais tarde, com o avano tecnolgico dos meios auxiliares de diagnstico, foram
estabelecidoscritriosclarosparaadefiniodaEM,permitindoodiagnsticodiferencialcom
outras patologias. Na ausncia de sinais clnicos da doena, o diagnstico da EM mais um
diagnsticodeeliminaodoqueumdiagnosticopositivo(ClanetandLyonCaen1998).
Odiagnsticodaesclerosemltiplabaseiasegeralmenteemdadosclnicoslaboratoriaise
radiolgicos(Zimmerman,Gibbyetal.2000);nomeadamente,nosobtidosatravsdeimagens
por ressonncia magntica (RM), embora sensivelmente 5% dos doentes no tenha leses
perceptveis atravs deste meio (Clanet and LyonCaen 1998). A imagem por RM a
ferramenta de diagnstico mais sensvel para a deteco de alteraes focais e difusas de
esclerosemltiplainvivo(WattjesandBarkhof2009);noentanto,poucoespecfica(Doyon,
Cabanis et al. 2004) e como o diagnstico da EM no dispe de nenhum teste prprio, o
exameneuropatolgicopostmortemonicomeiodeoconfirmarcomoexactido.
bastante difcil de efectuar correctamente um estudo epidemiolgico da EM, devido
principalmentearazesrelacionadascomanaturezadapatologia;isto,nohmarcadores
especficos para esta doena (Clanet and LyonCaen 1998), e alm disso, muitos dos sinais e
sintomas que lhe so associados podem ser causados por outras enfermidades, pois os seus
indcios no so suficientemente especficos. Assim, existem vrios critrios de diagnstico,
comoporexemplo,ospropostosem1983porCharlesPoser(ClanetandLyonCaen1998),que
recorremaoauxliolaboratorial.OspreceitossugeridosporPoserso(multsclerosis2008):
i. EMdefinidaclinicamente:
Doisataqueseevidnciaclnicadeduaslesesisoladas;
Dois ataques, evidncia clnica de um deles e evidncia paraclnica de outra leso
separada.
Pgina35de200
ii. EMdefinidaporlaboratriodesuporte:
Dois ataques, evidncia clnica ou paraclnica de uma leso, e de anomalias
imunolgicasdolquidocefalorraquidiano(LCR);
Umataque,evidnciaclnicadeduaslesesseparadasedeanormalidadesdoLCR;
Um ataque, evidncia clnica de uma e de provas paraclnicas de outra leso
separada,ealteraesdoLCR.
iii. EMclinicamenteprovvel:
Doisataqueseevidnciaclnicadeumaleso;
Umataqueeevidnciaclnicadeduaslesesseparadas;
Um ataque, evidncia clnica de uma leso e evidncia paraclnica de outra leso
separada.
iv. EMprovvelporlaboratriodesuporte:
DoisataqueseanomaliasdoLCR.
Um dos critrios de diagnstico que inclui a imagem por ressonncia magntica como
exame auxiliar o proposto por Frederik Barkhof. Neste, os preceitos salientam que um
doente sofre de esclerose mltipla se pelo menos trs dos seguintes parmetros so
encontrados(ClanetandLyonCaen1998):
Uma leso que refora aps a administrao de produto de contraste
paramagntico (Doyon, Cabanis et al. 2004), ou na ausncia de leso, que capte
produtodecontrasteparamagnticodenoveleseshiperintensasemimagenspor
RMponderadasemT2;
Umaoumaislesesinfratentoriais;
Umaoumaislesesjustacorticais;
Trsoumaislesesperiventriculares.
OscritriosdeW.IanMcDonald,apresentadosem2001erevistosem2005,permitemum
diagnstico com base em resultados de imagens por RM em apenas trs meses aps o
primeiro evento clnico, sem mais surtos (Wattjes and Barkhof 2009). Estes preceitos
acrescentaram aos de Poser, utilizados at ento, informaes importantes extradas dos
exames complementares, especialmente das imagens, com o objectivo de enfatizar a
disseminaonoespaoenotempo.OscritriosdediagnsticopropostosporMcDonaldso
(multsclerosis2008):
Doisataquescomdois,oumais,sintomasdistintos;
Alinham
C
eleva
possa
dos d
sinto
pero
(axial
lese
D
diagn
desm
2.6.
O
comp
patol
centr
mentodeEstrutu

Dois
image
Barkh
Dois
confi
Comaresson
ada, sendo v
amserefect
doentes e de
mas podem
odo de temp
l) de uma im
estpicasdaE
De realar q
nstico topo
mielinizantes
Resumo
Os conceitos
preenso da
ogicamente,
ral,que:
Tem
mesm
(Kutz
Resul
urasemImagens
ataques co
em por RM
hof;
ataques com
rmarasuae
nnciamagn
visveis lese
uadasdefor
e tentar con
ser to sub
po. Na Figur
magem por R
EM.
Figura2.10
ue a image
grfico, etio
(Doyon,Cab
o
s abordados
a enfermida
, a esclerose
maior incid
moadoena
elnigg,Lucch
ltapossivelm
Mdicas:Estudo
m apenas u
utilizada
m dois sinto
voluo.
tica,aprec
s de pequen
rmaprecoce
trolar a prog
tis que no
ra 2.10, apre
RM cabea
Quatrodiferen
(retiradode
m por resso
olgico e de
banisetal.20
s neste cap
ade conside
e mltipla
ncia em ha
neurolgica
hinettietal.
mentedacom
,Desenvolvimen
um sintoma
para confir
omas simult
cisoearapi
nas dimens
edemaneira
gresso da d
possvel c
esentamse
a (com distin
ntescortes(axial)
(Doyon,Cabanis
onncia mag
acompanha
004).
ptulo visara
rada neste
uma doena
abitantes de
amaiscomu
2005);
mbinaode
toeAplicao
a idntico, s
rmar ou no
tneos, usan
idezdedete
es, permitin
aamelhorar
doena. No e
onfirmar o d
como exem
ntas ponder
)deimagempor
setal.2004)).
gntica us
amento da e
m principal
projecto. A
a inflamatri
e determina
memjoven
factoresgen
sendo que
o, os critrio
ndo a image
codaEM
ndo que med
oimpacton
entanto, por
diagnstico d
plo, quatro
aes), onde
RMcabea
sualmente o
voluo de
mente orien
Assim, pode
ia crnica do
das reas d
sadultosno
nticoseam
Pgina36de2
nesta situa
os proposto
em por RM
tornaramse
didas terap
navidaquot
r vezes os si
durante um
diferentes c
e so observ
o primeiro e
todas as do
ntar e facil
ese conclui
o sistema ne
do planeta,
omundoocid
mbientais;
200
o a
os por
M para
emais
uticas
idiana
nais e
longo
cortes
vveis
exame
oenas
itar a
r que
ervoso
sendo
dental
Pgina37de200
Dispe de muitos aspectos, mesmo com a actual evoluo da medicina, que
continuam desconhecidos e complexos, sendo exemplo disso, a definio com
precisodassuascausas;
Apresenta como consequncias a destruio ou endurecimento da bainha de
mielinaquerecobreeisolaasfibrasdosistemanervosocentral;
Originasintomasquepodemserbastantegraves,poisafectampraticamentetodas
as funes biolgicas, sendo que o tratamento apropriado depende directamente
doestado,avanadoouno,dadoena.
A imagiologia essencial para o diagnstico da esclerose mltipla. Assim, ajuda no seu
diagnstico e na avaliao da carga das leses ao longo do tempo; contudo, a EM uma
doena to complexa que mesmo com os desenvolvimentos verificados, ainda existem falhas
quando se trata de diferir esta patologia de outras parecidas, sendo tambm difcil de obter,
numafaseprecoce,dadosinvivorobustoseconfiveis.

Pgina38de200

CAPTULOIIIImagemporRessonnciaMagntica

Pgina40de200
Pgina41de200
3.1. Introduo
O estudo das desordens do crebro com base em tecnologias multimodal de ressonncia
magntica tem sido um dos temas mais atractivos da cincia do sculo XXI, sendo que
tradicionalmente, as tcnicas de diagnstico mdico que buscam obter imagens do encfalo
do doente por meios no invasivos foram categorizadas como estrutural ou funcional,
dependendodasinformaesqueelasfornecem(Jiang,Liuetal.2008).
Os principais mtodos para a aquisio de imagens enceflicas so a tomografia por
emisso de positres (PET), tomografia por emisso monofotnica (SPECT), tomografia
computorizada (CT) e imagem por ressonncia magntica (RM). Assim, o termo imagem
mdica abrange uma grande variedade de tipos de imagens, com diversos princpios
subjacentes e diferentes aplicaes (Hill, Batchelor et al. 2001), sendo que as normalmente
usadas nos cuidados de sade e na investigao mdica variam desde imagens microscpicas
de cortes histolgicos, a sequncias de vdeo utilizadas remotamente para diagnstico
distncia(telemedicina).
No caso especfico do estabelecimento do diagnstico da esclerose mltipla (EM),
geralmente necessrio analisar uma srie de imagem por ressonncia magntica (Rey, Subsol
etal.2002);istoporquepermiteobterumaindicaosobreanaturezadostecidosenvolvidos,
bem como, observar as regies desmielinizadas, contribuindo posteriormente para o
acompanhamentododoenteeaavaliaodostratamentosefectuados.AimagemporRMno
um exame especfico para a EM, mas permite uma boa anlise quantitativa e qualitativa,
possibilitando verificar a evoluo patolgica do doente (Hill, Batchelor et al. 2001). Neste
caso, a informao qualitativa a posio das leses, at confirmao da patologia ou
correlao com os sinais clnicos; enquanto, a informao quantitativa representa
normalmenteovolumeglobaldaslesesouasuavariaodetamanhodeformaadeterminar
arespostateraputica(Rey,Subsoletal.2002).Derealarque,geraraimagemdeumtecido
consisteessencialmenteemmapearumacaractersticafsicadediferenteszonasdeste.
A imagem por RM um dos principais mtodos de aquisio de informaes anatmicas
internas do corpo humano com alta resoluo, sendo adequada para visualizar as estruturas
detecidomole,comoocrebroouamedulaespinal,masineficientenocasodecomposies
sseas.umatcnicanoinvasivadediagnstico(Grimaud,Zhuetal.2002),quesebaseiana
interaco entre os ncleos de hidrognio e um campo magntico exterior muitas vezes
superior ao da Terra (Doyon, Cabanis et al. 2001), que teve origem num fenmeno fsico
puramente quntico conhecido desde 1946, a ressonncia magntica nuclear (RMN). Este
ltimo fenmeno, foi inicialmente utilizado para aplicaes na rea da qumica e da
bioqumica, nomeadamente a espectroscopia (Doyon, Cabanis et al. 2001), permitindo a
obtenodeinformaessobreasestruturasdasmolculasouaindasobreataxadereaco
dassubstncias.Taisdados,associadosaosprocessosdereconstruoespacial,possibilitaram
em1977obteraprimeiraimagemdeumtraxhumano.Somenteem1981,queI.R.Younge
colaboradores demonstraram que a sensibilidade da imagem por RM permite a deteco in
vivodeplacascaractersticasdaEM(Doyon,Cabanisetal.2001).
Alinham
D
princ
comp
longo
anlis
quais
pode
3.2.
E
odoe
quev
todos
umc
Zouri
duas

4
Ama
RMm
mentodeEstrutu

Dadas as es
piosfsicos
portamento
o do present
seaalgunsa
s os principa
mperturbar
Princp
essencialre
Qualq
numa
moni
Figura3.1E
Ao in
anal
finito
matri
perm
impo
Existenoapa
entecoloca
variageralme
s os momen
ampomagn
idakis 2004),
camadasdis
Uma

ioriadaslesesc
muitosensvel(Do
urasemImagens
specificidade
soimporta
dos spin (to
te captulo r
aspectosgera
ais contraste
r.Nofinal,
iosdefun
eferirque:
quer aparelh
asalaisolada
torizadaspo
Exemplodeapare
nvs das ima
gicas,asima
o de elemen
izes2D,eco
mite fornece
rtantemeio
arelhoderes
ado.Oman
entede0.02
tos magnti
ticouniform
, sendo este
stintas:
maisexterna

cerebraisrespo
oyon,Cabaniset
Mdicas:Estudo
s associada
adosdafsica
odos os ncle
realizase um
ais,especific
es observad
apresentado
ncionamen
ho de resso
a,prpriapa
orumaconso
elhoderessonn
agens radiog
agensporRM
ntos, onde c
ompostaspo
er contedo
dediagnst
ssonnciama
doaparelho
2a3Tesla,e
cos do doen
mequeindu
es constitud
a,naqualde

nsvelporumau
al.2001).
,Desenvolvimen
s s image
anuclear,no
eos atmico
ma breve abo
camente,fo
dos nas imag
oumresumo
nto
onncia mag
araoefeito,s
ola,apartird
nciamagntica(m
grficas conv
Msodigita
cada um d
orvrioscort
os de gran
icoparapato
agnticauma
o,quetemu
encontrasel
nte (Doyon,
uzamagneti
os principalm
eambulamo
umentodoconte
toeAplicao
ns por ress
omeadamen
os exibem es
ordagem a e
ormacomof
gens, bem c
odainforma
gntica, Figu
sendotodas
doexteriord
modeloOptimaM
vencionais, q
is,sendoass
denominado
tesdeumm
nde qualida
ologiasence
acavidadec
umaformav
ocalizadone
Cabanis et a
izaodoste
mente por
selectres;
edodotecidoem
sonncia ma
tedasteoria
ssa propried
esta tcnica
funcionamo
como, aos a
opresente
ra 3.1, deve
assuasfun
esseespao
MR450w,GEHealt
ue so bidim
simformada
de pxel, re
esmovolum
de informa
flicas
4
.
entralonde,
ariveleum
estareaese
al. 2001); isto
ecidosdodo
tomos que
mgua,parmet
Pgina42de2
agntica, os
asqueexplic
ade quntic
e efectuase
osequipame
artefactos q
e.
e estar loca
escontrola
o;
thcare(USA)).
mensionais (
asporumn
epresentada
mereal,oqu
ativa, sendo
,duranteoe
maforadec
erveparaor
o , para pro
oente(Moor
se distribue
troaoqualaimag
200
s seus
camo
a), ao
e uma
ntose
ue as
lizado
adase
(2D) e
mero
as por
elhes
o um
exame
campo
ientar
oduzir
reand
m em
gempor
S
qualq
mom
neutr
mom
sobre
2001
elem
tecid
aplica
P
mom
anula
que e
unifo
S
direc
num
energ
estad
magn
doca
O

Uma
prot
Se o ncleo
quer proprie
mento magn
res, pode o
mento magn
eoprprioe
). Devido
ento essenc
os do corpo
aesdasim
Por exemplo
mentos magn
ammutuame
este fenme
orme(Doyon
Figura3
Submetidos a
o do camp
nveldebaix
gtico mais e
dos, o nvel
netizaodet
ampo.
Figu
OvalordeH
mais intern
esedeneut
for formad
edade magn
tico (p). Ao
ostentar um
tico prop
eixo,chamad
s proprieda
cial da gua
o humano, c
magensporR
o, num pequ
nticos indiv
ente,resulta
eno no suc
,Cabaniset
3.2Momentom
numam
a B
0
, os mo
po, Figura 3.
xaenergia,e
elevado (Doy
l de baixa
tectvel,isto
ura3.3Momen
campom
definidoa
na (ncleo),
tresanimad
do por um n
tica, sendo
o invs, se f
magnetismo
orcional a u
dodespinou
des magnt
a, gordura e
constitudo
M.
ueno eleme
viduais orien
andoasuaso
ceda, o doen
al.2001).
magnticodedife
mbientenatural(
omentos ma
.3, assim, os
enquantoos
yon, Cabanis
energia tem
o,amagne
tomagnticoind
magnticointenso
apartirdedu
que cons
dosporumm
nmero par
o essa repre
for compost
o detectvel
uma grandez
udemomen
ticas e cin
e lquido org
por um ni
nto de tecid
ntados aleat
oma,numam
nte sujeito
rentesncleosd
(retiradode(Doy
agnticos ind
s spin parale
queestoe
s et al. 2001
m um ligeir
etizaotota
dividualdosncle
o(retiradode(Do
uascompone
CAPTULO
stituda por
movimentoc
r de protes
esentada po
to por um v
(Doyon, Ca
za caracters
ntocintico
ticas do sp
gnico que
co proto, e
do biolgico
oriamente,
magnetiza
o a um cam
eHidrogniode
yon,Cabanisetal
dividuais do
los ao camp
emantiparal
1). Devido
ro excedent
ldeixadese
eosdetecidobiol
oyon,Cabaniset
entes(Doyon
OIIIImagempor
um determi
colectivocom
s e de neut
r um vector
valor impar
banis et al.
stica da part
despin(Doy
pin, o ncle
compem p
est na bas
o, os diferen
Figura 3.2,
onuclearto
po magntic
tecidobiolgicoc
.2001)).
s ncleos v
o magntico
lelo,avanam
diferena de
e de spin,
ernulaepass
lgicocolocados
al.2001)).
n,Cabaniset
rRessonnciaMa
Pgina43de2
inado nme
mplexo.
tres, no p
r denominad
de protes
2001). O va
tcula em ro
yon,Cabanis
eo de hidrog
principalmen
e da maiori
ntes ncleos
de forma q
otal(H)nula
co (B
0
) inte
colocado
o orientar
o vo perma
mparaume
e energia do
o que orig
saateradir
num
tal.2001):
agntica
200
ero de
possui
do de
e de
lor do
otao
setal.
gnio,
nte os
ia das
s tm
ue se
a.Para
enso e
se na
anecer
estado
os dois
gina a
reco
Alinham
P
essen
acrs
camp
radio
numa
dentr
frequ
carac
produ
magn
(Moo
A
retor
temp
Imed
sendo
de ra
desap
dam
D
produ
pelaa
D
inten
(H)f
Geral
mentodeEstrutu

Omo
eixoz
O mo
plano
Para detecta
ncial colocar
scimo de en
po electrom
ofrequncia(
abobinadef
ro do equipa
uncia de La
ctersticaque
uzindo uma
ntico (Doyo
oreandZour
Aps cada im
rna sua po
po, conhecid
iatamentea
oquedepois
aio decresc
parecimento
agnetizao
Destaforma,
uo de uma
adioaB
0
d
De salientar
sidadeedur
fazcomB
0
u
lmente,osim
urasemImagens
omentomag
zparaleloaB
omento mag
oxyperpend
ar ambas as
o sistema f
ergia. Logo,
agntico, ist
(RF).Assim,
formasvari
amento, em
rmor (
0
=
edepended
a modifica
on, Cabanis e
idakis2004),
mpulso de RF
osio de eq
o por tempo
apsaparag
sjuntasepr
ente, Figura
odacompon
(Doyon,Cab
Figu
oprincpiod
a variao d
deumgradie
que os im
raotaisqu
umngulode
mpulsosmai
Mdicas:Estudo
nticolongit
B
0
;
gntico trans
dicularaB
0
.
s componen
ora de uma
o tecido
to , impul
quandoa m
veisenvolve
ite ondas de
y B
0
), on
oncleo,qu
o na sua
et al. 2001).
,verificasea
F aplicado, o
uilbrio para
o de relaxa
emdeum im
rogressivame
a 3.4. Este
nentetransve
banisetal.20
ura3.4Magnet
(retiradode
daimagemp
de intensidad
entedecam
pulsos de R
ue,imediatam
e30,90ou
susadosso
,Desenvolvimen
tudinal(H
L
)
sversal (H
1
)
ntes (H
L
e
posio de
submetido
sos de peq
mquinaproc
endoaparte
e RF numa f
nde y corres
uesoabsorv
orientao
Deste fen
aindaatrans
os ncleos p
alela a B
0
, is
o, iniciase
mpulso, H
enteaessee
regresso
ersal(H
1
)e
001).
tizaonuclearto
(Doyon,Cabanis
porressonn
de de um ca
podebaixa
RF de 30,
menteaps
u180,resp
oosde90o
toeAplicao
,quecorres
), que corres
H
1
) da ma
equilbrio, se
excitao
uena dura
cedeaoexam
edocorpoa
frequncia e
ponde raz
vidaspelosp
em relao
meno fsico,
sfernciade
erdem a ene
sto , aps u
a relaxao
perpendicu
eixo,descrev
posio de
recupera
otalzportadord
setal.2001)).
nciamagntic
ampo magn
intensidade
90 ou 18
umimpulso,
ectivamente
ou180.
pondepro
sponde pr
agnetizao
endo para is
atravs da i
o parecido
me,umaant
explorareq
specfica exa
o giromagn
protesorien
o ao movim
, denominad
energia.
ergia em exc
um determin
(Doyon, Cab
ular aoeixo z
vendoumatr
e equilbrio
odaparte
eB
0
caconsistee
tico de um
(Doyon,Cab
0, consiste
,amagnetiza
e(Doyon,Ca
Pgina44de2
ojecodeH
rojeco de
de um teci
sso necessr
ntroduo d
os com ond
tena,queco
queestloca
actamente ig
ntica, que
ntadosdodo
mento do c
do de resson
cesso e o sis
nado interva
banis et al. 2
zportadord
rajectriael
correspond
elongitudina
essencialmen
voxel para o
banisetal.20
em em ond
aonuclea
banisetal.2
200
Hnum
H no
ido,
rio um
de um
as de
nsiste
alizada
gual
uma
oente,
campo
nncia
stema
alo de
2001).
de B
0
,
ptica,
de ao
l(H
L
)
ntena
outro,
001).
as de
rtotal
2001).
C
dare
tecid
micro
assim
imagi
no u
exem
cereb
inform
contr
eleva
2001
3.3.
A
relaxa
veloc
dete
O
dois
patol
i.

Comparativam
essonnciam
o, como a
oambiente, c
m por diante
iolgicas,div
utilizao de
mplo, da CT,
bral atravs
mao anat
raste.Aimag
ado tempo d
).
Tempo
A formao
ao dos te
cidade com q
remsidoalt
Os tempos d
tipos difere
gicodotec
T1(longit
A ap
prot
dissip
ao es
corre
magn
Figura
menteaoso
magnticaq
contece co
como a mob
(Moore and
versosbenef
e radiaes
da PET e d
de marcado
mica detal
gemporress
de aquisio
sderelax
de imagem
ecidos, que
que se realin
eradosporu
e relaxao,
entes de es
cido(Doyon,
tudinaloure
licao de i
es mudem
pao dessa
stado de ma
esponde ao t
nticolongitu
a3.5;
Figu
outrosmtod
quegeracuja
om a CT, m
bilidade do f
d Zouridakis
fcioscomos
ionizantes, c
a SPECT, se
res radioact
hada devido
sonnciama
e a comple
xao
m por resso
dominam o
nham os mo
umimpulsod
, sendo um
scalas temp
Cabaniseta
elaxaospin
mpulsos de
para um es
energia, no
is baixa ene
tempo, aps
udinal(H
L
)d
ura3.5Evoluo
(retiradode
dosdediagn
aaparncia
mas tamb
fluido, os pr
2004). Exist
so,adescri
como aconte
ndo que est
ivos. Obtm
o sua elev
agnticatem
exa interpret
nncia mag
brilho dos
omentos mag
deRF(Moor
processo ex
porais que v
al.2001):
neco):
RF adiciona
stado de ma
ambiente m
ergia, cham
s a paragem
demoraaati
odomomentom
(Doyon,Cabanis
CAPTULO
nsticopori
podenore
m as prop
rodutos met
te ainda, rela
oprecoce
ece com os
tas ltimas
m ainda, sem
vada resolu
mnoentanto
tao das im
gntica in
pxeis das i
gnticos com
eandZourid
xponencial, p
variam cons
a energia ao
aior excita
magntico de
mado de Tem
de um imp
ingir63%do
magnticolongitu
setal.2001)).
OIIIImagempor
magem,ap
eflectirapena
priedades f
ablicos, o f
ativamente
dealtera
raios X que
permitem m
recurso ra
o espacial
comoprinc
magens (Doyo
fluenciada p
magens obt
m o campo m
dakis2004).
podem ser c
soante o es
o sistema e
o, sendo qu
esses prote
mpo 1 de re
ulso de 90,
oseuvalorde
dinal
rRessonnciaMa
Pgina45de2
rincipalvant
asadensida
sicoqumica
fluxo sangu
s outras t
esdostecid
e so a fonte
medir a activ
adiao ioniz
l (0.3 1 m
ipaislimita
on, Cabanis
pelos tempo
tidas; isto
magntico, d
caracterizado
stado norm
e faz com q
ue o proces
es e o seu re
elaxao (ou
, que o mom
eequilbrio(
agntica
200
tagem
dedo
as do
neo e
cnicas
osea
e, por
vidade
zante,
mm) e
es,o
et al.
os de
, pela
depois
os por
al ou
ue os
sso de
etorno
T1) e
mento
(H
cq
),
Alinham
ii.
N
sendo
3.4.
P
de RF
interv
adeq
umim
etal.
mentodeEstrutu

Como
impe
impu
aume
dasm
T2(transv
Cada
afect
energ
O Tem
90,q
valor
Nos tecidos b
ootempoT2
Contras
Paraseobter
F pouco
valo de tem
uados. Dest
mpulsodeRF
2001),pode
Otem
aoem
Otem
mxim
Opri
que i
urasemImagens
o para se f
rativo que
lso seja efi
enta com a
molculasqu
versalourel
prototem
arvizinhos,
giaentresie
mpo 2 de re
queomome
deequilbrio
Figu
biolgicos, o
2maiorquan
stedasim
rimagensco
til. Assim,
mpo, isto ,
a forma, a F
Fa90segui
endosedest
mpode repe
mpregodose
mpodeeco(
modesinali
meiroimpul
imediatamen
Mdicas:Estudo
formar uma
se espere u
iciente, ou
intensidade
econstituem
axaospin
umcampo
numareac
esaindodefa
elaxao (ou
entomagnt
o(H
cq
),Figu
ura3.6Evolu
(retiradode
os valores nu
ntomaisflui
magens
ominforma
necessria
com uma d
Figura 3.7 ex
ido,apsum
tacarque:
etio(TR)
eguinteedet
(TE)oper
nduzidonab
sodeRFd
nte aps, H
,Desenvolvimen
a imagem s
um certo te
seja, deve
do campo m
motecidoem
spin):
magnticop
osimultne
ase;
u T2) o tem
icotransvers
ura3.6.
odomomentom
(Doyon,Cabanis
umricos de
idaforaamo
esdiversifi
a reprodu
eterminada
xpressa a se
mintervalod
operodoq
terminaogr
odoquevai
bobinarecep
de90ebala
H
L
nulo. O
toeAplicao
so necess
empo de rel
se aguarda
magntico, f
mestudo.
prprio,que
ea,apscad
mpo imediat
sal(H
1
)dem
magnticotransve
setal.2001)).
e T2 so gera
ostra(Doyon
icadas,aapl
o das sequ
frequncia
quncia elem
etempo,de
quevaidaap
rauderelaxa
daaplicao
ptora,econt
anaHpara
segundo im
rias vrias
laxao para
r um deter
funo da m
comeaade
aimpulsode
tamente ap
moraadecair
ersal
almente infe
n,Cabaniset
icaodeap
uncias de im
e com par
mentar de s
outroa180
plicaode u
aoT1;
odoimpulso
trolaograud
umazonam
mpulso de RF
Pgina46de2
ondas de
a que o pr
rminado T1
massa e dim
esorganizar
eRF,transfe
s um impul
rpara37%d
eriores aos d
al.2001).
penasumim
mpulsos ap
metros (TR
spin, compos
0(Doyon,Ca
umimpulso
odeRFato
derelaxao
mensurvel,
F de 180
200
RF,
ximo
, que
enso
seea
erindo
lso de
doseu
de T1,
mpulso
s um
e TE)
sta de
abanis
deRF
opico
oT2;
sendo
e vai
F
O
norm
(Doyo
carac
modo
mani
doim
N
pouco
tonal
tecid
deter
trans
tecid
trans
predo
densi
image
princ
aquis
i.

provo
indivi
Figura3.7Sequ
Os tempos d
malmente esc
on,Cabanis
ctersticas fs
o, a obten
pulado pela
mpulsodeRF
Na avaliao
o intensos
idadesrepre
o nervoso (
rminado tec
sversaldema
o envia um
sversal de m
ominanteme
idade dos e
ens por RM
ipalmente p
siodiferen
T1:
Numa
difere
(long
queu
ocarumacol
iduais,existi
unciaelementar
deo
dos parme
colhidos par
etal.2001).
sicas dos te
o do cont
alterao d
F.
visual das i
(preto), pa
esentamdife
Doyon, Caba
cido tem um
agnetizao
m sinal fraco
magnetizao
entenostem
lectres pre
M obtm c
pelos mecani
te)em:
a imagem po
enasentreo
o),logo,pro
umTEeumT
locaoemf
ndoagoraa
despin,compos
outroa180(reti
etros de aq
ra privilegiar
Assim,ama
cidos, result
traste de u
os parmetr
magens por
ssando por
erentestipos
anis et al. 20
m sinal muit
capazdeger
o bobina
o de amplit
mposderelax
sentes no d
contrastes
ismos de po
onderada (w
ostemposT
ovmdacapa
TRcurtosori
faseprogress
possibilidad
stadeumimpulso
iradode(Doyon,
uisio TE e
r um sinal q
anipulaod
tando nos d
uma imagem
ros dos temp
RM, podem
r uma gama
sdetecidos,
001). Numa
to intenso q
rarumgrand
receptora,
tude peque
xaoT1ouT
doente (Doyo
diferentes
onderao (c
weighted) em
1dotecidoa
acidadedet
iginamuma
CAPTULO
sivadosdife
ederegistar
odeRFa90seg
Cabanisetal.20
e TR, expre
ue depende
dessesparm
diferentes co
m por resso
pos de relax
m surgir sina
a intermdi
porexempl
imagem po
quando poss
desinalnab
quando es
na. Logo, o
T2eaquant
on, Cabanis
para os m
cada um o
m T1, Figura
adiposobrilh
ransferirene
imagempon
OIIIImagempor
rentesmom
rosvaloresd
uido,apsumin
001)).
essos em m
e de um par
metrosperm
ontrastes da
onncia mag
xao T1 e T
is muito inte
a (tons de
o,tecidoadi
or ressonnc
sui uma gra
obinarecept
ste possui u
os meios de
tidadedeate
et al. 2001)
esmos tecid
btido com u
3.8, o contr
hante(curto)
ergiaparaa
nderadaemT
rRessonnciaMa
Pgina47de2
mentosmagn
deTEeTR.
ntervalodetempo
milissegundos
rmetro do t
mitedetermin
as imagens.
gntica pod
T2, e da sequ
ensos (branc
cinzento).
iposo,mscu
cia magntic
ande compo
tora.Aoinv
uma compo
e contraste
enuaorefl
). Desta form
dos estimu
uma sequnc
raste depend
)edaguae
vizinhana,
T1;
agntica
200
ticos
o,
s, so
tecido
naras
Deste
de ser
uncia
co) ou
Estas
uloou
a, um
nente
s,um
nente
agem
ectea
ma, as
lados,
cia de
de das
escura
sendo
Alinham
ii.
iii.
mentodeEstrutu

O T1
cinze
(Doyo
que
activa
T2:
Uma
das d
rapid
umT
Asim
aEM,
cinze
(Duga
quev
(Doyo
escle
Densidad
Para
tecido
de se
urasemImagens
1 permite d
nta, o lquid
on,Cabanise
um eleme
as(Rey,Subs
imagempon
diferenas en
ezcomque
Rlongospro
Fi
magensemT
,masnasqu
nta. Assim,
asPhocion,G
vulgarmente
on, Cabanis
roseeaseve
dedeprote
obterapon
osobaform
e diminuir o
Mdicas:Estudo
Figura3.8Cor
(retiradode
istinguir os
o cfaloraq
etal.2001),
ento empre
soletal.200
nderadaem
ntre os temp
osncleosm
oduzemuma
igura3.9Corte
(retiradode
2sosobret
uaisnohu
resulta uma
Gonzlezet
nosurgem
et al. 2001),
entuaisnecro
s(DP)ouem
deraopor
madeguae
s efeitos do
,Desenvolvimen
rtedocrebroem
(Doyon,Cabanis
tecidos do
quidiano, o q
asnecroses
egue como
02).
T2,Figura3
pos T2 do te
mudamdese
imagempo
axialdocrebro
(Doyon,Cabanis
tudovantajo
umadiferen
imagem qu
al.2004),eq
mnaT1,oqu
, mas no d
oses(Rey,Su
mp:
rDP,Figura3
edemacrom
os contrastes
toeAplicao
mponderaoT1
setal.2001)).
o crebro, a
que possibilit
eemadio
contraste, m
3.9,aquela
ecido adiposo
entidonom
nderadaem
emponderao
setal.2001)).
osasparasali
adecontras
e aparece m
quemostraa
uepossibilita
iferencia os
ubsoletal.2
3.10,quea
molculasde
s de T1 e de
a matria b
ta um bom e
oaumainjec
mostra reas
emqueoco
o e da gua;
ovimento,se
T2;
T2
ientaremed
steentream
maior que a p
aslesesact
aacaracteri
edemas, a d
2002).
aconcentra
protenasou
e T2, sendo
Pgina48de2
branca, a m
estudo anat
codeGado
s desmielini
ontrastedep
; logo, prov
endoqueum
dirasleses
matriabran
ponderada e
tivaseasina
izaodoste
desmieliniza
odeprot
udegordura
que para is
200
atria
mico
olnio,
izadas
pende
m da
mTEe
como
caea
em T1
activas
ecidos
o, a
esno
a,tem
sso se
O
frequ
cefalo
image
que s
(ouh
U
impu
supri
para
TE (D
patol
entan
N
com
EMn
T2e
nam
T1, re
cerca
pond
temp

utiliza
analis
Desa
dar
Apon
ou re
para
O problema d
uentes dano
orraquidiano
enspondera
so dificilme
ipersinal)do
Utilizada com
lsos prpria
mir os sinais
acomponen
Doyon, Caba
gico, o que
nto,podeme
Nos cortes d
um doscont
nocrebro,a
sinalhipoint
atriabranc
eflectindo a
a de 80% do
eradas em T
posderelaxa
a um TE cur
sados,defor
Figura3.10
alientarque,
eaqueest
nderaopo
ecentes, que
oreconhecim
da identifica
os da EM,
o (LCR) atra
adasemT2e
ente visveis
oLCR.
m imagens p
a, denomina
s do LCR pe
ntetransvers
nis et al. 20
e permite u
estarpresen
a Figura 3.1
trastes,mas
apresentam
tenso(surge
ca,sendoqu
sua estrutu
os doentes c
T2 so basta
aopequen
rto e um TR
rmaintens
Corteaxialem
(retiradode
ocontraste
aserexamin
rDPumai
e aparecem
mentodeles
ao de pequ
pode ser
avs da tcn
eDP.Destem
nas sequn
ponderadas e
ada por inve
la seleco d
sal,seguido
01). Desta f
ma melhor
tesnaimage
11, reparase
tornarseex
sinalhiperin
mcomoesc
etipicament
ura interna c
com EM, as
ante sensvei
oseassequ
longo, de v
idadedosin
ponderaoDPd
(Doyon,Cabanis
porDPest
nada;
imagemque
como manc
sesprxima
uenas leses
solucionado
nica FLAIR (
modo,hap
ncias ponder
em T2, a t
ersion recov
de um temp
deumtemp
forma, pos
diferencia
emalgunsar
e que uma e
xtremament
ntenso(apare
uras)emT1
te,ascontu
complexa (D
leses so
is na detec
nciasDPpo
CAPTULO
alor muito s
alserindepe
docrebrodedoe
setal.2001)).
semprepre
epermiteai
chas brilhan
asdeventrc
s em alguma
o pela sup
(fluid attenu
possibilidade
adas em T2
cnica FLAIR
very. O princ
po correspon
podeinvers
ssvel disting
o entre o t
rtefactos.
estrutura an
tentidacom
ecemclaras)
noquedizr
sesparecem
DugasPhocio
hiperintensa
o de leses
odemaindam
OIIIImagempor
superior ao d
endentedeT
entecomEM
esenteedep
dentificao
ntes, e pa
culoscomflu
as regies ce
resso do
uated inversi
ededetectar
devido ao s
consiste nu
cipal objecti
ndente a um
oprolonga
guir o contra
tecido saud
atmica pod
moutro.Por
)nasimagen
respeitoin
mmenorese
on, Gonzlez
as em T2, po
s, sendo que
melhoraress
rRessonnciaMa
Pgina49de2
de T1 dos te
T1edeT2;
pendedodoe
odelesesa
rticularment
uido.
erebrais ond
sinal do l
ion recovery
rpequenasl
sinal hiperin
uma sequnc
ivo desta s
m impulso de
docomum
aste de um t
vel e a les
de no ser v
risto,asles
nsponderad
ntensidaden
emT2doqu
z et al. 2004
orque as im
e as T2 FLAIR
sasensibilida
agntica
200
ecidos
entee
ntigas
te til
de so
quido
y) em
leses
ntenso
cia de
rie
e 180
longo
tecido
o; no
visvel
esda
asem
ormal
ueem
4). Em
agens
R com
ade.
Alinham
D
gua
brilha
detal
3.5.
P
elem
preci
exper
locali
magn
pertu
cada
um i
prot
frequ
S
suafr
cada
dosc
deum
image
dispo
ligeir
doex
mentodeEstrutu

Figu
Deste modo,
escura enq
ante.Assim,
hesanatmi
Forma
Para se obte
entodo volu
sa porque ir
rimentalpelo
izao da o
ntico de b
urbaes sob
cortedaRM
mpulso de
es precessa
uncia.
Seogradient
requnciaor
voxel est e
contguos.Co
maminscul
em 2D. Um
ositivo de re
amenteolo
xame,permit
urasemImagens
ra3.11Imagem
(c)T2FLAI
as imagens
quanto as po
asimagens
icos,easadq
odeima
er uma ima
umeestudad
rradiam o co
oqualseass
origem do s
aixa intensid
brepostas ao
Mvaiteruma
RF com um
am, correspo
teapenases
riginal,vop
especificado,
omocadaco
apartedoc
a vez obtida
essonncia m
calnoquala
temvisualiza
Mdicas:Estudo
mporressonncia
IR,(d)T1(retirad
s ponderada
onderadas e
obtidasem
quiridasem
agem
agem por R
do.Asondas
onjunto do c
sociaumsina
sinal, real
dade (10
o campo mag
afrequncia
ma frequnci
onde alter
stiveractivo
possuirfases
, sendo obtid
njuntodeim
corpo,atrav
a esta prime
magntica re
asuaenergia
arumaestru
,Desenvolvimen
amagnticacere
dode(DugasPho
as em T1 ap
em T2, mos
ponderao
T2soideai
M, tem de
sdeRFno
corpo coloca
alaumadet
izado atrav
mTesla por
gntico prin
aderesson
ia especfica
rao da ve
durantebre
sdiferentes(
da a sua inf
mpulsosdeR
sdeproces
eira represe
epete esta s
afocada,t
uturatridime
toeAplicao
ebraldedoentec
ocion,Gonzlezet
resentam o
stram o teci
oT1soexce
sparavisual
se descrim
podemserd
ado na bobin
terminadapo
s do uso
metro), qu
cipal (Doyon
ncianica.D
a, apenas va
locidade do
evesmoment
(Doyon,Caba
ormao de
RFededado
samentoma
entao bidim
equncia v
temsevrias
ensional,ous
omEM:(a)T2,(b
tal.2004)).
tecido adip
do adiposo
elentespara
izaraspatol
inar a cont
dirigidasaap
na de emiss
osioespac
de um grad
ue se consti
n, Cabanis et
Destemodo,
ai ser excita
movimento
tos,osspina
anisetal.20
uma forma
srecebidosg
atemtico,
mensional d
rias vezes, a
simagens2D
seja,umvolu
Pgina50de2
b)DP,
poso brilhant
escuro e a
a avisualiza
ogias.
tribuio de
penasumar
so. O meca
cial,porexem
diente de c
itui de peq
t al. 2001). A
,quandose
ado o corte
o giratrio, a
aorecupera
001).Destem
independen
geraainform
transformad
do corpo, co
alterando se
Dque,not
ume3D.
200
te e a
gua
ode
cada
regio
nismo
mploa
campo
uenas
Assim,
aplica
cujos
a essa
rema
modo,
nte da
mao
daem
omo o
empre
rmino
O
actua
dosp
de ta
propo
N
surge
2004
3.6.
A
adicio
pelo
esteja
conhe
para
escol
C
mlti
Fig

Os gradiente
am em conju
protesdeg
al forma qu
orcionaldi
Na prtica as
em sobre a
),quecorrec
Artefac
As imagens
onadasdura
campo mag
am desalinh
ecimento da
a correcta i
hadosparm
Como a resso
iplosartefact
Situa
contr
uma
magn
Figura
ura3.12Artefa
(retiradode
Situa
exem
3.14,
se m
image
electr
s de campo
unto com im
guacontida
ue a diferen
stnciaqueo
s imagens p
forma de u
ctamenteali
ctos
por resson
nteasuafor
gntico prin
hadas devido
a existncia
nterpreta
metrosdeaq
onncia mag
tos,sendoe
es intrns
roladodome
regio de
ntico local e
a3.13;
actodevidoaomo
(Doyon,Cabanis
es extern
mplo, a sobre
orudoalea
manifestam p
emesedeve
rodinmicai
, trs no tot
mpulsos de R
nocorpo.N
na de inten
osseparana
or RM, bem
m conjunto
nhadas,vo
nncia mag
rmao(Bric
cipal e por
o sua pre
de erros e
o das image
quisiodas
gntica cons
ssesgeralme
ecas ao doe
esmo,Figura
interesse, s
em funo d
ovimentododoe
etal.2001)).
as ao doen
eposio de
atrioouas
pelas varia
emsimper
nduzidanod
tal, caracter
RF para prod
Naressonnc
nsidade do
adirecodo
m como outr
de cortes d
formarumv
gntica so
cq,Colletet
artefactos,
esena (Rey,
de artefacto
ens obtidas,
mesmas(Do
iste numa t
entegerados
ente como
a3.12,ouap
sendo que e
do volume, f
ente
F
te e ineren
estruturas,
nohomoge
es espaciai
rfeiesdoe
doente(Bric
CAPTULO
izamse pela
uzir a image
ciamagntica
campo mag
ogradiente(
ros tipos de
de imagens
volume3D.
susceptvei
al.2008),se
o que pode
, Subsol et
os nesta tc
sendo algun
oyon,Cabani
cnica basta
spor:
so, o mov
presenade
esta situa
forma ou ca
Figura3.13Arte
(retiradode
tes ao mt
as interfer
eneidadesde
is lentas da
equipamento
q,Colleteta
OIIIImagempor
a sua amplit
em, codifican
a,osgradien
gntico entr
Doyon,Caba
imagem, co
em 2D (slice
s de apres
ndoasmais
e fazer com
al. 2002). D
cnica imagio
ns deles evit
isetal.2001
nte sensvel
vimento invo
corposmet
o gera vari
ractersticas
efactodevidoaum
(Doyon,Cabanis
odo de aqu
ncias ferrom
eganhodaa
intensidade
odeaquisi
al.2008).
rRessonnciaMa
Pgina51de2
tude e direc
ndo a distrib
ntesutilizado
re dois pont
anisetal.20
omo de CT e
es) (Xie and
sentar disto
comunscau
m que as im
De realar q
lgica ess
tveis pela e
1).
, esta sujeit
oluntrio ou
licosprxim
iaes no c
s ferromagn
mobjectometli
setal.2001)).
uisio, com
magnticas,
antenadeRF
e dos tecid
oouinter
agntica
200
o, e
buio
osso
tos,
01).
e PET,
Farin
ores
usadas
agens
que, o
encial
exacta
ase a
u no
mosde
campo
ticas,
ico
o por
Figura
F,que
os na
raco
Alinham
D
fenm
movi
E
baixo
norm
S
introd
outra
das
pertu
caso,
3.7.
D
i.
ii.
mentodeEstrutu

Figura3
Daobserva
menos de a
mento,Figur
Emrelao
o e o sinal de
mal(Grimaud
SegundoL.G
duoderu
asvariaes
estruturas
urbaes ain
verificarse
Resumo
Destecaptul
As mode
compree
desordem
imagens
Oprincp
Na a
nume
Aplica
direc
interv
estm
poste
image
urasemImagens
3.14Artefactod
odasfigura
specto bast
ra3.12,nafo
sestruturas
e uma leso
,Zhuetal.2
.Brown(Bro
donosenso
indesejveis
presentes.
da podem a
umaimprec
o
o,podesec
ernas tecno
nso do pro
m que o at
dasuaanato
iodefuncion
aquisio de
erosostomo
adossobum
o, sendo
valo de tem
mulo pra, e
eriormente
ens.
Mdicas:Estudo
devidosinterfer
(retiradode
asanteriores
ante varive
ormadeima
anatmicas
o pode ser, m
2002).
own1992),a
ordaimagem
s,podemcon
Logo, mes
afectar o alg
cisonoalinh
oncluirque:
ologias de i
ocessamento
tingem, send
omiaeestrut
namentoda
e imagens d
osdeHidrog
mpotentecam
que seguida
mpo curto;
eles restitue
tratado m
,Desenvolvimen
rnciasferromag
(Doyon,Cabanis
s,podeseco
el, surgindo
agensfantas
normais,as
mas no h
asdistores
m,bemcomo
ntribuirdefo
mo com o
oritmo que
hamentoobt
imagiologia
o da inform
do a resson
tura(Jiang,L
ressonncia
do corpo h
gnioqueoc
mpomagnt
amente so
isto , colo
em a energi
matematicam
toeAplicao
nticas(buracon
setal.2001)).
oncluirqueo
por exempl
smasdases
lesesdaE
abitual, sem
srelacionada
o,asaltera
ormanefasta
o prproce
vai alinhar a
tido(Rey,Su
desempenh
mao do c
nncia mag
Liuetal.200
amagnticac
umano atra
constituem;
tico,ostom
excitados p
ocados em
ia acumulad
mente para
negronacavidade
osartefactos
lo no caso d
struturasem
Mtmumc
melhante ao
ascomasmu
esdeposi
aparaocorr
ssamento d
a sequncia
bsoletal.20
ham um pa
rebro e dos
ntica adeq
8);
consiste:
vs do apr
mosorientam
por ondas de
ressonncia
da produzind
a obteno
Pgina52de2
eocular)
ssetraduze
dos artefact
mcausa.
contrastebas
de uma estr
udanasou
ododoent
rectoalinham
das imagen
de dados e
002).
apel essenci
s mecanism
quada para
roveitamento
msenumam
e RF durant
, e quando
do um sina
o das respe
200
mpor
tos de
stante
rutura
coma
teeas
mento
ns, as
nesse
al na
os de
obter
o dos
mesma
te um
o esse
al que
ectivas
Pgina53de200
iii. A imagem por ressonncia magntica explora a capacidade do dipolo H
2
O de entrar
emressonncia;
iv. A ressonncia um fenmeno que ocorre quando um ncleo exposto a uma
perturbao oscilatria que tem uma frequncia prxima de sua prpria frequncia
natural de oscilao. Esse ncleo ganha energia da fora externa e entra em
ressonncia;
v. Aimagemporressonnciamagnticapermitedescartarcommuitaseguranaalgumas
enfermidades e com os potenciais evocados possibilita evidenciar leses
desmielinizantes, sendo mesmo de elevada utilidade para a deteco de leses que
nosovisveisemimagensradiolgicasconvencionais.
Em resumo, a ressonncia magntica permite a obteno de imagens bastante ntidas de
praticamentetodosostecidoshumanos,sendodeextremautilidadequandoseexigedetalhe
enitidezdeumrgo,logobastanteutilizadaparaadetecodelesesoudealteraesdas
estruturas.Tambmpossvelafirmarquearessonnciamagnticatemcontribudodeforma
muito importante no diagnstico da esclerose mltipla, sendo praticvel descartar com
bastanteseguranaoutrasenfermidadesechegaraumdiagnsticodecertezanamaioriados
casos,realizandosealmdisso,odiagnsticocadavezmaisprecoce.
De salientar que existe a possibilidade de concertar as tcnicas de imagem funcional e
anatmica, sendo exemplo disso a mquina combinada PET/CT, dispositivos PET e CT
fisicamente interligados por uma cama comum e uma consola de computador, que no s
ofereceimagensalinhadascompreciso,comotambmsimplificaalogsticarelacionadacom
a organizao do exame do doente (Pichler, Judenhofer et al. 2008). Assim, a mquina
combinadaPET/CTtornouseumaimportanteferramentadediagnstico.
Continuam a ser desenvolvidas novas estratgias para aumentar a sensibilidade dos
equipamentos de ressonncia magntica na deteco de leses, de forma a permitir a
detecodeummaiornmerodelesesactivasdoqueastcnicasactuais.

Pgina54de200
CAPTULOIVTcnicasdeAlinhamentodeImagensMdicas

Pgina56de200
Pgina57de200
4.1. Introduo
Asaplicaesdeprocessamentoeanlisedeimagemnareamdicaestoemconstante
evoluo.Porexemplo,orealcederegiesdeinteressedeformaafacilitaravisualizaooua
quantificao dos dados presentes so recursos importantes no auxlio dos mdicos na
obtenodediagnsticosmaisprecisoseconfiveis.
Aintegraodeinformao2D,3Demesmo4D(3Dmaistempo)provenientedediversas
modalidades imagiolgicas, de forma a aproveitar o melhor de cada uma, ou ainda a
comparaodedadosdeummesmodoenteouentredoentesrequerem,implicitamente,que
as imagens sejam espacialmente comparveis, isto , que sejam definidas no mesmo espao
geomtrico.Comoraramenteissosucedeapartirdo(s)processo(s)deaquisio,necessrio
utilizar mtodos computacionais para estimar a transformao espacial que permite transitar
do espao geomtrico de uma imagem para o espao correspondente de outra. Esta
transformao entre as imagens aplicase ento colocao em correspondncia
alinhamento de imagens e determinao da transformao geomtrica associada, de um
conjuntodedadosquerepresentamumamesmarealidadefsicaemimagensdistintas(Brown
1992). Assim, o alinhamento de imagens traduzse num problema de mapeamento, que no
estcompletamentosolucionado,sendoqueparaareaespecficadamedicina,talproblema
bastanteimportantevistoaelevadaquantidadedeaplicaesondeexisteanecessidadede
compararosdadoscontidosnasmesmas.
O presente captulo expe os conceitos relacionados com o alinhamento de imagens,
sendodadaespecialnfasesimagenscerebraisporseremdemaiorinteresseparaoestudo
da patologia abordada nesta Dissertao, a esclerose mltipla (EM), que uma doena
caracterizada por zonas isoladas de desmielinizao nos nervos dos olhos, no crebro e na
medula espinal. Assim, iniciase este captulo com a definio de alguns parmetros e
posteriormente expese e abordase diversos estudos realizados na rea do alinhamento de
imagens mdicas, bem como, discutese vrias das suas principais caractersticas e
especificidades. Embora sejam descritas diversas tcnicas, o principal objectivo das restantes
seces consiste em apresentar algumas das metodologias mais comuns. Na ltima seco,
apresentadoumresumodoexpostonestecaptulo.
4.2. Conceitosassociadosaoalinhamentodeimagens
Esta seco, apresenta uma introduo genrica s noes associadas ao alinhamento de
imagens,existindosempreumrealceparaosaspectosrelacionadoscomareamdica.
4.2.1. Alinhamentodeimagens
O alinhamento de imagens termo bastante vago que reagrupa um grande nmero de
problemticas diferentes (Hill, Batchelor et al. 2001) podese resumir pela deformao ou
pelo movimento afim de uma imagem para que se assemelhe tanto quanto possvel a uma
Pgina58de200
outra, o que genericamente consiste na modificao de uma primeira imagem de forma a
eliminar ou reduzir as diferenas existentes com uma segunda, sendo que o gnero de
deformao ou de movimento aplicado que vai determinar o tipo de alinhamento. Assim, no
alinhamentodeimagens,existesempreaalusoaduasimagens,umaqueservedereferncia
eoutraquetransformada.
O desalinhamento entre imagens decorre em grande parte do processo de aquisio
(Grimaud, Zhu et al. 2002), uma vez que este pode ser executado em diferentes instantes de
tempo e locais, com variaes de ngulo, e tambm com a utilizao de equipamentos
distintos, e pode causar por exemplo, rudos que degradam os resultados da anlise. Tais
incoerncias tm diversas origens, das quais se destacam para as aplicaes mdicas, as
mudanas de posicionamento do doente e dos parmetros de aquisio da imagem, como a
utilizao de diferentes nveis de contraste para realar as regies a analisar (Elsen, Pol et al.
1993).
Devido ao crescente interesse neste domnio, demonstrado pela quantidade elevada de
publicaes cientficas existentes, verificase uma grande diversidade de mtodos para o
alinhamento de imagens. No entanto, h alguns autores, como em (Brown 1992) e mais
recentementeem(Zitov,Flusseretal.2005),queestabeleceramdocumentosexaustivospara
descrever muitos dos mtodos existentes. Para o domnio especfico da imagem mdica, em
(Elsen,Poletal.1993),(MaintzandViergever1998),(Jannin,Grovaetal.2001),(Hill,Batchelor
et al. 2001), (Hajnal, Hill et al. 2001), (Crum, Hartkens et al. 2004) ou em (Radke, Andra et al.
2005), so apresentados estados da arte significativos. Um estudo comparativo entre
diferentes mtodos (rgidos) de alinhamento de imagens mdicas foi efectuado no projecto
Vanderbilt, estando os principais resultados descritos em (West, Fitzpatrick et al. 1997). Em
(Klein, Andersson et al. 2009), apresentado um trabalho que compara o desempenho de
catorzealgoritmosdedeformaonolinear,atravsdeoitomedidasdeerro,aplicandoosao
alinhamentodeimagensporressonnciamagntica(RM)cerebrais.
Todavia, e qualquer que seja a rea cientfica em considerao, os mtodos de
alinhamentodeimagensproduzemumconjuntodeparmetrosquetransformamcadaponto
de uma imagem no ponto correspondente na outra imagem. Contudo, devese destacar que
podeserinerentementeimpossvelrealizaroalinhamentodeduasimagens,umavezquea
diferena entre elas que carrega as informaes teis para essa tarefa (Sorzano, Thvenaz et
al.2005).
4.2.2. Classificaodosmtodosdealinhamentodeimagens
Em diversos estudos proposta uma classificao para os mtodos de alinhamento de
imagens desenvolvidos. A grande variedade de algoritmos apresentados na literatura assim
caracterizvelatravsdediversospassos,dependendodascaractersticasconsideradas,sendo
que cada uma dessas etapas tida como robusta ao rudo do processo de aquisio, s
deformaes geomtricas ou s variaes de contraste, e a sua implementao tem os
problemas tpicos associados, tais como, a escolha da mtrica mais indicada ou mesmo, o
mtododeoptimizaoquemelhorseadequaadeterminadaaplicao.
Pgina59de200
Fundamentalmente,soapresentadasem(Brown1992),eposteriormenteretomadasem
(Elsen, Pol et al. 1993), (Maintz and Viergever 1998), (Hill, Batchelor et al. 2001), (Crum,
Hartkens et al. 2004), (Radke, Andra et al. 2005) e (Zitov, Flusser et al. 2005), fases distintas
paraacaracterizaodosmtodosdealinhamentodeimagensmaiscomuns.
Para a rea particular do alinhamento de imagens mdicas, com as suas prprias
especificidadesecondiesoperacionais,em(MaintzandViergever1998)apresentadauma
classificao abrangente e detalhada que se baseia nos preceitos originalmente expostos em
(Elsen,Poletal.1993).Assim,foramconsideradosnovecritriosbsicos,sendoquecadaum
delespodesersubdivididoemumoumaisnveis,queso:
i. A dimensionalidade dos dados adquiridos: Referese dimenso das imagens
utilizadascomobaseparaoalinhamento,ouseja,seso1D,2D(cortestomogrficos
ouimagensporressonnciamagntica),3Dou4D;
ii. Os atributos usados para o alinhamento: Podem ser divididos em extrnseco, que se
baseia em marcadores ou objectos externos colocados no doente e que depois so
utilizados para o alinhamento das imagens; ou em intrnseco, onde o alinhamento
baseadonasinformaesquesogeradaspelodoente,comoporexemplo,empontos
anatmicos ou geomtricos salientes, ou em medidas dos nveis de cinzento das
imagens;
iii. O domnio da transformao: As transformaes que mapeiam o sistema de
coordenadas de uma imagem para outro, podem ser classificadas como local ou
global, isto , quando estas se aplicam localmente ou a toda a imagem,
respectivamente;
iv. O tipo ou natureza da transformao: rgida (rigid), afim (affine), projectiva
(projective),curvada(curved),etc.;
v. Os graus de interactividade do utilizador: Trs nveis de interaco so reconhecidos,
sendo que nos procedimentos interactivos e semiautomticos, se presume que o
operadordisponvelesttreinadoparaatarefa(Elsen,Poletal.1993):
Automticos: O utilizador fornece as imagens ao algoritmo e por vezes tambm
algumasinformaessobreoprocessodeaquisio;
Interactivos:Outilizadorrealizaoalinhamentopropriamentedito,osoftwarefaza
assistncia fornecendo alguma visualizao sobre a transformao corrente, e
possivelmentecomumauxliosobreatransformaoinicial;
Semiautomticos: A interaco requerida pode ser de duas formas, isto , o
utilizadoriniciaoalgoritmo,segmentandoosdados,ouguiandoo,masrejeitando
ouaceitandoashiptesesfeitasduranteoalinhamento.
vi. Anaturezaoumodalidadedasimagensenvolvidas:Classificaseasimagenspertencem
mesmamodalidade(monomodal)ouamodalidadesdistintas(multimodal);
Pgina60de200
vii. Sujeito:Designa,seodoenteomesmoemcadaaquisiodeimagem(interouintra
paciente);
viii. Procedimentos de optimizao: Refere a forma como o mtodo de alinhamento
determinar como sero as transformaes a serem realizadas, logo, consiste na
procuradosparmetrosqueoptimizamumafuno;
ix. Objecto: Identifica a estrutura anatmica visada pelo alinhamento (cabea, trax,
membros,etc.).
Generalizando, os mtodos para o alinhamento de imagens podem ser vistos como uma
combinaodosseguintesquatrocomponentes(Brown1992;Zitov,Flusseretal.2005):
A deteco de caractersticas (feature detection), isto , a definio de primitivas:
Consiste em informaes pertinentes extradas das imagens que servem de base
paraoclculodadeformaopretendida;
A estimao do modelo da transformao (transform estimation model): Define o
tipo/classe de transformaes a aplicar entre os atributos das imagens para as
alinhar, e caracterizase por um determinado nmero de graus de liberdades
(MaintzandViergever1998);
Acorrespondnciaentrecaractersticas(featurematching):Usandoumcritrioou
medida de similaridade, permite estabelecer a relao de proximidade entre as
imagens usadas na tarefa, com a finalidade de quantificar as semelhanas;
consequentemente, talvez o elemento mais crtico em todo o processo de
alinhamento(Ibnez,Schroederetal.2005);
A reamostragem e transformao usando uma estratgia de optimizao (image
resampling and transformation): a estratgia que determina a melhor
transformao, onde a medida de similaridade atinge o seu custo mnimo, no
espaodefinidopelomodelodedeformao.
Na Figura 4.1 encontramse exemplificadas as etapas anteriormente descritas. Na linha
superiorefectuadaadetecodecaractersticas(nestecaso,vrtices)enasegundalinha,
apresentada a correspondncia entre elas (os pares emparelhados esto marcados com
nmeros). Finalmente na linha inferior, do lado esquerdo procedese estimao do modelo
da transformao e do lado direito, reamostragem e transformao da imagem (usando
tcnicasapropriadas).
C
critr
simila
eles s
trans
image
assem
imag
trans
4
P
dos
defin
entre
persp
envo
aima

Como j refe
rios, isto ,
aridadeoum
sejam, o pro
sformao de
emrefernc
melhla tan
e), que cons
sformaes,
Figura4.2
4.2.3. F
Paraalinhard
elementos
ida como se
e estas sejam
pectiva mate
lvidodevee
agemderefe
Figura4.1Desc
d
erido, os m
regio de
mtododeop
ocedimento
e uma estru
ciaouimagem
to quanto p
siste na estr
Figura4.2.
Mediantealgum
Formula
duasimagen
existentes n
endo um ma
m minimizad
emtica ma
stimarospa
ernciapara
crioexemplific
deimagens(retira
todos de a
interesse, m
ptimizaou
genrico se
utura a alinh
mmvel(mo
possvel a um
rutura que t
mastransforma
(retiradode(
omatem
nsnecessr
nestas. Em
apeamento e
as (Hill, Batc
is formal, p
armetrosdo
aalvo.
CAP
ativadasquatro
adode(Zitov,Fl
alinhamento
modelo fsic
usado(Cama
eguido resum
har, isto , d
ovingimage
ma imagem f
tem de ser c
esamovingima
Ibnez,Schroede
ticadeu
rioconhecer
termos geo
espacial ent
chelor et al.
para o alinh
omodeloda
PTULOIVTcn
etapastpicaspa
lusseretal.2005
o podem cla
co utilizado
ra,Colliotet
mese essen
de uma imag
e),deforma
fixa (fixed im
correspondid
agemapeadap
eretal.2005)).
ummtod
ratransform
omtricos e
tre duas ima
2001; Jannin
hamento de
atransforma
icasdeAlinhame
raoalinhamento
)).
ssificarse m
na deforma
tal.2004).M
cialmente n
gem fonte (s
aserpratic
mage) ou ima
da, ou seja,
paraoespaodaf
dodealinh
maoquere
sta transfor
agens, para q
n, Grova et a
duas imag
ogeomtr
entodeImagens
Pgina61de2
o
mediante div
ao, medid
Masquaisque
na deforma
source imag
velsobrep
agem alvo (t
na que no
fixedimage
hamento
elacionaapo
rmao pod
que as difer
al. 2001). De
gens, o algo
ricaquemap
Mdicas
200
versos
da de
erque
o ou
ge) ou
laou
target
sofre
osio
de ser
renas
e uma
oritmo
peiam
Alinham
A
exem
duas
R
3
e
eF,m
N
melh
N
critr
Contu
4
A
geral
D
dada
dessa
mve
que
parm
repet
mentodeEstrutu

As bases da
mplo em (Bro
imagens,R
comvalore
medianteum
Nestes termo
ortransform
Naequao 4
rio S, cuja e
udo,devese
Ocrit
De u
trans
A for
como
alinha
4.2.4. D
A Figura 4.3
daproblem
DaFigura4.3
s umas imag
a ltima nas
el.Deseguid
passadopa
metros da tr
tese at alc
urasemImagens
formulao
own 1992) e
(imagemde
emR(conjun
mdeterminad
os e retoma
mao(I
`
),de
I
`
=
4.1,otermo
voluo trad
ersalientado
trioSdei
m ponto de
formaopr
rmulao da
o, no repr
amento.
Diagrama
mostra o di
ticaexpres
Figura4.3Di
3verificase
gens alvo e
regies ain
da,essaimag
araumoptim
ransforma
canar um e
Mdicas:Estudo
matemtica
e consistem
referncia)
ntodosreais
docritriod
ando a form
entrodafam
= org mox
1
oorg mox i
duz a similar
que:
mportncia
vista prtic
retendida(I
`
equao 4
resenta ade
deblocos
agrama de b
sanoalinha
agramailustrativ
deimagen
queparaaa
fonte, efe
da no map
gemavalia
mizador,que
o definem o
extremo ou
,Desenvolvimen
a para o alin
na determin
eF(imagem
s),detalfor
esimilaridad
mulao prop
mliadastran
1
S (R, F, I).
ndicaapres
ridade entre
elevadaem
co, a equa
);
.1, mesmo s
quadamente
sdeumm
blocos e as
mentodedu
vodoesquemade
ns(adaptadode(Y
aplicaode
ectuada uma
peadas e par
adasegundo
decidequal
o espao de
mediante a
toeAplicao
nhamento d
nao da tra
malvo),defin
maqueI
`
co
de(S)amax
posta em (B
sformaes
senadeum
e imagens, g
problemasd
o 4.1 raram
sinttica, oc
e as distint
mtodode
suas interco
uasimagens
ebasegeralpara
Yoo2004)).
umatcnica
a interpola
ra aplicar um
umdetermi
aprxima
e pesquisa d
definio d
e imagens s
ansformao
nidasnumdo
oloqueemco
imizarouam
rown 1992),
I,apartirde
algoritmod
guiando assim
dealinhamen
mente usad
ulta vrias d
tas etapas
alinhame
onexes, par
mdicas.
oalinhamento
adealinham
o para avali
ma transform
inadocritrio
transforma
o optimizad
e um critri
Pgina62de2
so descrita
o ptima, I
`
,
omnioL R
orrespondn
minimizar.
, podese ob
e:
(4.1
de optimiza
m o alinham
nto;
da para calc
dificuldades,
dos mtodo
ento
ra a interpre
mentodeima
iar os parm
mao na im
odesimilari
o,sendoq
dor. Este pro
io de parage
200
s, por
entre
R
2
ou
nciaR
bter a
1)
odo
mento.
ular a
, bem
os de
etao
agem,
metros
magem
idade,
queos
ocesso
em, ,
Pgina63de200
como, por exemplo, um nmero mximo de iteraes ou um valor mnimo para a
mtrica/critriodesimilaridade.Qualquerquesejaotipodealinhamentoescolhido,omtodo
adoptado e a optimizao utilizada, geralmente o processo usado para o alinhamento de
imagensdevecontertodasasetapasindicadasnaFigura4.3.
Normalmente, quando um ponto mapeado de um espao para um segundo espao por
uma transformao, as posies sobre a grelha da imagem fixa no so colocadas em
correspondncia sobre as posies da grelha da imagem fonte. Consequentemente, uma
interpolao necessria para avaliar a intensidade da imagem na posio mapeada. No
contexto do alinhamento, a interpolao afecta, em geral, a regularidade do espao de
optimizao e do tempo de processamento (Yoo 2004), sendo que a tcnica de interpolao
adequada depende da preciso da transformao exigida, ou do tempo de processamento
necessrio para a fazer. Assim, quanto mais elevada for a preciso da interpolao, maior
tambm o tempo necessrio para a realizar (Zitov, Flusser et al. 2005). Por outro lado, as
interpolaes so executadas milhares de vezes num nico ciclo de optimizao (Ibnez,
Schroederetal.2005).
Adicionalmente, o desempenho do alinhamento de imagens depende da escolha dos
elementos apresentados na Figura 4.3. Ou seja, a seleco da medida de similaridade, da
optimizao e da interpolao, intervm tanto na qualidade do resultado como no tempo de
execuodoprocesso.
4.2.5. Naturezaoumodalidadedasimagensmdicas
Os mtodos usados para o alinhamento de imagens dependem bastante da aplicao em
causa (Brown 1992; Maintz and Viergever 1998), bem como, do facto das imagens serem ou
nodeummesmosujeitoe/oudeumaoudevriasmodalidadesdeimagem.
possvelsepararoalinhamentodeimagensmdicasemdoisgruposrelacionadoscomo
doente:
O alinhamento dito de intrapaciente quando trata de sequncias temporais de
imagens provenientes de um mesmo doente, o que permite a deteco e o
acompanhamento da evoluo de leses, bem como, a medida de atrofias ou de
hipertrofiasdedeterminadasestruturasanatmicas;
O alinhamento dito de interpaciente quando se procede colocao em
correspondncia de imagens provenientes de diferentes sujeitos ou entre um
indivduoeummodelodereferncia(comoAtlas)(Roche,Malandainetal.1999).
O alinhamento interpaciente tem como principais aplicaes a construo e a
utilizao de Atlas probabilsticos, utilizados por exemplo, para a segmentao
automtica do crebro (Bondiau, Malandain et al. 2004). No estudo da esclerose
mltipla,asegmentaoessencialparaisolareextrairasleses.
O alinhamento de imagens mdicas tambm divisvel em dois conceitos associados
naturezaoumodalidadedoexamemdico(Hajnal,Hilletal.2001):
Pgina64de200
O alinhamento dito de intramodal ou de monomodal quando as imagens so
todas de uma mesma modalidade e usado, principalmente, para facilitar a
comparao entre exames, permitindo assim realizar o acompanhamento
temporal de doentes, criar bases de dados de exames, gerar modelos de exames
consideradosnormaisoufacilitaracomparaoentreodoenteeummodelo;
O alinhamento dito de intermodal ou de multimodal, quando as imagens
provmdemodalidadedistintas.Umexemplocomumdaaplicaodesteconceito,
consiste em comparar dados obtidos em diferentes instantes de tempo, e/ou por
equipamentos de modalidades distintas, por exemplo, de forma a verificar se
existeumaqualqueralteraosubtildaanatomiaoudapatologia.Oalinhamento
tornase mais complexo, quando se procura colocar em correspondncia imagens
contendoinformaesporvezesbastantedistintas(MaintzandViergever1998).
De salientar que, de imagens adquiridas por diferentes modalidades, que podem diferir
tanto em aparncia como em resoluo, provm informaes complementares, sendo
desejvelquehajaumaintegraoapropriadadessesdados.Aoinvs,asdemodalidadenica
permitemporexemplo,nocasodoalinhamentodeduasimagensporressonnciamagntica,
aretiradadosrudosobtidosduranteoprocessodeaquisio(Elsen,Poletal.1993).
Combinando as classificaes anteriores, definese ainda o alinhamento como (Jannin,
Grovaetal.2001):
Intramodaleintrapaciente:Alinhaimagensprovenientesdeummesmodoentee
de uma nica modalidade, fazendo com que elas sejam quase semelhantes ao
nvel das intensidades e com poucas diferenas anatmicas, sendo normalmente
usadoparaoacompanhamentoouodiagnsticodeumapatologia;
Intermodal e intrapaciente: Esta classe alinha imagens bastante diferentes ao
nveldasintensidadesmascompoucasdisparidadesanatmicaseapareceporque
nenhuma modalidade imagiolgica possibilita a explorao de toda a estrutura
anatmicadeumdoente;
Intramodal e interpaciente: Relacionase com o alinhamento de imagens de
diferentesdoentesmasdeumamesmamodalidade,sendoquenestecasoelasso
quase semelhantes ao nvel das intensidades, mas com divergncias anatmicas
importantes;
Intermodal e interpaciente: Alinha imagens bastante distintas ao nvel das
intensidadesecomdesigualdadesanatmicasimportantes.
Na rea mdica, associar informaes provenientes de imagens de diferentes
modalidades, pois, por vezes a complexidade dos fenmenos biolgicos no permite que
possam ser explicados apenas por um mtodo (Jannin, Grova et al. 2001), pode ser
importante, visto na actualidade no existir nenhuma tcnica imagiolgica que isoladamente
seja suficientemente sensvel, ou especfica, para facultar ao mdico especialista informao
razovelparaodiagnsticoouoacompanhamentodesejado.Em(Maes,Collignonetal.1997)
e em (Nikou, Heitz et al. 1999), observase que o alinhamento de imagens de vrias
moda
proce
forma
de in
pode
O
mlti
categ
lese
Phoc
realiz
mode
volum
sequ
densi
classe
parm
que
Finalm
carga
D
as im
multi
4.3.
N
relaci
torno
Assim
interp
alinha

alidades u
essamento d
adaporprin
tensidade n
mapresenta
O problema
ipla, aborda
gorias anteri
esdeEMatra
ion, Gonzle
zada por ali
elo probabil
meparcialm
ncias T1, T
idade de pr
es, Figura 4
metrosextra
aplicado
mente,sos
adasleses.
Figura4.4Rep
Desalientarq
magens so t
imodalidade
Descri
Nesta sec
ionados com
o dos elemen
m, a seguir
polao, tr
amentodei
ma tarefa f
de imagem
ncpiosfsicos
uma modali
arvaloressim
do alinhame
do nesta D
ores. Por ex
avsdealinh
ez et al. 200
nhamento i
stico como
masnocons
T2, T2 FLAIR
rotes (DP),
4.4: matria
adosposte
a uma seq
separadasas
presentaodap
(c)Fluidocre
que,algunst
todas de um
(Yoo2004).
odoscr
o, apres
m a classifica
ntos exposto
so exposto
ransformae
magens.
undamental,
medica, po
sdiferentes.
dade e um v
milares.
ento de dad
issertao, p
xemplo, em
hamentoint
04) a segme
ntermodal
algoritmo de
ideraopxel
R (fluid atte
uma masca
a branca, m
eriormentec
uncia T2 F
slesesanm
robabilidadede
ebroespinal(reti
tiposdealin
ma modalida
itrios
sentada um
ao de mt
os na Figura
os alguns do
es e estra
CAP
, e tambm
ois cada mo
.Destemod
valor baixo
dos imagiol
pode ser cla
(Rey, Subso
ramodalei
entao das
e intrapaci
e deteco d
lvizinho,con
enuated inve
ara dos teci
matria cinz
calculado,de
FLAIR para
malaseus
pertencerstrs
iradode(DugasP
nhamentos
ade, enquan
ma descri
todos de ali
4.3 e dos p
os critrios
atgias de
PTULOIVTcn
complexa,
odalidade te
o,umtecido
numa outra,
gicos de doe
assificado e
ol et al. 200
ntrapacient
s contuses
ente. Neste
de valores is
nstruindode
ersion recov
dos cerebra
enta e flui
eformaauto
obter uma
sadaamsca
sclasses:(a)Mat
Phocion,Gonzle
osomentev
nto outros p
o dos div
nhamento d
propostos em
de similarid
optimiza
icasdeAlinhame
em numero
em a sua p
opodeosten
, ao passo q
entes atingid
m qualquer
2) estudad
te.Poroutro
de EM no
ltimo caso
olados, que
ssaformae
very) e com
is e classific
do crebro
omtica,um
mscara da
araparaaux
riabranca,(b)M
ezetal.2004)).
viveispara
odem supor
ersos aspe
de imagens,
m (Zitov, Flu
dade (mtric
o, geralme
entodeImagens
Pgina65de2
osas aplica
prpria nat
ntarumvalo
que outros te
dos por esc
uma das q
da a evolu
olado,em(D
tecido cereb
o, utilizad
inclui o efe
apartirdeq
m pondera
candoos em
espinal. Co
limiar(thres
as leses de
xiliarnoclcu
Matriacinzenta,
situaesem
rtar condi
ctos usualm
articulando
usser et al. 2
cas), mtod
ente usado
Mdicas
200
es de
ureza,
oralto
ecidos
lerose
quatro
o de
Dugas
bral
do um
ito do
quatro
o em
m trs
om os
shold)
e EM.
uloda
mque
es de
mente
a em
2005).
os de
os no
Alinham
4
A
manu
alinha
4.5. E
alinha
com
distin
A
al.20
i.
ii.
mentodeEstrutu

4.3.1. D
A definio d
ual, semiaut
ar,deforma
Esta determ
ar, sendo re
imagens m
ntos.
Figura4.
Adescriod
001):
Intrnseca
As pr
consi
Mala
image
repre
etal.
Tecni
muito
Batch
A dif
marc
image
manu
edem
Extrnsec
As pr
aplica
doen
Mala
urasemImagens
Detecod
de primitivas
tomtica ou
aasimplifica
inao de a
epresentativa
onomodais
.5Cincoimagen
dasprimitiva
as:
rimitivas so
derandose
ndain et al.
ens origina
esentadas, co
2001);
icamente,a
oaumproce
heloretal.20
ficuldade na
adores anat
ensaalinhar
ualporespec
muitasvezes
as:
rimitivas so
ao, geralm
te, represen
ndainetal.2
Mdicas:Estudo
decaracte
s, atributos o
u automtica
aroproblem
tributos dep
a das caract
ou multimo
nsdecrebros,co
(retiradode(J
spodesercl
extradas d
os marcad
2004). Assim
is como, p
omo a inten
identificao
essodesegm
001);
a aquisio
micos salie
r.Esteobst
cialistas,oq
srequererco
o provenient
mente de for
ntativo da p
2004);
,Desenvolvimen
ersticase
ou marcador
a, de inform
madaestima
pende da na
tersticas com
odais vai ge
ompontosdeco
ohnsonandChris
lassificadap
irectamente
dores salient
m, baseiams
por exemplo
sidade do p
odospontos
mentaode
deste tipo
entes visveis
culopodese
uetraznoe
onhecimento
tes de uma f
rma invasiva
posio e da
toeAplicao
emedidad
res, consiste
ao caracte
aodatran
atureza ou d
muns entre
eralmente p
orrespondnciaid
stensen2002)).
eloseutipo
e aps a aqu
tes e facilm
se somente
o, as relac
xel ou pont
sporestepr
imagem(M
o de primiti
s e detectve
erultrapassa
ntantoosin
osespecfico
fonte extern
, de um disp
a orientao
desimilar
e essencialm
erstica com
sformaoe
da modalidad
elas. Assim,
roduzir par
dentificadosmanu
comosendo
isio da im
mente detec
nas informa
cionadas co
os anatmic
ocedimento
aintzandVie
ivas reside
eis com prec
adocomore
conveniente
os.
na imagem
positivo mar
o deste no
Pgina66de2
ridade
ente na aqu
mum s imag
entreestas,
de das imag
, um alinham
metros bas
ualmente
o(Jannin,Gro
magem em es
ctveis (Bon
es contida
m as estru
cos (Jannin,
assemelha
ergever1998
na defini
ciso em tod
ecursodet
esdeserlabo
m em estudo
rcador exter
espao (Bon
200
uisio
gens a
Figura
gens a
mento
stante
ovaet
studo,
ndiau,
as nas
uturas
Grova
seem
8;Hill,
o de
das as
teco
orioso
o, pela
no ao
ndiau,
Pgina67de200
Este mecanismo normalmente adicionado no momento da aquisio das
imagens e visvel e minimamente detectvel pela modalidade imagiolgica
considerada,sendoquetambmexisteapossibilidadedeutilizarmarcadoresno
invasivos mas, normalmente a sua preciso bastante inferior dos invasivos
(MaintzandViergever1998);
A obteno dos pontos caractersticos e a sua colocao em correspondncia por
este procedimento bastante simples, visto manipularse estruturas com
geometriasconhecidas,sendoporisso,ummtodocomputacionalfcil,rpidode
implementareautomatizar;
Temcomoinconvenientesaimpossibilidadedealinharumaimagemquenotenha
o mecanismo marcador prprio adaptado ou a indicao da configurao
geomtricaespecfica,bemcomoofactodamedidadodispositivoexternonoser
representativa do tamanho de um rgo interno do corpo e ainda, de dispor de
primitivasemnmeroinsuficiente;
Emgeral,osmtodosextrnsecossrealizamtransformaesrgidas,oquereduz
o seu campo de estudo ao crebro e s partes ortopdicas, como ossos e
msculos,docorpo.
Como salientado em (Hill, Batchelor et al. 2001), a natureza discreta das imagens
possibilita,paraaextracodosatributospresentesnasmesmas,utilizarsomenteduasclasses
deprimitivas.Assim,definesetambmasduasmetodologiasclssicasparaoalinhamentode
imagensmdicas(Crum,Hartkensetal.2004;XieandFarin2004):
Os mtodos baseados em caractersticas geomtricas (feature based methods):
Assentam na extraco de primitivas geomtricas das imagens, como pontos,
segmentos, regies, marcadores anatmicos, etc., e posteriormente na sua
colocao em correspondncia, ou seja, produzem um conjunto de diversos
pontosemparelhados;
Os mtodos baseados em intensidades (intensitybased methods): Utilizam as
informaes obtidas pelos nveis de cinzento dos pxeis das imagens, seja pela
comparao directa entre as intensidades ou pelos valores estatsticos da
derivados.
Emtermosgerais,oalinhamentobaseadoemcaractersticasgeomtricasmaiseficiente
que o assente em intensidades; no entanto, apresenta os problemas da identificao e
extracodascaractersticasdasimagens,oquenoumdesafiomenor(Ibnez,Schroederet
al.2005).
Enquanto os mtodos baseados em caractersticas geomtricas procuram encontrar uma
transformao ou deformao entre as estruturas representadas nas imagens a alinhar, os
baseadosnasintensidades,tentamobterumatransformaoentreasimagensquecontmas
estruturas (Xie and Farin 2004). Os primeiros so essenciais em aplicaes onde as imagens
apresentamreduzidainformaoouquandoosdadosentreaimagemalvoeaimagemfonte
diferem(Sorzano,Thvenazetal.2005);contudo,fundamentalterumconhecimentoprvio
Alinham
das e
geom
algum
usam
norm
usual
ponto
A
hbrid
usada
(Hart
obten
geom
comp
conju
utiliza
princ
quec
inten
de fo
indiv
inform
possi
corre
cortic
N
mto
medi
mentodeEstrutu

estruturas an
mtricas b
ma rapidez c
m a totalidad
malmente pe
lmente utiliz
osderefern
Almdasdua
dosqueprop
as de forma
tkens, Hill et
no de um
mtricas e a
plexa, no se
unta dos do
am um mt
ipais destes
comparaosd
sidadeeout
orma entre o
duo da estr
mao obtid
bilita a ex
espondncia.
caisextrado
Nassecess
odos clssico
dasdesimila
urasemImagens
natmicas p
astante esca
computacion
de da infor
elos utilizado
zados em si
ncia.
asmetodolog
pemumal
a conjunta, c
t al. 2002),
m compromis
a colocao
endo demon
ois processos
odo misto p
. Este alinha
doiscrebro
troparaate
os sulcos. O
rutura dos s
da pelos nv
xtraco de
. A Figura 4
osdessaform
Figura4.6Su
seguintes,ap
os acima refe
aridadeenvo
Mdicas:Estudo
resentes (W
assa compa
nal (Yoo 200
mao dispo
ores ou por
tuaes em
giasanterior
inhamentoe
como nos ca
(Johnson an
sso eficaz e
em corresp
nstradas evid
s. Por exem
para alinhar
amento asse
saalinhar,c
nuarodesa
principal pr
ulcos. J em
veis de cinz
determina
.6 apresenta
ma.
ulcosextradosdo
(retiradode
presentams
eridos, dand
olvidas.
,Desenvolvimen
Wu, Qi et al.
rada com o
04). Os segu
onvel, sem
r algoritmos
que existem
rmenterefer
efectuadoat
asos apresen
nd Christens
ntre a coloc
pondncia d
dncias clara
mplo, em (C
crebros, co
enta sobre a
compostapo
certogeom
roblema des
m (Hellier, Ba
zento com
dos sulcos
a um volum
ohemisfrioesq
e(Hellier,Barillot
seeanalisam
do especial
toeAplicao
2006). Com
o contedo
undos mtod
redues p
de segmen
m poucas ca
ridas,existem
travsdeum
ntados em (
en 2002) e
cao em co
de intensida
as de benef
achier, Man
onsiderando
a minimiza
ordoistermo
trico,ouse
ste mtodo
arillot et al.
a recolhida
corticais,
me da matri
uerdodocrebro
etal.2003)).
msealgunse
nfase det
o a quantid
da imagem,
dos so mais
prvias de d
ntao (Yoo
aracterstica
maindaosm
masoluon
Cachier, Ma
(Hellier and
orrespondn
ades uma
cios resulta
ngin et al. 2
o as caracter
o de uma f
os:umpara
ja,asdifere
reside na va
2003), a com
das primiti
de forma
ia do crebr
odeumsujeito
elementosde
teco de ca
Pgina68de2
ade de prim
, isto confe
s flexveis p
dados efect
2004); logo
s geomtric
mtodosmist
naqualamba
angin et al. 2
d Barillot 200
ncia de prim
a tarefa bas
ntes da utili
2001), os au
rsticas dos s
funo de en
minoraroe
nasdepos
ariabilidade
mbinao en
ivas geomt
a coloclo
ro, com os
escritivosdo
aractersticas
200
mitivas
relhe
orque
uadas
o, so
cas ou
tosou
asso
2001),
03). A
mitivas
stante
izao
utores
sulcos
nergia
rrode
ioe
inter
ntre a
tricas,
s em
sulcos
osdois
s e s
Pgina69de200
4.3.1.1. Mtodosbaseadosemcaractersticasgeomtricas
Esta classe de mtodos normalmente usada para o alinhamento atravs de operadores
matemticos de duas imagens cujo tipo de desalinhamento desconhecido (Brown 1992),
sendoqueosmtodosassociadossedecompemusualmenteemduasetapas.Iniciamsecom
a deteco/identificao das caractersticas dentro das imagens, isto , a primeira fase
consiste na extraco, com ou sem superviso e de forma precisa, de primitivas geomtricas,
comopontossalientes,contornos,superfcies,marcasnaturaisouartificiais,etc.,nasimagens
envolvidas (Hill, Batchelor et al. 2001). Esta propriedade torna estes mtodos ideais para
situaes em que so expectveis mudanas de iluminao ou em anlise multisensor. A
segunda etapa resumese a encontrar a melhor transformao espacial para a colocao em
correspondncia das primitivas, e que ser aplicada, geralmente por interpolao, imagem
alvo. Esta fase resumese ao emparelhamento (matching) das primitivas e funo da
natureza destas nas imagens. De salientar que estas correspondncias podem determinarse
de forma manual ou automtica, conforme o algoritmo de alinhamento considerado (Maintz
andViergever1998).
Osmtodosdealinhamentodestaclasseapresentamcomoprincipalvantagemautilizao
dedadosextradosdasprpriasimagensaalinhar,logo,estessomaispertinenteserobustos.
Noentanto,comodependemdanaturezadasimagenssobreasquaisseraplicadoomtodo
e sobre a pertinncia e coerncia das informaes que acrescentam ao processo, so
geralmentecomplexosdeempregardevidodifcilescolha,algoarbitrria,aleatriaeinstvel
notempo,dasprimitivasausarnoalinhamento.Outradesvantagemaimprecisocomqueo
utilizador, caso o processo seja manual, pode identificar os atributos nas imagens a usar,
podendo prejudicar o alinhamento obtido (Hajnal, Hill et al. 2001; Wu, Qi et al. 2006). De
destacar ainda que nestes mtodos, o alinhamento pode ser completamente automatizado,
mas geralmente persiste um desalinhamento de 1 a 2 mm, isto , usualmente superior ao
tamanho de um pxel (Maintz and Viergever 1998; Grimaud, Zhu et al. 2002). Logo, com este
tipo de dificuldades, os mtodos baseados em caractersticas geomtricas podem no estar
adaptadosatodososcasosdealinhamentosdeimagens(MaintzandViergever1998).
O ponto crucial de todos os mtodos baseados em caractersticas ter um descritor de
caractersticas robusto e descritivo, que invariante em todas as diferenas assumidas entre
asimagens(Zitov,Flusseretal.2005).
4.3.1.1.1. Extracodeprimitivas
Nesta fase, procedese extraco e identificao de um subconjunto de atributos
caractersticos nas imagens que, por exemplo, devido a uma configurao geomtrica
especfica ou a um marcador externo sensvel ao fenmeno fsico (Sorzano, Thvenaz et al.
2005),sedistinguemclaramente.Umagrandepartedasdificuldadesdoalinhamentoresidena
correcta definio desta etapa (Bondiau, Malandain et al. 2004), porque pode ser bastante
complexo designar marcadores pertinentes para o estudo a realizar, bem como, detectar as
caractersticas.Podeseassimficarnumasituaoemquenopossvelgarantiraexistncia
deatributosdistintivosemtodasaszonasdeinteressedaimagem.
Pgina70de200
As caractersticas so sinais distintivos na prpria imagem, que podem tomar diversas
formas e conseguir representar elementos detectveis e evidentes em todas a imagens. As
primitivas geomtricas distinguveis nestes mtodos, representam informao num nvel
superior e podem assumir o formato de pontos, linhas, estruturas binrias obtidas por
segmentao (de alto contraste e de um tamanho apropriado), como curvas, superfcies ou
volumes,eestruturasmaiscomplexas,comocantosoucruzamentos(Yoo2004).
Aextracodasprimitivasdeveassimseguiralgumaspropriedades,comosoadeteco
fcileprecisa,arepartiosobreatotalidadedaimagem,earobustezaorudo,aosartefactos
e s diferentes alteraes relacionadas com o processo de aquisio de imagem (Zitov,
Flusser et al. 2005). Para a extraco ser eficaz devem verificarse algumas particularidades,
comoaestabilidadefacesdeformaesgeomtricaspresentesnasimagens,adensidadede
presena adequada e a unicidade e independncia, isto , duas primitivas distintas devem
possuircaractersticasdivergentes.
Aextracodeprimitivaspodeserrealizadamanualmentepelosmdicos,oquesetraduz
numa tarefa fastidiosa e pouco reprodutvel, ou de uma forma automtica atravs da
utilizao de aplicaes computacionais, como o caso do processo de segmentao
geralmenteassociadoaostiposdemtodosquesebaseiamnacomparaodesuperfciesou
fronteiras. Em (Hartkens, Hill et al. 2002), sugerese que uma seleco semiautomtica de
primitivas tambm interessante porque o conhecimento dos mdicos pode ser integrado
numprocessoautomtico.
Paraprocederautomaticamenteextracodeprimitivas,existeapossibilidadedeutilizar
diversosmtodos.Porexemplo,odescritoem(Bookstein1989)ouem(Thirion1996),sendoa
extraco de primitivas no exclusivamente geomtricas, efectuada por pontos extremos
(extremalpoints)definidoscomoossinaissobreumaisosuperfciedeintensidadenaimagem
onde as curvaturas so mximas e mnimas. Os diferentes passos para obter o conjunto de
pontos extremos numa imagem 3D, no caso em que a isosuperfcie pode ser aproximada
apenas com um tringulo, representativo da interseco da isosuperfcie com as clulas
cbicas, esto resumidos na Figura 4.7. Nesta representao, os vrtices do tringulo so as
posiesaolongodasarestasdo cubo,ondeainterpolaolinearde ,que descreveovalor
da intensidade da imagem, corresponde a I, isto , ao limiar de isointensidade. No segundo
cubo(ladosuperiordireito)indicadocomoseobtmaslinhasextremas(extremallines)que
consistem em todas as linhas definidas na passagem por zero de c
1
, ou de c
2
, que so os
coeficientesextremoscorrespondentessduasprincipaiscurvaturas.Oltimocubo,embaixo
do lado esquerdo, ilustra a extraco dos pontos extremos, neste caso P, definidos como a
intersecodastrssuperfciesimplcitas( = I,c
1
= uec
2
= u),dossegmentosorientados
originadospeloalgoritmoexplicado.
O
al.20
crista
a inte
delin
loc
extra
super
c = u
P
(linef
debo
sensi
A
alinha
sulco
ump
4
A
corre
image
deca

Figura4.7
Outromodel
008),quando
a(crestlines)
erseco ent
nhasdecrist
calmente m
co pode s
rfcie(Guzie
u,ondeccor
Paraaextrac
feature)com
ordas(edged
bilidade,loc
A utilizao
amento de
oscorticais.N
roblemard
4.3.1.1.2.
Aps a extra
espondncias
ens;isto,d
aractersticas
Exemplodosdife
ap
ooaprese
oasprimitiv
).Estaslinha
tre uma iso
ta.Assim,est
xima em v
ser consuma
ec,Pennece
rresponde
codecarac
moadeCann
detection)d
alizao,ero
de curvas
imagens cer
Noentanto,
duo,comode
Colo
aco e a o
sentreospa
doseuempa
s,usandopa
erentespassosus
proximadaaumt
entadoem(G
asnosou
asbaseiams
superfcie e
taslinhass
valor absolu
ada, efectua
etal.1997),p
extremalityf
ctersticasta
ny(Zitov,F
esdequesej
obustezaor
s como pri
rebrais, em
aextraco
emonstrado
ocaoem
obteno da
aresdecara
arelhamento
raissoassua
CAP
sadosnaextrac
tringulo(retirad
Guziec,Pen
unicamenteg
seemcritri
uma superf
odefinidas
uto (Thirion
ando previam
pelaintersec
function(Th
ambmsou
lusseretal.
jaasoluo
rudo(Ibnez
imitivas geo
particular p
exactaeae
em(Ganser,
mcorrespo
as primitiva
ctersticas,q
.Assim,oob
asrelaese
PTULOIVTcn
odepontosextr
dode(Thirion199
nnecetal.19
geomtricas
osdiferencia
fcie de curv
comoosloc
1996), na
mente uma
codeduas
hirion1996).
usadastcni
2005).Esta
ptimaque
z,Schroeder
omtricas
para a coloc
etiquetagem
,Dickhauset
ondnciad
as surge a f
quersejami
bjectivofaz
espaciaisou
icasdeAlinhame
remosquandoa
96)).
997)eem(P
,comooc
aisquedefin
atura mxim
aisondeac
direco as
modelizao
ssuperfcies
casdedetec
muitoutili
satisfaaas
etal.2005).
bastante
ao em co
destasprim
tal.2004).
dasprimit
fase em qu
ntrnsecaso
zerasequiva
osseusatrib
entodeImagens
Pgina71de2
isosuperfcie
Pennec,Ayac
casodaslinh
nemdirectam
ma, sobre a f
curvaturapri
ssociada, e
o paramtri
implcitas
codecont
izadanadet
restriesd
.
interessant
orrespondnc
mitivasmant
tivas
ue se proce
uextrnseca
alnciasdos
butos.
Mdicas
200
cheet
hasde
mente
forma
ncipal
a sua
ica da
= Ie
tornos
teco
deboa
te no
cia de
mse
de s
as,das
pares
Pgina72de200
Segundo (Zitov, Flusser et al. 2005), sendo possvel o alinhamento de imagens de
naturezadiferenteecomdistorescomplexasentreelas,nestesmtodosasrestriestpicas
so a instabilidade temporal e a deteco de caractersticas. Assim, essencial possuir
descritores discriminativos, robustos e invariantes s diferenas entre as imagens a alinhar.
Destemodo,osmtodosexistentespodemserclassificadosemduascategorias:
i. Mtodos baseados em relaes espaciais (spatial relations): So habitualmente
empregues se as caractersticas detectadas forem ambguas ou se a sua vizinhana
estiver localmente distorcida, sendo que para isso usada a informao sobre a
distnciaeadistribuioespacialentreosatributosdasimagens;
ii. Mtodos baseados em descritores invariantes (invariant descriptors): Baseiamse no
uso de descritores, escolhidos em funo das particularidades do atributo e da
deformao geomtrica das imagens, para calcular as correspondncias entre as
caractersticas,sendoqueestesdevemsatisfazerdiversosrequisitos:
Invariantes:Osdescritoresdeumacaractersticacorrespondentenasimagensalvo
efontedevemseriguais;
nicos:Duascaractersticasdiferentesdevemterdescritoresdiferentes;
Estveis: O descritor de uma caracterstica ligeiramente deformada deve ser
aproximadoaodescritordacaractersticaoriginal;
Independentes: Se o descritor de uma caracterstica for um vector, os seus
elementosdevemserindependentes.
Oprocessodedeterminaodoemparelhamentopodeserefectuadoatravsdediversas
metodologias, sendo que para os mtodos de alinhamento baseados em caractersticas
geomtricas, na ausncia de outras possibilidades, as primitivas podem ser emparelhadas
manualmente. Para equiparar os conjuntos de primitivas h a possibilidade de utilizar vrios
mtodos, tal como o ICP (Iterative Closest Point). Este algoritmo, introduzido em (Besl and
McKay1992),umdosmaisutilizadosqueremaplicaes2Dquerem3D,fazendopartedos
baseadosemrelaesespaciais.Usadaoriginalmenteparatransformaesrgidas,estatcnica
encontraseactualmenteadaptadaaoscasosnolineares(Mnch,Combsetal.2010).
OmtodoICPestimadeumaformaiterativa,eatconvergir,umatransformaoptima,
alternando vrias etapas que conduzem ao alinhamento de dois conjuntos de pontos ou de
superfcies, sendo um desses agregados designado de modelo, usando um critrio de
alinhamentoquadrtico.OalgoritmoquesustentaomtodoICPoriginalpodeserdescritonos
seguintespassos:
Para cada primitiva do espao inicial, obter a primitiva no espao final mais
prximo;
Usarumatcnicademnimosquadradosparaestimaratransformaoapartirda
correspondnciadepontos;
Aplicarestatransformaoaoconjuntodospontosiniciais;
Pgina73de200
Fazer a iterao do algoritmo at que a distncia entre os dois conjuntos seja
considerada suficientemente reduzida, assim, a soluo encontrada a melhor
local,todavia,noexistecertezadeseramaiseficientesoluoglobal.
Resumindo, as etapas anteriores definem que o algoritmo assume que o ponto mais
prximo o par correspondente, determina a melhor transformao necessria para
minimizaradistnciaentreospontoseiterativamentedescobreoalinhamentopretendido.O
algoritmoICPpermiteassimsimplificar aetapado emparelhamentodeprimitivasdeformaa
tornla completamente automtica, porque procura efectuar sempre os emparelhamentos
maisprovveisenoosmelhores,sendoascorrespondnciasdeterminadasporproximidade.
O algoritmo ICP original, proposto em (Besl and McKay 1992), muito simples, rpido e
com a garantia de convergncia para um mnimo local. Como o erro de alinhamento
atenuadoacadapasso,oalgoritmoconvergesempreemtempofinito(BeslandMcKay1992).
proposto, para aumentar a probabilidade de convergir para a melhor soluo, inicializar o
algoritmovriasvezescomdiferentesestimativasparaatransformao,edepoisescolher,de
entre todas as determinadas, a que gera a menor distncia entre o conjunto de pontos a
alinhareomodelo.Segundo(ChuiandRangarajan2003),partindodopressupostodequeh
um conjunto adequado de posies iniciais, o algoritmo ICP pode tornarse um instrumento
globaldecorrespondnciaparaastransformaesrgidas.Contudo,essahiptesenovlida
no caso de transformaes norgidas, especialmente quando a deformao grande. No
entanto, para que este mtodo produza resultados satisfatrios requer um bom pr
alinhamento das imagens a alinhar e, portanto, carece de superviso, motivo pelo qual no
deveserutilizadonumsistematotalmenteautomtico.
4.3.1.2. Mtodosbaseadosemintensidades
Esta classe de mtodos baseiase em informao de baixo nvel, isto , directamente na
intensidade de cada pxel das imagens, atravs de parmetros matemticos ou estatsticos
(Crum,Hartkensetal.2004),semnecessidadedeconsiderarascaractersticasgeomtricasdas
imagens (Roche, Malandain et al. 1999). Assim, no h necessidade de identificao, de
segmentao ou de delineamento de estruturas correspondentes (Hajnal, Hill et al. 2001).
Nestas circunstncias, as primitivas so as intensidades de cada imagem, e em algumas das
situaes, em vez das intensidades originais, so usadas outras caractersticas extradas dela,
comoporexemplo,intensidadessuavizadasouvaloresdegradiente.
Consequentemente,nestesmtodos,oprocessodealinhamentoconsisteemdefiniruma
medida de similaridade, que pode ser mais ou menos complexa e que traduza a hiptese de
existirum nveldeproximidadeentreasintensidadesdasimagens(Bondiau,Malandainetal.
2004), e depois utilizar uma estratgia de optimizao de forma a encontrar a transformao
espacial (Xie and Farin 2004), que pode, em situaes mais simples, consistir em deslizar
progressivamente as duas imagens uma sobre a outra, de maneira a fazer corresponder os
pontosquetmintensidadesanlogas.
Pgina74de200
Estes mtodos, desenvolvidos originalmente no contexto do alinhamento global, pois
aplicamse totalidade da imagem, logo, uma alterao em qualquer um dos parmetros
influencia toda a imagem, so normalmente automticos (Bondiau, Malandain et al. 2004), e
usam a totalidade dos dados presentes nas imagens, o que os torna computacionalmente
dispendiosos e potencialmente no adequados em aplicaes de tempo limitado (Yoo 2004).
Apresentamtambmdificuldadesnaconsideraodeimagensemnveisdistintosdecinzento
etmumaoptimizaomaiscomplexadevidopossvelpresenademnimoslocais.
Osmtodosdeajustedeintensidadepodemdividirseemdoistipos:
Os puros: Apenas realizam alinhamento por confrontao entre as intensidades
dos pontos com as mesmas coordenadas, sendo que esta comparao permite
obterumvalordedeslocamentodaimagem;
Os mistos: Para cada ponto, procuram qual o mais prximo em nvel de
intensidade, numa dada vizinhana da outra imagem. Consequentemente, esta
comparaopermiteobterumvalordedeslocamentoparacadapontodaimagem
eda,estimaratransformaoparaasuatotalidade.
Na actualidade, os mtodos baseados nas intensidades, mais adaptados ao alinhamento
multimodal, esto mais generalizados do que os baseados nas caractersticas geomtricas,
sendo um dos motivos para essa escolha, a dificuldade na extraco automtica e fivel de
primitivasdestesltimos.
4.3.1.2.1. Escolhadocritriodesimilaridade
Na literatura subjacente ao alinhamento de imagens, existe uma grande diversidade de
critriosoumedidasdesimilaridade(metrics).Asuaselecoaltamentedependentedotipo
de problema de alinhamento a ser resolvido (Ibnez, Schroeder et al. 2005). Por exemplo,
algumas mtricas tm uma grande gama de alcance, enquanto outras requerem inicializao
prximadaposioptima.Almdisso,algunsindicadoressoadequadosparaacomparao
deimagensobtidasapartirdeumamesmamodalidade,enquantooutros,apenaspodemlidar
comcomparaesintermodalidade.Infelizmente,noexistemregrasclarassobreaformade
seleccionar uma medida de similaridade (Ibnez, Schroeder et al. 2005), sem ser atravs da
tentativa de algumas delas em diferentes condies. Em certos casos, pode ser vantajoso
utilizarumamtricaparticularparaobterumaaproximaoinicial,easeguirmudarparaoutra
maissensvel,paraconseguirumamelhorprecisonoresultadofinal.
Em 1992, foi proposto por Roger P. Woods, o primeiro algoritmo para o alinhamento de
imagens de diferentes modalidades, tomografia por emisso de positres (PET) com imagem
por ressonncia magntica (RM), apoiado parcialmente nos mtodos baseados em
intensidades(Cherik,Mouhadjeretal.2007).Oreferidoalgoritmocombinaumasoluoentre
as tcnicas baseadas em caractersticas geomtricas e as assentes nas intensidades, onde
existe a necessidade de extrair o crebro na imagem por RM no sendo essencial na PET
efectuar qualquer tarefa. Se o alinhamento entre ambas se verificar, uma regio uniforme na
imagem por RM deve corresponder a uma rea igualmente uniforme na PET (Nikou, Heitz et
al. 19
image
razo
cond
o me
alinha
Figur
Regis
A
como
comp
doco
entre
presu
nula
Hartk
difere
A
devem
ma
corre
(Ibn
P
funci
existe
carga
mtri
signif
corre

999). A raz
em varia po
o minimiz
iofundam
esmo nvel
ada (Nikou,
a 4.8. Deste
stration).
Figura4.8Hi
Algunsdoscr
o pela subtr
plexa. Nesta
oeficientede
e duas vari
ume que em
porque exist
kens et al. 2
enas(SSD
ASSD,pressu
mterintens
ais adequada
espondncias
ez,Schroede
Por seu lado,
ona eficazm
em verses
acomputacio
ica, com uti
fica que qu
espondente n
o dos valore
uco em todo
ada para to
mentalqueap
de cinzento
Heitz et al.
e trabalho re
istogramateric
refernciatm
ritriosdesi
raco de in
ltima situa
ecorrelao
veis, que pa
m duas image
te uma rela
004; Cherik,
SumofSqua
upequeos
sidadesseme
a para o alin
s entre as i
eretal.2005
, a CC, que n
mente com t
que lidam c
onalcrescem
lizao limit
uando a int
na outra dim
es de intens
os os pontos
odas as reg
psoalinha
o, sejam rep
. 1999), com
esultou a im
codosvxeisde
omesmonveld
milaridadep
tensidades
ao, para o
(CCcorrela
ara o caso c
ens correcta
o de depe
Mouhadjer
aredDifferen
pxeiscorres
elhantes(Ma
nhamento m
imagens res
5),sendoque
no mais d
translaes l
om maiores
muitorapida
tada s imag
tensidade d
minui, e +1
CAP
sidade de nv
s correspond
ies (Pluim,
mento,todo
presentados
mo se verific
mplementa
eumaimagemali
ecinzento(retira
podemsere
(Rey, Subso
caso do alin
ationcoefficie
concreto das
mente alinh
endncia line
et al. 2007)
nces)entreo
spondentes
aintzandVie
monomodal
sultam em a
eovalorpt
do que o coe
ligeiras, rota
deformae
amentecom
gens monom
de um pxe
, que design
PTULOIVTcn
veis de cinze
dentes; port
, Maintz et
ososvxeisd
s por uma
ca pelo pico
o computac
inhadacujosvxe
adode(Nikou,He
scolhidosde
l et al. 2002
nhamento de
ent),umam
s aplicaes
adas, a dife
ear entre as
), existe aind
osvaloresda
smesmasr
ergever1998
do que para
altos valores
timodestam
eficiente de
aes, e var
es (Zitov, F
oaumento
modais (Yoo
el aumenta
na que quan
icasdeAlinhame
ento de uma
tanto, a varia
al. 2003).
daimagemd
regio unifo
o do histogra
cional AIR (A
eiscorresponden
eitzetal.1999)).
eumaforma
2), ou de um
e imagens m
medidaded
de alinham
rena entre
mesmas (Br
da a soma d
sintensidade
regiesdoco
8),porisso
a o multimo
s do critrio
mtricazero
correlao l
riaes de e
lusser et al.
decomplexi
2004), varia
numa imag
ndo a intensi
entodeImagens
Pgina75de2
a regio em
ao mdia
Neste mto
dereferncia
orme na im
ama teric
Automated I
ntesnaimagem
bastantena
ma maneira
monomodais,
ependncia
mento de im
as intensida
rown 1992;
os quadrado
es.
orponasima
queestam
odal, e que b
o de similar
o(Yoo2004)
linear de Pea
escala, sendo
2005), mas
idadedessas
a entre 1
gem, a do
idade de um
Mdicas
200
m cada
desta
odo,
acom
magem
co da
Image
atural,
a mais
, alm
linear
agens
ades
Crum,
os das
agens,
medida
baixas
ridade
).
arson,
o que
a sua
s.Esta
, que
pxel
m pxel
Alinham
aume
0in
E
repre
image
mdi
(Hajn
A
com
estive
par d
apen
result
difere
geral
espec
moda
1997
E
apres
image
conju
1997
salien
nor
desde
mdi
alinha
mentodeEstrutu

enta numa d
ndicaquen
Estas duas m
esenta o nm
emindexa
as das inten
nal,Hilletal.
A metodolog
umcasopr
eremcorrect
de intensida
asvisvelos
tante no e
ena entre
mente, os
cficos para
alidades dev
).
Figura4.9M
dadireita
Em (Hajnal,
sentadasvr
em. Como e
unta (joint e
; Maintz an
ntar que os
rgidodeima
e a sua int
cas (Loeckx
amento mu
urasemImagens
das imagens,
oacontecen
medidas enc
mero total d
adopori,g
nsidades da
2001).
S
CC =
ia usada na
tico.Assim,
tamentealin
des corresp
pontosbran
est relacion
as intensida
mtodos b
caracterizar
vem ser util
Medidadesimilari
aresultantedas
Hill et al. 20
riasmedidas
exemplo des
ntropy) e a
nd Viergeve
mtodos ba
agens(Zagor
roduo em
x, Slagmolen
ltimodal sem
Mdicas:Estudo
, a do pxel
nenhumade
contramse
de pxeis con
,aintensida
s imagens
SS =
1
N
N
=
=
(]
N
i=1
_ (]
i
-]
N
i=1
situao da
seduasima
nhadasuma
ondentes se
ncoscaracte
nada com a
ades das les
aseados no
r automatica
izadas para
idade:Asduasim
ubtracodaspr
001), para o
desimilarid
ssas, h as e
informao
r 1998; Plu
seados na te
rchevandGo
m 1995 tem
n et al. 201
m segmenta
,Desenvolvimen
corresponde
ependnciali
caracterizad
nsiderados n
adedopxel
e g, respe
(
-g
)
2 N
=1
]
i
-]
)(g
i
-g)
]
)
2
_ (g
i
-
N
i=1
subtraco
gensidntic
comaoutra
ero nulas (
rsticosdaE
evoluo d
ses e do fu
o ajuste em
amente um
representar
magensporRM
rimeirasduasima
o alinhamen
dadebaseada
extradas da
mtua (mu
im, Maintz
eoria da info
oshtasby20
ganho gran
10), se apre
ao prvia
toeAplicao
ente na outr
inearentrea
das pelas e
no domnio,
corresponde
ectivamente
.
-g)
2
.
das intensid
asrepresent
a,assubtrac
Cherik, Mou
EM,Figura4.
a forma da
undo (Rey, S
m intensidad
a leso e, n
r o mesmo
esquerdasode
agens(retiradode
nto multimod
asemgrand
teoria da i
utual informa
et al. 2003
ormao so
06),sendoq
nde relevo
esenta j c
(Zitov, Flu
ra tambm c
asintensidad
quaes 4.2
, a intens
entedaimag
, nos domn
dades, pode
tativasdeum
esdeinte
uhadjer et a
9.Destemo
s leses, ma
Subsol et al
de no so
na maioria
crebro (Th
umdoentecom
e(ThirionandCa
dal de imag
ezasestatst
nformao,
ation) (Maes
3), disso rep
o importante
queainform
no alinham
omo a prin
sser et al.
Pgina76de2
cresce. O va
desdasimag
2 e 4.3, on
idade do px
gemg,e
e
nios conside
(4
(4
ser exempli
mdoenteco
nsidadesem
al. 2007), es
odo,aintens
as apenas c
l. 2002). Ou
o suficientem
dos casos,
irion and Ca
EM;Aimagem
almon1997)).
gens mdica
ticasestimad
sendo a en
s, Collignon
presentativa
es no alinham
maomtua
ento de im
ncipal tcnic
2005), com
200
lor de
gens.
nde N
xel da
eg,as
erados
4.2)
4.3)
ficada
mEM
mcada
tando
sidade
com a
u seja,
mente
vrias
almon
s, so
dasna
tropia
et al.
as. De
mento
a(IM),
agens
ca no
o fica
Pgina77de200
demonstrado, por exemplo, em (Wells, Viola et al. 1996), onde exposto um algoritmo de
alinhamento rgido multimodal que visa a maximizar a IM entre a imagem de referncia e
aquelaqualseaplicaumatransformao.Nestetrabalho,aindapropostaautilizaodaIM
como medida de similaridade de forma a solucionar o problema da no existncia de
correlaolinearentreasimagensquandoestasnopertencemaummesmodoentee/ouso
de naturezas diferentes, pois nesses casos as tcnicas de correlao costumam apresentar
errosdealinhamento.
Ainda, relacionados com as mtricas desta classe de mtodos, em (Hill, Batchelor et al.
2001), so descritas diversas medidas de similaridade, em (Pluim, Maintz et al. 2003)
efectuado um estudo sobre a utilizao da informao mtua no alinhamento de imagens
mdicas, em (Pluim, Maintz et al. 2004) so comparadas, para os casos de alinhamento de
imagensmdicas,aIMeoutrasmedidasbaseadasnainformao,eem(Roche,Malandainet
al.1999),encontraseumaclassificaodostermosdesimilaridadeusadosnoalinhamentoem
funo das hipteses formuladas sobre a natureza das relaes. Neste ltimo trabalho,
tambmapresentadoumestudocomparativodosdiferentescritriosutilizadosemalgoritmos
de alinhamento baseados em intensidades, mostrando que a escolha da medida de
similaridade ptima para um dado problema pode ser formalizada como um problema de
maximizao de uma funo de verosimilhana. Por outro lado, em (Loeckx, Slagmolen et al.
2010), indicado que a maximizao da informao mtua (MMI) uma medida de
similaridade, popular, robusta e precisa, usada no alinhamento rgido de imagens corporais,
isto porque pressupe apenas uma relao estatstica entre as duas imagens, sem fazer
qualquerhiptesesobreanaturezadessaligao.
O uso da MMI comea a partir da hiptese de que as imagens esto correctamente
alinhadas quando a IM entre as intensidades dos vxeis correspondentes mxima. Neste
mesmo estudo, ainda proposto o cMI (conditional mutual information) como um novo
critrio de similaridade para o alinhamento norgido de imagens. Em ensaios com imagens
mdicas, demonstrado que quando o rumo da medida de similaridade influenciado por
uma combinao de rudo (bias fields), e divergncias entre a intensidade da imagem de
referncia e da mvel, o cMI pode aumentar tanto a robustez como a preciso do
alinhamento.
Concluise assim que, a seleco do critrio de similaridade altamente dependente do
problemaaresolver.Destemodo,asmtricasdevemserseleccionadasemfunodostiposde
estruturasaalinharedosgnerosdedesalinhamentosesperados.
4.3.1.2.2. Mtricasextradasdateoriadainformao
Esta seco apresenta os elementos necessrios obteno de critrios de similaridade
baseados na entropia. Estes assentam na diviso da imagem de referncia e posteriormente
na explorao de um histograma conjunto (joint histogram), ou distribuio conjunta de
probabilidades (Nikou, Heitz et al. 1999), que pode ser representada por um grfico
bidimensional que avalia as combinaes dos nveis de cinzento entre as imagens para todos
Pgina78de200
ospontoscorrespondentes.Estehistogramaconjuntomudadeacordocomastransformaes
noalinhamentodasimagens(Pluim,Maintzetal.2003).
Osmtodosdealinhamentobaseadosnateoriadainformaoapresentamavantagemde
no realizar nenhuma hiptese sobre a correlao entre as intensidades dos pxeis das
imagensenvolvidas,oqueostornaextremamenteflexveiseaplicveistantonoalinhamento
intermodalcomonointramodal(Zitov,Flusseretal.2005).
a. Entropia
Segundo (Pluim, Maintz et al. 2003), a medida da informao, ou a entropia (E) de uma
mensagem, a base da teoria da comunicao. Em 1928, R. V. L. Hartley definiu uma
mensagemcomoumconjuntodesmbolos,comspossibilidadesdiferentesparacadasmbolo
(Pluim, Maintz et al. 2003). Assim, se uma mensagem consiste em n smbolos, existe s
n
mensagens diferentes possveis, assumindo que no h regras de sintaxe. Deste modo, a

quantidadedeinformaocresceexponencialmentecomocomprimentodamensagem,oque
norealstico.Portanto,HartleyconsiderouqueEcrescelinearmentecomn:
E = n log s
n
. (4.4)
Desta forma, a entropia pode ser definida como uma medida de incerteza, pois depende
do nmero de resultados possveis. Quanto maior o nmero de mensagens realizveis,
superior a quantidade de informao que tem uma determinada mensagem. Se houver
apenas uma nica mensagem, no h aumento de informao, pois esta mensagem j
conhecida.
Aplicando esta definio na anlise das imagens, a entropia uma medida de incerteza,
pois no depende apenas do nmero de possveis valores de nveis de cinzento da imagem,
mas tambm da probabilidade de ocorrer cada um deles. Se todos os valores de intensidade
numaimagemtiveremumaprobabilidadeigualdeocorrer,aentropiamxima,poishuma
completaincertezasobrequaldestasintensidadesamesmarefere.Seumvalordeintensidade
ocorrer com uma frequncia maior que os outros, a incerteza diminui, pois a expectativa de
apareceraqueledeterminadovalormaior.
Em 1948, C. E. Shannon introduziu uma medida adaptada que considera a informao
contidanumresultadoeaprobabilidadedaqueleresultadoocorrer(Pluim,Maintzetal.2003).
Paradeterminadoseventosc
1
, . . . , c
m
,queocorremcomprobabilidadesp
1
, . . . , p
m
,aentropia
de Shannon, que considerada como base de grande parte das medidas de similaridade
actualmenteusadasnestedomnio,definidacomo(Hajnal,Hilletal.2001):
E = p

log
1
p
i
= - p

log p
. (4.5)
Nestaequao,aentropiadeShannonresultante(E)aquantidademdiadeinformao
fornecida por um conjunto de i eventos cujas probabilidades so dadas por p
1
, . . . , p
m
.
Comparativamente com a entropia de Hartley, a medida de Shannon depende no s do
nmerodepossveismensagens,mastambmdasprobabilidadesdecadaumadelasocorrer.
Pgina79de200
AentropiadeShannonpodeseraplicadanumaimagemparaaobtenodaprobabilidade
deocorrerumadeterminadadistribuiodevaloresdenveisdecinzento.Estaprobabilidade
pode ser estimada pela contagem do nmero de vezes que cada intensidade de nvel de
cinzento ocorre na imagem e dividir esses valores pelo nmero total de ocorrncias. Uma
imagemqueapresentaumapequenavariaodeintensidade,isto,todososseuspxeistm
intensidade praticamente uniforme, tem um valor mnimo de entropia. Um valor mximo de
entropia pode ser alcanado numa imagem que contem muita informao, ou seja, uma
imagemquepossuiumnmerosimilardepxeiscomintensidadesdiferentes(Pluim,Maintzet
al. 2003), isto , todos os eventos tm igual probabilidade de ocorrncia. Ou seja, o uso da
entropia como medida do alinhamento das imagens, devese essencialmente ao facto de ela
possibilitaramedidadadispersodadistribuiodeprobabilidade.
Resumindo,aentropiatemtrsinterpretaes(Pluim,Maintzetal.2003):
Aquantidadedeinformaoqueumeventofornece,quandoacontece;
Aincertezadoresultadodeumevento;
Adispersodasprobabilidadescomqueoseventostmlugar.
Assim, podese concluir que, ao considerarse que os nveis de cinzento de um pxel de
uma imagem so um acontecimento aleatrio, a probabilidade de um determinado nvel de
cinzentosurgirrepresentadoconstituiumainformao.Sendocadaimagemencaradacomoa
realizao de uma varivel aleatria, uma medida de informao calculvel a partir das
probabilidades de ocorrncia dos valores possveis para uma varivel aleatria considerada.
Desta forma, a quantificao desta medida de informao est ligada incerteza sobre os
valores possveis de uma varivel aleatria. A partir dessas variveis aleatrias, exequvel
definirdiversasmedidasdeinformaodeondesoobtidososcritriosdesimilaridade.
b. Histogramaconjunto
Segundo(Pluim,Maintzetal.2003),em1993,D.L.G.Hill,D.J.Hawkes,N.A.HarrisoneC.
F. Ruff, propuseram uma adaptao do sistema de medidas proposto por Roger P. Woods.
Assim, construram um espao caracterstico (feature space), termo que no perdurou e que
foi rapidamente substitudo por histograma conjunto (HC), que consiste num grfico
bidimensional que mostra a combinao dos valores de nveis de cinzento em cada uma das
imagensparatodosospontoscorrespondentes,e umaformadequantificaraqualidadeda
informaocomumsimagensquesepretendereajustar.Adiferenanestemtodoqueao
invsdedefiniraslocalizaesdetecidossimilaresemcadaimagem,asregiessodecididas
noespaocaracterstico,baseadasnoagrupamentodepontoslocalizadosnesseespaoparao
conjuntodeimagensaalinhar.
OHCsofrealteraesconformeasmudanasnoalinhamentodasimagens(Pluim,Maintz
et al. 2003). Isso ilustrado na Figura 4.10, atravs de um histograma 2D dos valores de
intensidadeemposiesnoalinhadas(unregistered)ealinhadas(registered)dasimagenspor
RMedetomografiacomputorizada(CT)deumcrebro.
Alinham
N
ssea
histog
result
dovo
de a
alinha
sendo
image
nvel
prime
S
inform
indep
image
image
O
histog
sendo
N
corre
image
duas
osva
tende
mnim
outra
mentodeEstrutu

Na Figura 4.1
adacabeat
grama da i
tando num p
oxelnaimag
lta intensid
amento.Os
o que cada
emeauma
de cinzento
eiraimagem
c. Entr
Segundo (Haj
mao que
pendentes,e
ens (E(A)
ensso,men
O conceito
grama conju
oqueomes
NaFigura4.1
espondentes
ens iguais (P
imagensest
aloresdecor
em a conce
mo.Nasrest
a,daesquerd
urasemImagens
Figura4.10HC
10 os valore
tmmaiorp
imagem po
pico no HC 2
gem de RM
ade, sendo
eixosdohis
ponto do
intensidade
o, em fun
eaumainte
ropiaconj
jnal, Hill et
se tem na c
entoaentro
+ E(B)). Q
noraentro
E(
de entropia
unto global
mosucedec
11apresen
ao alinham
Pluim, Maint
tooptimam
rrespondnc
entrarse sob
tantesverific
daparaadir
Mdicas:Estudo
Cdasobreposio
(retiradode
s de alta int
probabilidade
r RM, se a
2D (Maes, C
entoamp
que essa
togramarep
plano (x, y),
(y)sobreum
o do nmer
ensidade(y)
juntaeinf
al. 2001), a
combinao
opiaconjunt
Quanto mais
opiaconjunta
(A, B) E(A
a conjunta
calculado a
comaIM(Yo
ntadoumexe
mento de um
tz et al. 2003
mentealinhad
iadecinzent
bre uma lin
caseumdes
eita,2,5e1
,Desenvolvimen
odevolumesdei
(Maes,Collignon
tensidade no
edeseremm
as imagens
Collignon et a
plamentered
correspond
presentama
, representa
masegunda
ro total de v
)sobreuma
formao
entropia co
das imagen
taasoma
s semelhant
aemcompa
A) + E(B).
pode ser v
partir das i
oo2004).
emploonde
ma imagem
3). A represe
das;nesteca
toestonum
nha recta e
svio;ouseja
10,respectiv
toeAplicao
imagensporRM
netal.1997)).
o histograma
mapeadosco
estiverem
al. 1997). A
duzidaseov
ncia per
intensidade
a uma inten
.Acadaum
vxeis com
segundaima
mtua
onjunta (E(A
s. Se as var
dasentropia
tes, ou seja
raocoma
visualizado a
imagens A e
somostra
por RM com
entao da e
aso,comoas
madistribui
portanto a
,umadasim
vamente.
edeCTcerebrais
a de CT orig
omosdebai
apropriadam
incerteza so
voxelcorresp
rdida em ca
edosvxeis
nsidade (x)
dessespont
uma intensi
agem.
A, B)) mede
iveis, A e B
asmarginais
a, menos in
somadasen
atravs da u
e B (Hajnal,
dososhisto
m ela mesm
esquerda g
simagenss
odiagonal
entropia c
magensrod
Pgina80de2
s
ginados pela
ixaintensida
mente alinh
obre a intens
pondentena
aso de um
emcadaima
sobre a pri
tosatribud
idade (x) so
e a quantida
B so totalm
sdecadaum
ndependente
ntropias:
(4.6
utilizao d
Hill et al. 2
ogramasconj
mo, logo, de
gerada quan
oidnticas,
esimtrica,
conjunta atin
dadaemrela
200
parte
adeno
hadas,
sidade
aCT
mau
agem,
meira
doum
obre a
de de
mente
madas
es, as
)
e um
2001),
juntos
e duas
ndo as
todos
,logo,
nge o
ao
Fig
C
dispe
regi
porqu
tipos
aume
entre
conju
dos h
enqu
O
direct
sobre
apres
sobre
inform
conju
A
entre
outra
erro
moda
nas i
proba
segun
aout
das d
nose
A
p
B
(b
indep
pelaf

gura4.11Histog
Com a rota
erso dos po
es escuras
ueodesalin
detecidosn
entaquanto
e elas. Para q
unta.Estalt
histogramas
antoaIMat
Os algoritmo
tamente co
eposio da
sentam um
eposio de
maes de
unta,definin
A IM define
eduasvariv
a (Wells, Vio
de alinham
alidadesdist
informaes
abilidade da
ndo(Hajnal,
tra,semfaze
duas imagen
entidodaent
Assim, duas
), e uma
pendentes se
funodem
gramasconjuntos
o de uma d
ontos dos HC
bastante
hamentoco
nasduasima
maiorforo
quantificar e
tima,mni
da Figura 4
tingeomxim
os de alinha
omo medid
s imagens.
conjunto d
estas reas.
cada image
doassimum
se como um
veisaleatria
la et al. 199
mento, sen
intas(Zitov
representa
s intensidad
Hilletal.20
ernenhuma
s. Essencialm
tropiadeSha
variveis, A
distribuio
e p
AB
(o, b)
mapeamento
p
A
(o) =
s2Dparaidntica
das imagens
C; isto , as
reduzido (H
nduzaquea
agens,oque
ngulodero
esta dispers
maquando
4.11 encontr
monacondi
mento base
a de simila
Por exemp
de vxeis co
Para reso
m na zona
mnovocritr
ma medida d
as,ouaquan
96; Maes, Co
do particul
,Flussereta
das nas ima
des correspo
001),aIMa
suposioda
mente, a IM
annonserco
A e B, com
de probab
= A(o) p
B
(mappingfu
= p
B
(I(o)) =
CAP
asimagenspor R
s da Figura 4
regies clar
ill, Batchelo
asentradasd
eincrementa
otaoentre
o possve
asimagens
ramse os c
odealinh
eados na en
aridade, s
plo, se duas
oincidentes,
olver este
de sobrepo
iodesimilar
da teoria da
ntidadedei
ollignon et a
larmente ad
al.2005).De
agens origin
ndentes em
amedidaqu
aformafunc
de duas va
omumaamb
distribuie
bilidades co
B
(b). Enqua
unction),I,c
= p
AB
(o, I(
PTULOIVTcn
RMdacabea(ret
4.11, notase
ras so men
or et al. 200
dohistogram
aaentropia
asimagens
el usar a info
estocorrec
orresponden
amento.
ntropia conju
o bastante
imagens c
cuja impor
problema,
osio simul
ridade,aIM.
a informao
nformaoq
l. 1997), que
dequada ao
estaforma,a
nais, sendo
ambos os c
alitativadeq
cionalouda
riveis aleat
bas(Karaali
es de proba
njunta, p
AB
nto elas so
como(Maes,
o)).
icasdeAlinhame
tiradode(Pluim,
e que existe
nos brilhante
01). Este fen
macorrespon
.Desalienta
e,portantoo
ormao mt
ctamentealin
ntes valores
unta, que po
dependent
ontm zona
rtncia depe
necessri
taneamente
o, de depen
queumavar
e aplicada
os casos c
aIMbaseias
medida pel
conjuntos de
quantouma
relaoentr
rias quanti
2007).
bilidades m
B
(o, b), so
o dependent
Collignonet
entodeImagens
Pgina81de2
Maintzetal.200
e um aumen
es e o nme
nmeno aco
ndamadifer
arqueadisp
odesalinham
tua ou a en
nhadas(por
desta gran
odem ser u
tes da zon
as relativas
ende do gra
io consider
e com a ent
ndncia esta
ivelpossui
para minim
com imagen
seessencialm
la distribui
e imagens. P
imagem"ex
reasintensi
ifica a inform
arginais, p
A
estatisticam
tes, relacion
tal.1997):
(4.7
Mdicas
200
03)).
nto da
ero de
ontece
rentes
perso
mento
tropia
baixo
deza),
usados
na de
a ar,
au de
ar as
tropia
tstica
sobre
mizar o
ns de
mente
o de
orm,
xplica"
dades
mao
(o) e
mente
amse
)
Pgina82de200
A IM para as duas variveis A e B, I(A, B), avalia os graus de dependncia de A e de B,
medindoasdistnciasentreadistribuioconjunta(p
AB
(o, b))eadistribuioassociadapara
ocasodecompletaindependncia p
A
(o) p
B
(b).Destaforma,aIM deduasimagens AeB
podeserdefinidacomo(Pluim,Maintzetal.2004):
I(A, B) = p
AB
(o, b) log
p
AB
(u,b)
p
A
(u)p
B
(b)
u,b
. (4.8)
ondeI(A, B)relacionadacomaentropia(E)eaentropiaconjuntadasamostras,por(Hajnal,
Hilletal.2001):
I(A, B) = E(A) + E(B) - E(A, B) = E(A) - E(A|B) = E(B) - E(B|A). (4.9)
Naequao4.9:
E(A) e E(B) so a entropia das variveis A e B, respectivamente, sendo que
E(A) conhecida por ser a medida da quantidade de incerteza sobre a varivel
aleatriaA;
E(A, B),aentropiaconjunta,asomadaincertezaemAquandoseconheceBe
medeassim,aquantidadedeinformaoquesetemnacombinaodasimagens
(Hajnal,Hilletal.2001);
E(A|B) e E(B|A) so respectivamente, a entropia condicional de A dado B e de
BdadoA.
Estesparmetrossodefinidoscomo(Maes,Collignonetal.1997):
E(A) = - p
A
(o) log p
A
(o)
u
; (4.10)
E(A, B) = - p
AB
(o, b) log p
AB
(o, b)
u,b
; (4.11)
E(A|B) = - p
AB
(o, b) log p
A|B
(o|b)
u,b
. (4.12)
Consequentemente, I(A, B) a reduo na incerteza da varivel aleatria A pelo
conhecimentodaoutravarivelaleatriaB,ou,equivalentemente,asomadainformaoque
B contem sobre A (Maes, Collignon et al. 1997). Assim, a IM traduz a similaridade de um par
de imagens utilizando o conceito do histograma conjunto, sendo que a complexidade
computacional proporcional ao nmero de vxeis que so comparados da imagem fonte
paraaimagemalvoparapreencherohistogramaconjunto(Zitov,Flusseretal.2005).
Como A e B podem ser trocados, I(A, B) tambm a quantidade de informao que B
contmdeA:
I(A, B) = E(B) -E(B|A). (4.13)
Considerando os valores de intensidade das imagens, o e b, de um par de vxeis
correspondentes em duas imagens que sero alinhadas pelas variveis aleatrias A e B,
respectivamente,asestimaesparaasdistribuiesconjuntaemarginaisp
AB
(o, b),p
A
(o)e
p
B
(b),podemserobtidaspela normalizaodoshistogramasconjuntosemarginaisdetodas
aspartessobrepostasdeambasasimagens(Maes,Collignonetal.1997).
N
que s
emfu
C
de im
(E(A
valor
estru
meio
estive
U
(Stud
carac
entro
Fig
C
minim
todos
situa
(Kara
4
N
prefe
image
qualq
alinha
image
A
estab
poss
frequ

Na literatura,
so equivale
unodaent
Comparativam
magens, qu
A) e E(B)) d
es baixos d
turasanatm
de penalid
eremdesalin
Umamaneira
dholme, D.L.
cteriza o valo
opiasrelativa
ura4.12Entrop
Com a finali
mizao da e
sobjectivos
es se pro
aali2007).
4.3.2. E
Na equao
erencialment
ens envolvid
quer algoritm
amentodep
emdeumag
Aps a coloc
belecida, c
vel sobrep
uentemente
, a IM ger
ntes entre s
tropiaconjun
I(A, B)
mente ent
ue a I(A, B)
de forma ind
das entropia
micas.Essas
ades nas tra
nhadas.
atildevisu
.G.Hill et al.
or da entrop
as.
piasenvolvidasn
dade de ob
entropia con
sensveisco
ocura minim
Estimao
4.1, a transf
te de form
das, sendo
mo de alinha
endedaefic
geometriapa
cao em co
calculada a
pla im
caracterizad
almente rep
si. Contudo h
nta(Pluim,M
= E(A) + E
tropia conju
) inclui as en
dependente
s marginais
entropiasm
ansformae
alizararela
. 1999), Fig
pia particular
acombinaode
bter um alin
njunta, ou a
massuaspr
mizar para m
domode
formao tr
a suficiente
mesmo con
amento (Brow
cciadafun
araoutra(Za
onsonncia
funo que
magem alvo
da pelo tip
CAP
presentada p
h outra form
Maintzetal.
E(B) - E(A,
nta, a vanta
ntropias ma
que, em im
para regie
marginaisaux
es, diminuin
oentreas
ura 4.12. N
r e as reas
eduasimagensA
nhamento, a
a minimiza
rpriasvanta
melhorar a
elodetran
aduzida pos
emente exa
nsiderado u
wn 1992). A
odetransf
agorchevand
entre as ca
deve trans
(Crum, Ha
o de transf
PTULOIVTcn
pelas trs fo
mulao par
2003):
, B).
agem da util
arginais (mar
magens md
es sem teci
xiliamapon
ndo o valor
entropias
Neste diagra
de sobrepos
eB (adaptadod
a maximiza
o da soma
agensedesv
sobreposio
nsforma
ssibilita a co
acta, das es
m dos elem
Assim, o dese
formaoco
dGoshtasby
ractersticas
formar a im
artkens et
formao ad
icasdeAlinhame
rmas distint
ra definir a in
izao da IM
rginal entrop
icas, geralm
do (ar) e v
deraodam
da IM das
atravsdoD
ma, o tama
sio represe
e(Studholme,D.
o da infor
das entropi
vantagens,se
o e diminui
o
locao em
struturas re
mentos mais
empenho de
nsideradapa
2006).
das imagen
magem fonte
al. 2004).
dmissvel e
entodeImagens
Pgina83de2
tas indicadas
nformao m
(4.14
M no alinham
pies) das im
mente aprese
valores altos
medidadaIM
imagens se
Diagramade
anho dos c
entam a IM
.L.G.Hilletal.199
rmao mt
ias marginai
endoquena
ir a ambigu
correspond
epresentada
s important
e um algoritm
aradeforma
ns envolvida
e de forma
Sendo ass
designada
Mdicas
200
s, mas
mtua
4)
mento
agens
entam
s para
Mpor
essas
eVenn
rculos
ou as
99)).
tua, a
s, so
astrs
uidade
ncia,
s nas
te em
mo de
ruma
as ser
a ser
im,
como
Pgina84de200
funo de mapeamento (mapping function) (Zitov, Flusser et al. 2005). Assim, por exemplo,
um algoritmo de alinhamento pode estimar uma transformao geomtrica rgida que deve
ser aplicada a todos os pontos da imagem, ou pelo contrrio, estimar vrias transformaes
norgidas que dependem de um ponto particular no espao. Contudo, em imagens
biomdicas normalmente so exigidas deformaes locais e nolineares (Sorzano, Thvenaz
etal.2005).
Como visto anteriormente, as transformaes podem ser caracterizadas atravs do seu
tipo (rgido, afim e nolinear) e pelo seu domnio de aplicao (local ou global) (Maintz and
Viergever 1998; Jannin, Grova et al. 2001). Surgem assim na literatura, duas grandes
classificaes para o alinhamento definidas mediante o domnio de aplicao da
transformao(Brown1992;MaintzandViergever1998;Zitov,Flusseretal.2005):
Oalinhamentoglobal:Aplicveltotalidadedaimagemaalinhar,sendoqueuma
alterao em qualquer um dos parmetros influencia a imagem como um todo
(Elsen, Pol et al. 1993). Assim, no consegue lidar com imagens deformadas
localmente (Zitov, Flusser et al. 2005), e classicamente assenta em
transformaeslineares;
O alinhamento local: Aplicase localmente em regies da imagem, definindo
mtricasavaliadasparacadaumadessasregies.Geralmente,aimagemaalinhar
dividida em pequenas regies que so alinhadas individualmente, normalmente
efectuadoportransformaesprpriasparacadazona,quepossuemvriosgraus
de liberdade. Tipicamente, se existem muitos graus de liberdade, h maior
dificuldadeemresolveroproblemadaoptimizaoassociado(Yoo2004).
possvelenumerarotipodetransformaesemquatrofamliasdistintas,caracterizveis
pelosgrausdeliberdadeenvolvidos(Brown1992;Elsen,Poletal.1993;MaintzandViergever
1998):
Rgida: Composta por seis graus de liberdade, so apenas permitidas rotaes e
translaes, caracterizase pela distncia e ngulo entre quaisquer dois pontos na
primeira imagem serem preservados na segunda. Deste modo, as estruturas
representadas no so alongadas e no dobram, logo, no tm a sua fisionomia
alterada, sendo usada quando no se verificam mudanas na forma da estrutura,
como sucede com a cabea humana, onde o crnio no sofre deformaes no
rgidasconsiderveis(Yoo2004);
Afim: Quando quaisquer linhas rectas na primeira imagem so relacionadas com
linhasrectasnasegunda,preservandodessaformaoparalelismoeasrelaesde
comprimentonumsegmento,sendotipicamenteutilizadaemproblemasnosquais
osfactoresdeescaladaimagemsodesconhecidos(Yoo2004);
Projectiva:Umalinhanaprimeiraimagemestrelacionadacomoutranasegunda;
assim,socolocadasemcorrespondncialinhasnoparalelasetidosemcontaos
efeitos de perspectiva apresentados pelo afastamento da estrutura considerada,
U
trans
subco
al.19
A
dom
procu
repre
D
consi
facto
que a
trans
coord
trans
A
mdi
trans

sendo
paral
Curva
prime
neces
trans
Uma conseq
sformaesr
onjuntodas
993).
A Figura 4.1
nio de aplic
urar a tran
esentadas.
Figura4.13
Do ponto d
derando qu
res supleme
amplifica ou
sformaes
denadas hom
sformaoem
Uma
Uma
caso
A Figura 4.14
a obtida ap
sformao (a
o que desta
elismoentre
ada:Conhec
eira imagem
ssrio modif
formaesc
uncia da c
rgidassou
projectivase
13 ilustra as
cao local o
nsformao
3Exemplodetr
de vista da
ue a situa
entares, com
u que reduz
rgidas, as
mogneas (c
mapenasdo
transforma
transforma
linear.
4 exemplific
ps alinhar
a) rgida, (b
a forma, so
eestas;
idatambm
m e transform
ficar a form
comumgran
categoriza
msubconjun
equeporse
s combina
ou global. Po
geomtrica
ransformaes2D
(retirado
a natureza
o afim cor
mo, por exem
z a imagem
afim e as
om o auxlio
oisgrupos:
olinear,co
onolinea
ca algumas
sete image
) afim e (c)
CAP
o conservada
comonol
mla numa
ma global da
ndenmerod
o anterior,
ntodastran
uladosou
es dos tipo
or exemplo,
que perm
Ddaimagem,co
de(Elsen,Polet
das transf
rresponde a
mplo, a refle
sem a dist
projectivas
o de um pro
omumnme
ar,comumn
das transfor
ns por RM
) nolinear
PTULOIVTcn
as as linhas
linear,consis
curva na seg
a estrutura;
degrausde
que os
sformaes
msubconjun
os de trans
o alinhame
mite alinhar
mbinandodomn
al.1993)).
formaes a
uma trans
xo, a tor
torcer (Elsen
podem se
oduto matric
erodegraus
nmerodeg
rmaes des
de indivdu
numa grelh
icasdeAlinhame
mas no ne
steemteru
gunda, send
logo, ess
liberdade.
critrios de
afim,quepo
ntodascurva
formaes
nto rgido g
globalment
nioetipodetrans
abrangidas
formao r
o ou o esca
n, Pol et al.
r formulada
ial), possv
deliberdade
grausdelibe
scritas, retra
uos normais
ha de 10 m
entodeImagens
Pgina85de2
ecessariame
umalinharec
o que para
sencial reco
elasticidad
orsuavezs
adas(Elsen,
mencionado
lobal consist
te as estru
sformaes
no alinham
gida associa
alonamento g
1993), e q
as apreciand
vel classifica
elimitado;
erdadesuper
atando a im
s, utilizando
mm de pont
Mdicas
200
ente o
ctana
isso
rrer a
e das
oum
Polet
os, do
te em
uturas
mento,
ada a
global
ue as
do as
r uma
riorao
magem
o uma
os de
Alinham
contr
inform
varia
apen
estat
ema
dasm
O
D
H
conju
itera
critr
de ef
alinha
da co
direct
perm
invar
mentodeEstrutu

rolodeBSpl
mao mtu
o da dim
as possvel
sticaouda
mbasasima
modalidades
Figura4.14Im
Observased
Aps
basta
creb
Depo
meno
dase
O alin
indica
creb
aume
Dadasduasim
H. J. Johnson
untamente u
o ser o in
riosdesimila
fectuar uma
amentodeI
olocao em
tamenteliga
mitegarantir
iantes.
urasemImagens
lines.Paraes
ua normaliza
enso das r
porque na N
redundncia
agens,eno
envolvidas(
magensmdiasp
deindi
aFigura4.14
o alinham
ante desfoca
brosobtidos
ois do alinha
osdesfocada
estruturasde
nhamento co
ando que es
bros entre su
entodonm
magens,A e
NH
n e G. E. Chr
uma transfor
verso uma d
aridadeno
a escolha arb
Icom[corre
m correspond
ada conser
queastrans
Mdicas:Estudo
stescasos,o
ada (NMI) (H
regies cons
NMI no so
adeinforma
hlimitao
(Maes,Collig
roduzidasapsa
vduosnormais(a
4que:
ento com u
ada, o que
dediferente
amento com
asquenasit
ebase;
om uma tra
ste tipo de a
ujeitos. Assi
erodegraus
B,aNMIpo
HI(A, B) =
ristensen pr
rmao dire
da outra. De
definiremsi
bitrria das
espondaexa
dncia de [
rvaodeto
sformaess
,Desenvolvimen
oalinhament
Hill, Batchelo
sideradas (S
o feitas supo
oentreas
oderestri
gnonetal.19
alinhamento(a)r
adaptadode(Hil
uma transfo
indica que
esexames;
m uma tran
uaodoali
nsformao
algoritmo
m, a nitidez
sdeliberdad
odesercalcu
1 +
I(A,B)
H(A,B)
.
ropem em
ecta e uma i
esta forma,
metriasentr
imagens alv
ctamente
com I. De
opologia.Ass
socontnua
toeAplicao
toalcanad
or et al. 200
tudholme, D
osies sobr
sintensidade
esimpostas
997).
gido,(b)afime(
l,Batcheloretal.
ormao rg
este mtod
nsformao
nhamentor
nolinear p
melhor para
z crescente d
de(Hill,Batch
ladacomo(Y
(Johnson an
inversa, rest
tentam corr
reasimagen
vo e fonte, l
inversadatr
salientar q
sim,imporq
sequeoslim
doatravsd
1), a qual
D.L.G.Hill et
e a natureza
esdosvxeis
sobreocon
c)nolineardei
.2001)).
ida, a imag
do no alinh
afim, as im
gido,especi
produz a ima
a alinhar as
da imagem m
heloretal.2
Yoo2004):
nd Christense
tringindoas
rigir o facto
ns.Isto,exi
logo pouc
ransforma
ue a noo
ueoalinham
mitesdasim
Pgina86de2
amaximiza
menos sens
al. 1999).
a da depend
scorrespond
ntedodaim
imagensporRM
gem mdia
ha correctam
magens so
ialmenteao
agem mais n
caracterstic
mdia deve
2001).
(4.15
en 2002), es
ao facto de
de a maiori
isteanecess
co provvel
oobtidaaqu
de simetria
mentosim
magenssema
200
oda
svel
Isto
dncia
dentes
magem
surge
mente
muito
redor
ntida,
cas de
se ao
5)
stimar
e cada
ia dos
sidade
que o
uando
a est
trico
antm
Pgina87de200
4.3.2.1. Transformaesrgidas
SeE1eE2correspondemaosdadosaalinhar,umatransformaoIlinearseesomente
se(Jannin,Grovaetal.2001):
x
1
eE1, x
2
eE2, ceR,
I(x
1
+ x
2
) = I(x
1
) + I(x
2
),I(c x
1
) = c I(x
1
). (4.16)
Aexpressogenricadeumatransformaoafim:
x
i
= A x +I. (4.17)
ondeAumamatrizdedimensoN,eI umvectordedimensoN.UmatransformaoI
afimseesomenteseaseguinteequaolinear(Jannin,Grovaetal.2001):
I(x) I(u). (4.18)
Os parmetros da transformao so o conjunto de N N coeficientes de A mais os N
componentesdovectorI.Destaforma,estastransformaespossibilitamarealizaodeuma
grandepartedasdistoresespaciaiscomuns,porquepodemrepresentaracombinaodeN
translaes, N rotaes, N factores de escala e N factores de toro (Jannin, Grova et al.
2001).
Em determinados contextos existe a possibilidade de traar hipteses sobre os dados a
alinhar. Por exemplo, as entidades anatmicas contidas numa imagem podem ser
consideradas rgidas, porque existe a possibilidade de corrigir as distores que surgem
aquando da aquisio das imagens ou porque o valor da amostragem espacial dos dados
conhecido ou facilmente calculvel. Dadas estas condicionantes, um outro tipo de
transformaes comummente usado, isto , as transformaes rgidas (Jannin, Grova et al.
2001).
Resumidamente, entre as transformaes lineares, uma transformao rgida, quando
apenas translaes e rotaes, num total de seis parmetros, so permitidas. Uma
transformaoafimresumeseaumargida,comaadiodefactoresdeescalaheterogneos.
Porexemplo,paraaglobalidadedeumaimagem, umatransformaorgida ouumaafim
pode ser descrita de uma forma compacta, por entre, seis (trs de translao e trs de
rotao)edozeparmetros:trsdetranslao,trsderotao,trsdefactordeescalaetrs
defactordetoro(Crum,Hartkensetal.2004).
Segundo(Crum,Hartkensetal.2004),grandepartedosprimeirostrabalhosrealizadosno
alinhamento de imagens mdicas, consistiu em alinhar imagens cerebrais de um mesmo
doente adquiridas segundo diferentes modalidades. Para estas aplicaes, uma aproximao
por uma transformao rgida suficiente, visto haver relativamente poucas mudanas na
forma do crebro ou na posio dentro do crnio durante os perodos relativamente curtos
entre aquisies de imagens. O alinhamento rgido permite reposicionar as imagens num
Alinham
mesm
Na ac
corrig
aquis
E
vlida
utiliza
bsic
anlis
alcan
anat
N
image
porqu
Assim
daob
N
alinha
liberd
perm
de um
outra
som
C
muita
Defor
natur
sero
liberd
neces
mentodeEstrutu

mo referenci
ctualidade, o
gir parcialm
siodeimag
Estesmodelo
a para toda
ao de crit
as, tanto pa
sedesries
nar uma tr
micorealre
No caso espe
ens por RM
ue, por exe
m, frequente
bservaoda
Figura4.15Ex
adquirida
Nestecasoin
ados (image
dade, trs p
mitir expressa
m alinhamen
a, sendo ape
maismoldada
Como ilustra
as vezes ins
rmaes res
rezapatolg
bservadas,o
dade. De sal
ssriodetect
urasemImagens
al espacial,
o alinhamen
ente as div
gemouasdi
osusamtoda
a a imagem
trios de el
ra o alinham
deimagens
ransformao
espectivo.
ecfico da aj
adquiridas
mplo, o doe
emente as im
asimagens(a
xemplodealinha
asdoismesesma
ntramodalin
em (c) da Fig
parmetros d
ar a altera
nto onde as
enas diferent
asparaassit
do em (Bosc
suficientes n
siduais de ba
gica,causasn
oqueobriga
ientar que u
tardiferena
Mdicas:Estudo
o que facilit
to rgido f
vergncias d
iscrepncias
asasprimitiv
m (Zitov, Fl
lasticidade;
mento local c
deummesm
o para que
uda ao diag
em instante
ente pode n
magens no
a)e(b)daFig
mento:(a)Image
istarde,(c)Alinh
ntrapaciente
gura 4.15) a
de transla
o de posicio
estruturas e
tes em posi
tuaesintra
c, Heitz et a
no acompan
aixa amplitu
naturaisoua
aousodet
um alinhame
assubtis.
,Desenvolvimen
a bastante n
frequenteme
de calibrao
deescalaen
vasparaestim
usser et al.
isto , defo
como para o
modoenteo
e um ponto
gnstico da E
es diferentes
no estar na
so directam
gura4.15(R
ensporRMdeum
hamentorgidoo
e,ospontos
ps uma tra
o associado
onamento en
envolvidas n
o. Verifica
apaciente(B
al. 2003), o
nhamento da
ude, quer lo
aartefactos
cnicasdeal
ento preciso
toeAplicao
no caso do e
ente alargad
o para as d
ntreossujeit
marosparm
. 2005), e a
ormaes e
o global. Por
obtidasemi
o numa ima
EM, norma
s. Esta tarefa
a mesma po
mente comp
ey,Subsolet
mdoentecomEM
btido(retiradode
sanatmicos
ansformao
os a outros
ntre imagens
no se defor
ase ainda q
Bondiau,Ma
alinhamento
a evoluo
cais, quer g
ligadosaop
inhamentoq
o particula
estudo da ev
do para inclu
diferenas e
tos.
metrosdeum
assentam es
transforma
exemplo, qu
nstantesdis
agem corres
almente nec
a pode ser b
osio em am
parveis, con
tal.2002).
M,(b)Imagensdo
e(Rey,Subsolet
sentreimag
o rgida 3D c
trs de rota
s. Assim, est
mam de um
ue, as transf
landainetal
o rgido e m
da patologia
lobais, e com
processode
queconsider
rmente impo
Pgina88de2
voluo de le
uir o afim, e
entre sistem
matransform
ssencialmen
es geom
uando se tra
stintos,procu
sponda ao
cessrio com
bastante labo
mbos os ex
nforme se ve
omesmodoente
al.2002)).
gensporRM
com seis gra
ao, de for
tse em pre
ma imagem p
formaes r
l.2004).
esmo o afim
a de um do
mplexas dev
aquisio,p
rammaisgra
ortante qua
200
eses.
pode
as de
mao
te na
tricas
ata da
urase
ponto
mparar
oriosa
ames.
erifica
ficam
aus de
rma a
esena
para a
rgidas
m, so
oente.
vido
podem
ausde
ndo
Pgina89de200
4.3.2.2. Transformaesnolineares
evidentequeamaiorpartedocorpohumanonoobedeceaumatransformaorgida
ou mesmo a uma afim. Assim, o problema envolvido mais complexo, e como tal, difcil de
validar(Yoo2004),poisonmerodeparmetrosconsideradosvarivelesuperioraoquese
verificanastransformaeslineares.
Oalinhamentonolinearmesmoessencialemmuitasaplicaescomimagensmdicas:
anlise morfomtrica, estudos de acompanhamento ou cirurgia assistida por computador
(Mnch,Combsetal.2010).Emnumerosasutilizaes,umaaproximaolinearpodenoser
suficientepararecuperarasdeformaeslocaisnecessriasnaobtenodeumasegmentao
precisa das estruturas. As transformaes nolineares so principalmente utilizadas em dois
tiposdesituaes(Jannin,Grovaetal.2001):
Quando os dados a alinhar no correspondem mesma instncia do substrato
anatmico,oquesucedenoalinhamentointerpacienteounorealizadoatravsda
utilizaodeumAtlas;
Quandodeentreainformaoacolocaremcorrespondncia,existeumsubstrato
anatmicocomumdistorcidoporumadeformaonorgida,oquesucedesobre
as estruturas anatmicas em movimento, como corao, pulmes, movimentos
devido respirao, etc., ou naquelas que podem diferir de estado, como no
crescimento de uma estrutura anatmica ou patolgica e na comparao de um
sistemapatolgicocomumsistemaso.
Deste modo, as transformaes nolineares, tambm conhecidas por deformveis ou
norgidas,somaisadaptadasparaoalinhamentointerpaciente,modelizandodessaforma
variaesespaciaiscomplexas,esogeralmenteencontradasemcasosdealinhamento3D/2D
(Jannin,Grovaetal.2001).
Muitas das solues para a determinao das transformaes norgidas, procuram em
primeiro lugar encontrar um nmero de pontos correspondentes nas imagens e, em seguida,
usam essas correspondncias para descobrir uma funo de transformao que determina a
consonncia entre todos os pontos das imagens envolvidas (Zagorchev and Goshtasby 2006).
Segundo (Jannin, Grova et al. 2001), este tipo de transformaopode ser modelizado atravs
deumasimplesfunonolineardefinidaparaa totalidade dovolume (emsituaes3D) ou
pordeformaeslocaisnolineares.Estasltimassomaisadaptadassvariaescomplexas
e podem ser obtidas atravs de um campo denso de deformao, onde um vector de
deslocamentolocalestassociadoacadan(pontodecontrolo)deumcampo(ougrelha)de
deformao ou de deslocamento (deformation field), definida regularmente ou no sobre a
imagem de referncia. Estas transformaes so geralmente definidas com o auxlio de um
termo ligado aos dados, que corresponde a uma medida de similaridade entre os ns, e uma
baliza de regulao, intrnseca transformao, que assegura a regularidade espacial dessa.
Por exemplo, na situao de dados do gnero superfcies, a regulao pode ser obtida pela
utilizao de transformaes livres, nos quais os parmetros que governam a transformao
numa regio da imagem no influenciam qualquer outra regio dessa imagem, ou atravs de
basesdefunesdotipospline,quematematicamentesofunesdefinidasporpartesepor
Alinham
polin
demo
carac
image
Flusse
masn
D
defor
dede
(Hart
image
alinha
(DP).
N
i.
ii.
mentodeEstrutu

mios, que
orados, prin
ctersticos a
emdevems
er et al. 200
nototalid
Desta forma
rmaes loca
eslocamento
tkens, Hill et
ens.NaFigu
amento,sem
Naliteratura,
ThinPlat
So t
(John
Neste
globa
medi
trans
Em (
mape
das c
apres
(Thin
FreeForm
Sendo
spline
urasemImagens
geralmente
ncipalmente
alinhar (Zit
seralinhadas
05), sendo qu
dadedaimag
a, no alinh
ais, as image
outilizado
t al. 2002), c
ura4.16ap
msuperviso
Figura4.1
,soapresen
teSplines(TP
alvez a trans
nsonandChr
emodelo,ca
al sobre a tr
daemques
formadaso
(Bookstein 1
eamento esp
correspond
sentada uma
PlateSpline
mDeformatio
o um mode
es nonegat
Mdicas:Estudo
e apresenta
nos casos
tov, Flusse
susandoain
ue esta defo
gem(Grimau
hamento n
ens analisada
paraquantif
contem infor
presentada,c
o,deduasim
16Exemplodeg
(retiradod
ntadasdivers
PS):
sformao m
ristensen200
adapontode
ransforma
seasuaposi
oalterados(C
1989), TPS
pacial entre
ncias entre
a generaliza
RobustPoi
on(FFD):
lo baseado
tivas que pe
,Desenvolvimen
am bons re
s em que
r et al. 200
nformaos
ormao s s
ud,Zhuetal.
orgido, q
as so camp
ficaramuda
rmaes per
comoexemp
magensporR
grelhadedeform
de(KybicandUns
sastransform
mais amplam
02;Zagorche
econtrolope
o; isto , no
iopertur
Crum,Hartke
so usadas
dois conjunt
eles, enqua
o aos caso
intMatching
em BSpline
ermite a sua
toeAplicao
sultados ma
existe um
05). Assim,
obreadisto
se pode apli
2002).
que decorre
pos ou mater
anadevolum
rtinentes sob
plo,agrelha
RMpondera
maoapsumal
sery2003)).
maesno
mente utilizad
evandGosht
ertencentea
o conjunto d
rbada,todos
ensetal.200
s em image
tos de ponto
anto em (Ch
os norgido
g)estruturad
es, que um
avizao das
as com clc
grande nm
perturbae
rogeomt
car a uma o
e sempre n
riais elstico
meouades
bre a diferen
dedeforma
dasemdens
inhamento
lineares,com
da no alinha
tasby2006);
aumaTPSte
da grelha de
sosoutrosp
04);
ens mdicas
os onde h u
hui and Ran
os, com o al
docombase
ma combina
s curvas, g
Pgina90de2
culos exten
mero de p
es locais de
tricalocal(Z
ou a vrias re
no domnio
os. Como o c
slocaodot
na entre as
aoresultan
sidadedepr
mo:
amento no
emumainflu
e deforma
pontosnaim
s para gera
um conhecim
ngarajan 200
goritmo TPS
emTPS.
o noline
geralmente
200
sos e
pontos
e uma
Zitov,
egies
o das
campo
tecido
s duas
ntedo
rotes
rgido
uncia
o, na
magem
ar um
mento
03),
SRPM
ear de
muito
Pgina91de200
verstil e pode gerar uma grande variedade de deformaes nolineares,
permanecendo,todavia,fcildemanusear(Sorzano,Thvenazetal.2005);
Segundo (Camara, Colliot et al. 2004), as FFD foram introduzidas por Thomas W.
Sederberg e Scott R. Parry e consistem essencialmente num modelo paramtrico
semilocal que fornece transformaes nolineares flexveis, porque nenhuma
suposio sobre as imagens ou as estruturas a alinhar efectuada, fazendo com
queoscomprimentoseasgeometriasnosejamconservados;
A deformao controlada pela modificao das posies dos ns, divididos
regularmente, e formando uma grelha subjacente imagem a deformar, sendo
queainterpolaodosmovimentosnosnsdagrelhapermiteaconstruodeum
campodemovimentocontnuoparatodaaimagem;
AideiabsicadaFFDalinharumaestruturapelamanipulaodeumamalhade
pontos de controlo (Klein, Andersson et al. 2009); isto , deformar uma estrutura
pela deformao da totalidade do espao onde essa est inserida, em vez de
deformardirectamenteaestrutura(XieandFarin2004);
A principal vantagem das FFD reside nas aptides a estimar deformaes
localizadas, permitindo dessa maneira capturar convenientemente as variaes
dasformas,istoporque,controladaporumagrelhadedeformaorectangular;
Estemodelofoiusadocomsucessoemdiversasaplicaesmdicasinclusivamente
para o alinhamento de imagens monomodais de regies cerebrais, conforme
apresentado em (Hartkens, Hill et al. 2002), ou para transformar as grelhas de
deformaodefinidasnosistemadecoordenadasdeumdoente,paraosistemade
coordenadasdeumoutrosujeito(Rao,Chandrashekaraetal.2004).
As tcnicas que usam BSplines, um dos mtodos de interpolao regularmente mais
utilizados (Zitov, Flusser et al. 2005), destinamse a calcular com preciso a transformao
afimentreduascurvasrelacionadas(XiaandLiu2004),sendoqueomodelodedeformaoB
Splineobtidoconsiderando(KybicandUnsery2003):
g(x) = x + c
]
[
n
m
(
x
h
- ])
]I
c
L
N . (4.19)
Naequaoanterior,g(x)equivalefunodedeformao,isto,decorrespondncia,a
seridentificada,c
]
aumnmerofinitodeparmetros,[aumprodutotensorialdaBSplinede
graun,n
m
aograudasplineutilizadaebaoespaamentodon.
Segundo (Crum, Hartkens et al. 2004), o alinhamento norgido baseado em BSplines
bastante usual devido sua aplicabilidade generalista, transparncia e eficincia
computacional. A sua principal desvantagem que preocupaes especiais so por vezes
necessriasparaevitardobrasdocampodedeformao,sendoqueessasmedidastornamse
maisdifceisdeaplicarquandosepretendemresoluesmelhores.
Umexemplodeumalgoritmodealinhamentoqueestimaumatransformaonorgida
descrito em (Ourselin, Roche et al. 2000). Neste caso, o alinhamento tentado atravs de
Alinham
trans
apen
trans
calcu
Isto
estim
O
corre
image
fonte
vizinh
simila
prese
movi
vizinh
Nx
confo
perm
possu
inform
O
apres
2003
com
result
mode
possi
mentodeEstrutu

sformaes r
as a regie
sformao g
ladas e prom
,nestatcn
madasglobalm
O princpio
espondentes
ens 2D, I e
e([)numcon
hana 0 e c
aridade, se
enteadec
mento local
hana so c
Ny Nz e
ormidade en
mitem determ
ui um vecto
maespara
Figura4.17I
Outro exemp
sentado para
).NaFigura
marcadores
tado do alin
elizar a cor
bilitammod
urasemImagens
rgida ou afi
es parciais d
global regu
movendo a
nicaasprimit
mente.
subjacente
(block matc
[, com o m
njuntodev
comparlo c
existem po
considerarqu
possvel de
onstantes n
e 0x 0y
ntre os cent
minar a dens
r para cada
adeterminad
lustraodaestr
plo usando
a o alinhame
4.18,asima
s (landmarks
hamento. N
rrespondnc
elizarumva
Mdicas:Estudo
m, tendo po
das duas im
ularizando a
continuidad
tivassoapr
a este m
ching) encon
esmo taman
riosblocos,
com o bloco
sies coinc
ue,umconju
e ser assimil
uma determ
0z. O bloc
tros dos blo
sidade do ca
pxel, enqu
dasposies
atgiadealinham
(retiradode
tcnicas co
ento semiau
gens(a)e(b
s), que deve
a imagem (d
cia anatmi
stolequede
,Desenvolvimen
or base uma
magens a al
as diferente
de entre elas
reciadasloca
mtodo de
ntrase ilust
nho, esta m
eemmover
o b, de form
cidentes na
untodepxe
lado a uma
minada esca
co b que me
ocos o e b.
ampo de des
uanto um n
daimagem.
X

mentoporblocos
(Ourselin,Roche
om campos
utomtico d
b)representa
em ser alinh
d), encontra
ca. De sali
emovimento
toeAplicao
a estratgia
inhar. Poste
es transfor
s, atravs de
almente,enq
alinhamen
trado na Fig
etodologia c
roblocoop
ma a verifica
imagem I.
iscontidosn
translao.
la, sendo re
elhor corres
Por seu lad
slocamento,
o denso, d
.
NT
0Taman
Resoluo
Densidade
scorrespondente
eetal.2000)).
de desloca
e imagens p
amasestrut
hadas, enqu
se a grelha
ientar que
o.
de emparelh
eriormente,
maes loc
e uma aprox
quantoastra
to por blo
ura 4.17. Co
consiste em
ertencente
ar, para um
Desta form
numapeque
O tamanho
espectivamen
sponder, per
do, os facto
sendo que u
ispe de ap
Tamanhodo
nhodazona
docampod
docampod
esnumcortedeim
amentos, ne
por RM em (
urasanatm
uanto a ima
de deforma
as grelhas
Pgina92de2
hamento ap
estimada
cais previam
ximao iter
ansformae
ocos ou re
onsiderando
dividir a im
imagem[p
dado critr
ma, a ideia b
enaregiote
o dos blocos
nte definido
rmite definir
ores x, y
um campo d
penas de alg
obloco
depesquisa
edeslocame
dedeslocame
magemporRM
este caso T
(Kybic and U
micas,sobrep
agem (c) exp
ao que pe
de deform
200
licada
a uma
mente
rativa.
esso
egies
o duas
magem
paraa
rio de
bsica
mum
s e da
os por
r uma
e z
denso,
gumas
ento
ento
TPS,
Unsery
postas
pe o
rmitiu
mao
O
essen
na es
outra
comp
E
image
e so
(Herm
onde
ocorr
locais
def
assen
porp
alinha
entre
Tretia
aswa
4
D
perm
parm
mais

Figura4.18
O alinhamen
ncial para o
stimao de
a, correspon
pletamentea
Em(Crum,Ha
enscomtran
bre as med
mosillo, Che
muitos par
rerdevido
s(Gefen,Tre
formao, p
ntasobreum
projecosob
amento de
e duas image
aketal.200
aveleteassp
4.3.3. E
Definidootip
mitem fazer
metrosqued
similar pos
Identificaode
nto norgid
estudo da v
uma transf
dente me
avariaom
artkensetal
nsformaes
didas de si
fdHotel et
metros est
dificuldade
etiaketal.2
pode ser ef
mprincpiod
brebasesor
imagens, n
ens ou para
4),estando
pline.
Estratgias
podetransfo
convergir,
determinam
ssvel com a
eestruturasanat
do de image
variabilidade
ormao qu
sma realidad
orfolgicaen
.2004),so
snorgidas
imilaridade
al. 2002). D
o envolvido
emencontra
004).Nesta
fectuada atr
dedecompos
rtogonais.As
omeadamen
a represent
apresentada
sdeoptim
ormaoea
mediante
atransform
a imagem a
CAP
micascorrespon
ens encefli
morfolgica
ue associa a
de anatmic
ntreasduas
apresentado
s.Estudosso
para o alin
De destacar
os, a incorre
arummnim
situao,um
ravs de wa
sioemsub
swavelettm
nte na cara
tao da int
aem(Kybica
mizao
amedidade
a ou as m
maoptima
alvo (Crum,
PTULOIVTcn
ndentes(retirado
cas apresen
a interpacie
cada ponto
ca. Assim, es
imagensaa
osalgunsfun
obreoalinha
nhamento n
que no caso
ecta coloca
moglobalna
marepresent
avelet multi
bbandased
msidoutiliza
cterizao d
tensidade do
andUnsery2
similaridade
medidas de
a,comafina
Hartkens e
icasdeAlinhame
ode(KybicandU
tase como
ente. Consist
de uma ima
sta transform
alinhar.
ndamentosd
amentono
nolinear s
o do alinham
o em corre
presenade
taopossv
iresolution,
detransform
adasemvri
de deforma
os pxeis das
2003),umac
e,osmtodo
similaridad
alidadedaim
et al. 2004)
entodeImagens
Pgina93de2
Unsery2003)).
uma ferram
te essencialm
agem o pon
mao carac
dealinhamen
linearmultim
so exposto
mento nol
espondncia
emuitosm
vel,emalter
uma tcnica
maomatem
iosestudosp
es nolin
s imagens (G
comparao
osdeoptimi
de escolhida
magemfonte
). A defini
Mdicas
200
menta
mente
nto de
cteriza
ntode
modal
os em
linear,
pode
nimos
nativa
a que
mtica
parao
neares
Gefen,
entre
izao
as, os
esero
o de
Pgina94de200
estratgias de optimizao consiste na ltima etapa da caracterizao de um mtodo de
alinhamento,articulandooemtornodoselementosexpostosem(Zitov,Flusseretal.2005).
Dereferirquesegundo(Yoo2004),oprocessodealinhamentopodeseranalisadocomosendo
apenasumproblemadeoptimizao.
Na literatura, diferentes mtodos, gerais ou especficos, so utilizados nesta tarefa. Por
exemplo, em (Hellier, Barillot et al. 2003), proposta uma mtrica que permite apreciar o
comportamento dos algoritmos de alinhamento norgidos num contexto de colocao em
correspondncia de imagens por RM de crebros de diferentes doentes. Nesse trabalho, os
autores quantificam a qualidade da colocao em conformidade de determinados sulcos
corticais atravs de distintos mtodos de alinhamento. Um estudo sobre os desempenhos de
diferentes estratgias de optimizao, no contexto do alinhamento nolinear, apresentado
em (Kybic and Unsery 2003). Nestas aplicaes com transformaes norgidas, escolher ou
conceberumoptimizadorpodeserumproblemacomplexo,porquequantomaisflexvelfora
transformao do modelo mais parmetros so geralmente necessrios para descrevlo
(Crum, Hartkens et al. 2004). Uma comparao entre diversas tcnicas de optimizao est
disponvelem(Maes,Vandermeulenetal.1999),essencialmenteconsiderandocasosdeIM.O
projecto Vanderbilt, descrito em (West, Fitzpatrick et al. 1997), possibilitou avaliar para o
alinhamento rgido multimodal de imagens do crebro, a preciso de alguns optimizadores
com base na IM. Alguns algoritmos como o apresentado em (Chui and Rangarajan 2003),
resolvemaoptimizaopelaiteraoparaumvalormuitoprximodoerromnimo,baseando
senumaderivaodomtodoICP.
Observasequealgumasmtricastmumagranderegiodeinfluncia,oquesignificaque
o optimizador deve ser capaz de encontrar o seu caminho at um mximo, mesmo quando o
desalinhamento elevado. Tipicamente, grandes regies esto associadas a baixa preciso.
Outras mtricas, oferecem alta preciso para o alinhamento, mas necessitam geralmente de
serinicializadasbastanteprximasdovalorptimo.
Classicamente as estratgias de optimizao dependem do gradiente da funo a
optimizar,assimcomo,daformadocritriodesimilaridadeconsiderado.Ogradientedeuma
funofornecelocalmenteadirecoemqueeladecrescemais.Dosresultadosapresentados
em (Maes, Vandermeulen et al. 1999), especificamente para a situao com informao
mtua, observase que os mtodos com gradiente no so necessariamente menos eficazes
queossemgradiente.
4.3.3.1. Mtodossemgradiente
De entre os algoritmos genricos de optimizao, alguns no necessitam de calcular o
gradientedocritrioaminimizarouamaximizar,sendoexemplodisso,osmtodosdosimplex
e de Powell, ambos usados frequentemente para o alinhamento rgido ou afim (Maintz and
Viergever 1998). Estes dois mtodos, eficientes em muitas situaes porque no necessitam
doclculo dogradientedocritrio (),baseiamsenarealizaodebuscasiterativasde um
novo resultado em funo dos anteriormente obtidos, e apresentam a vantagem de serem
relativamenterpidosenquantooespaodepesquisadepequenadimenso.Noentanto,
Pgina95de200
eporseremdeterminsticos,nogarantemaconvergnciaparaummnimolocal,tornandoos
sensveis inicializao dos parmetros de transformao. Assim, estes mtodos esto
reservados para a procura de transformaes globais e de algumas locais, que tenham um
baixonmerodepontosdecontrolo.
O mtodo de Powell, baseiase no conhecimento prvio da funo a minimizar, e efectua
uma sucesso de minimizaes para cada parmetro, iterandoo at convergncia
unidimensionalaolongodeumconjuntodeNdirecesdiferentes,isto,ataocritriono
variarmais.Comoindicadoem(Maes,Vandermeulenetal.1999),possvelescolheraordem
dasminimizaes1Ddeformaaoptimizarotempodeclculoeosresultadosobtidos.
OmtodosimplexconsistenadefiniodeumpoliedrodeNfaces(simplex)noespaode
dimensoNdosparmetroseinicializadoporN + 1pontosescolhidosaleatoriamenteoude
forma emprica. As N funes de custo que correspondem a estes pontos so calculadas e
ordenadas, sendo a pior do ponto de vista do seu critrio de similaridade, substituda por
outra (Maes, Vandermeulen et al. 1999). Assim o mtodo simplex vai deformarse no espao
dos parmetros at atingir, aps um determinado nmero de iteraes, a convergncia da
funo,oquesucedequandoadiferenafraccionalentreomenoreomaiorvaloravaliadoem
funodosvrticesdosimplex,menordoquealgumvalordelimiar.
4.3.3.2. Mtodosdegradiente
Astcnicasdescritasanteriormenteimplicamfrequentementeumnmeroimportantede
iteraes e no permitem eliminar os problemas relacionados com mnimos locais. Para
resolver estas dificuldades, existe a possibilidade de usar mtodos que assumem o valor das
primeiras e/ou segundas derivadas da funo a optimizar. Contudo, estas metodologias
necessitam de aceder ao clculo do gradiente. Para mtodos de optimizao baseados no
gradiente, o critrio de similaridade requerido de forma a providenciar as derivadas das
medidasemrelaoacadaparmetrodatransformao(Yoo2004).
O mtodo do gradiente descendente (steepest gradient descent) um dos mais usados
para a incorporao da informao do gradiente em cada passo do processo iterativo de
optimizao (Maes, Vandermeulen et al. 1999). O mnimo local da funo encontrado aps
umcertonmerodeetapasdeminimizaoconsecutivas.Cadapassoiniciasecomomnimo
obtido na etapa anterior e prossegue na direco descendente do gradiente naquele ponto,
isto , na direco do steepest gradient. Todavia, esta metodologia apresenta dois
inconvenientes:
Ogradientegeralmentenoapontadirectamenteparaaoptimizao;
Passos consecutivos no sentido de optimizar a relao so necessariamente em
ngulos ortogonais, sendo que muitos passos pequenos so geralmente exigidos
antesdeatingiraoptimizao.
Omtododogradienteconjugado(conjugategradient),umavertentedomtodosteepest
gradient descent, tenta ultrapassar os problemas associados com a direco descendente
Alinham
deste
Para
conju
assim
de zi
desce
O
quep
os pr
Newt
A
optim
alinha
most
alinha
D
A
afim
mentodeEstrutu

e, e tambm
isso, o con
ugandoo co
masuaconve
igzag produz
ent.
O mtodo qu
procuraosm
roblemas de
ton(Maes,V
A Figura 4.19
mizao apr
amentodeu
ramtambm
amentopti
Figura4.19
Dosgrficosd
O m
enca
O m
semp
delin
clcu
Os m
quase
O m
fun
minim
apres
Alguns deste
deimagens,
urasemImagens
m com o inco
njugategrad
m o anterio
ergncia(Ma
zidos pela d
uasiNewton
mnimosdeJ
inicializao
Vandermeule
9 apresenta
resentados
umaimagem
maslinhasd
ima.
9Estratgiasde
dealinham
daFigura4.1
todo de Po
aminhadire
todo steepe
preortogona
nhasdemini
lodogradie
mtodos qua
esimilar,ma
todo simpl
es de ava
mizao. As
sentados,o
es diferentes
comoindica
Mdicas:Estudo
onveniente d
dient procur
or, relativam
aes,Vanderm
direco orto
, que de s
quecorresp
o, de conver
enetal.1999
os caminho
anteriormen
mdeCTedeu
econtornod
optimizaodei
mentoptimo(ret
19,verificas
well conseg
ectamentepa
est gradient
issanterio
mizaoque
nte;
asiNewton e
asmesmoas
ex segue po
liao, visto
ssim, como
omaiseficaz
s mtodos, s
adoem(Mae
,Desenvolvimen
dele apenas s
ra escolher
mente fun
meulenetal
ogonal dos
segunda orde
pondama[
rgncia e de
9).
os seguidos
nte, a part
umaimagem
daIM,ques
informaomtu
tiradode(Maes,
eque(Maes
ue aps dua
araaposio
descent, ob
ores,consegu
eodePowe
e do gradie
sim,nome
or caminhos
o no se r
o no req
z.
so tambm
es,Vanderm
toeAplicao
se adequar a
um sentido
o que se p
l.1999),atra
gradientes n
em, consiste
[ = u,ap
reversibilida
no espao
ir de uma
mporRMdo
oquaseel
uanumsubespa
Vandermeulene
s,Vanderme
as iteraes
optima;
brigado a pro
uealcanaro
ell,todavia
nte conjuga
elhorqueod
s irregulares
realizarem e
quer avalia
m usados par
eulenetal.1
a funes de
o distinto do
pretende mi
avsdaelimi
no mtodo
e num proce
resentadoco
ade mostrad
pelos difere
mesma po
crebro.Os
pticasemto
odeparmetros
etal.1999)).
ulenetal.19
encontrar u
oceder em d
oobjectivoe
menosefici
do, compor
ePowell;
s mas me
em cada ite
es dos
ra o alinham
1999).
Pgina96de2
e primeira o
o gradiente
inimizar. Me
inaodose
steepest gra
edimento ite
omosoluo
dos no mto
entes mtod
osio inici
sgrficosinc
ornodaposi
s2Datravs
999):
uma nova vi
direces qu
emmenorn
enteemraz
rtamse de f
enos exigent
erao linha
gradientes,
mento rgido
200
rdem.
, mas
elhora
efeitos
adient
rativo
opara
do de
os de
al no
ludos
ode
a que
ue so
mero
zodo
forma
te em
as de
dos
o ou o
Pgina97de200
4.3.4. Validaodemtodosdealinhamento
Um dos aspectos importantes e mais complexos no alinhamento de imagens consiste na
validao dos algoritmos usados. Isto pode ser efectuado por verificao visual, muitas vezes
insuficienteparaapurarapertinnciadosresultadosobtidosporummtododealinhamento,
com posterior avaliao por um mdico, ou por confirmao qualitativa (Radke, Andra et al.
2005),apartirdeparmetroscomoosindicadosaseguir(MaintzandViergever1998):
Preciso:Nosmtodosgeomtricos,aprecisoderivadacapacidadeemdetectar
os pontos caractersticos e pode obterse pelo clculo do erro mdio, enquanto
nas metodologias baseadas nas intensidades, depende da qualidade e da
geometriadasimagensadquiridas(Bondiau,Malandainetal.2004);
Robustez e estabilidade: Remete para o requisito bsico de que as pequenas
variaes na entrada devem resultar em pequenas modificaes na sada; isto ,
obterumresultadocoerenteindependentementedascondiesiniciais;
Fiabilidade:aexignciadequeoalgoritmosedevecomportarcomooesperado,
dadoumintervalorazoveldepossveisentradasdedados;
Recursos necessrios: a referncia ao material e ao esforo envolvidos no
processodealinhamento;
Complexidadedoalgoritmo;
Verificao;
Utilizaoclnica.
De salientar que para obter bons resultados na deteco de alteraes nas imagens
necessriousarumalinhamentodealtapreciso(Radke,Andraetal.2005).Estealinhamento
somente pode ser obtido com rigor para o caso em que os conjuntos de imagens tm uma
transformao j conhecida. Para a situao do alinhamento rgido intrapaciente, mono ou
multimodal, em (West, Fitzpatrick et al. 1997), foram efectuados estudos que demonstram
umaprecisosubvoxel.
Para avaliar as divergncias entre os resultados produzidos pelas diferentes medidas,
vriosmtodossopropostos.Em(Loi,Dominiettoetal.2008),aprecisodoalinhamentofoi
verificadapelasobreposiodirectadeestruturasanatmicas,taiscomo,aartriabasilareos
orifcios da base do crnio, para a imagem de tomografia computorizada e a imagem por
ressonnciamagntica.Poroutrolado,em(West,Fitzpatricketal.1997),usadooRMS(root
mean squared), onde os erros so calculados pela comparao com uma transformao de
referncia,previamentedeterminadacomoauxliodemarcadoresquedepoissoremovidos.
Paraastcnicasassentesnosmtodosbaseadosemcaractersticasgeomtricas,apropagao
do erro bem conhecida; no entanto, noutras abordagens os prprios algoritmos no
fornecemindicaesteisdepreciso(Hill,Batcheloretal.2001).
Pgina98de200
Uma mudana detectada pelo algoritmo considerada vlida se vrios observadores
humanos julgarem que h uma alterao (Radke, Andra et al. 2005). Contudo, possvel
afirmar que bastante difcil definir e legitimar caractersticas, porque dependem de vrios
parmetros e das prprias imagens a alinhar. Assim, a validao de qualquer algoritmo de
alinhamento no trivial, porque a realidade no terreno raramente conhecida;
consequentemente,umesforodeveserfeitopararealizartestesantesdasuaintroduona
prticaclnica(Loi,Dominiettoetal.2008).
4.4. Mtodosparaalinhamentodeimagensmdicas
Nas seces anteriores foram apresentadas as potencialidades das diversas famlias de
mtodosdealinhamentodeimagens,bemcomo,expostosdiversosmtodosexemplificativos.
Nestaseco,soexpostasalgumasdastcnicasparaoalinhamentodeimagensmdicas, de
forma a indicar algumas das possibilidades existentes e actualmente disponveis para o caso
especfico do alinhamento de imagens de doentes com EM, enquadrandoas nos critrios de
classificaopreviamenteenumerados.
Como referido anteriormente, para executar o alinhamento de imagens mdicas so
descritos em vrias publicaes, diversos modelos baseados na teoria da informao. Por
exemplo, em (Pluim, Maintz et al. 2004), proposto o finformation exclusive, derivado das
medidas de informaes. Medidas da distncia entre uma probabilidade de distribuio
conjuntaeoprodutodasdistribuiesmarginaissomedidasdeinformao.Estasconstituem
uma subclasse das medidas de divergncia que so medidas da distncia entre duas
distribuies arbitrrias. Uma classe especfica de medidas de informao, conhecida por
divergncia, na qual considerada a informao mtua, formada pelas medidas f
information. Esta medida concebida especificamente para responder a alguns problemas,
como de sensibilidade recuperao, mnimos locais, etc., ligados informao mtua. Em
(Pluim,Maintzetal.2004)comparadaainformaomtuacomvriasoutrasmedidasdef
information, aplicandoas ao alinhamento de imagens por RM, de PET e de CT. Os autores
demonstram que a escolha de determinadas funes f, usadas para formar as medidas f
information, mais interessante em termos de convergncia e de preciso do que a
informaomtua.
Aindafundamentadonateoriadainformao,em(Karaali2007),propostoummtodo
para alinhamento multimodal usando a informao mtua, a entropia conjunta, ou a soma
das entropias marginais como medidas de similaridade. Neste estudo, o modelo no requer
nenhumaestimativadadensidadedeprobabilidadedequalquerumdoscritrioseverificase
a colocao em correspondncias das imagens mesmo quando as deformaes so
substanciais.
Nos algoritmos de deteco de pequenas alteraes baseados na estimao e na anlise
deumcampodedeformao,derealarotrabalhodescritoem(Rey,Subsoletal.2002),que
considera um mtodo adaptado ao estudo da evoluo da EM. Na grelha de deformao
efectuadaacomparaodocampodemovimentoaparenteentreduasimagenssucessivas,
sendo a primeira alinhada por um mtodo rgido. Posteriormente, tratado o campo de
deslo
nor
umr
al.20
A
imag
imag
progr
inform
quan
K
algor
topol
deslo
camp
trans
parm
discre
abord
discre
A
conti
desap
interm
desse
defor
U
4.21,
creb
topol
defor

ocamentopa
rgido.Dere
gidooudeu
010).
A Figura 4.2
e 1 e image
e 2, presen
resso da l
mao perti
titativament
Figura4.20
Karaali e Da
ritmo genri
logia de um
ocamentoma
po de deform
sformao c
metros fun
eta da imag
dagem su
etaondeest
A preserva
nuam,quea
parecimento
mdiosdea
e, sendo que
rmaoaape
Uma situao
onde as ilu
bro, (b) o m
logicamente
rmado obtid
araobterom
alarqueco
umafim,de
0, mostra o
e 2, em torn
nte nas dua
eso aparec
nente sobre
teatravsde
Campodedeslo
avatzikos apr
ico que ser
determinad
aisprxima.
mao defini
ontnua ass
es BSpline
gem. Por exe
uficiente gar
tdelimitado
o de topo
arelaoent
o das estrut
lgunsalgorit
e a sua apli
enasalguns
o prtica ilus
straes inc
modelo 2D
preservado
do utilizando
movimento
omfrequnc
formaaobt
o campo de
no da leso,
as imagens,
ce como um
e as diferen
eoperadores
ocamentoemred
daesquerda(ret
resentam em
ve para est
do campo de
Paratal,con
ido sobre a
im construd
e vectores
emplo, no c
antir que o
oocampode
logia, asseg
treestrutura
uras. esse
tmosdealin
cao duran
modelospar
strativa da p
ludas repre
deformado
o (clarament
o um campo
CAP
aparentee
cia,umalinh
terumalinh
e deslocame
, no interior
enfatizand
ma contrac
as entre as
smatemtic
dordalesocalcu
tiradode(Rey,Su
m (Karaali a
timar, de fo
e deforma
nsideramat
grelha discre
da, correspo
de deslocam
caso da pres
o Jacobiano
edeforma
gura que as
asvizinhasse
encialmente
hamentoint
nte essa tar
raosquaiso
preservao
sentam: (a)
de acordo
te visvel na
o de desloca
PTULOIVTcn
entreasimag
amentono
hamentoinic
nto (displac
r do quadra
oa na retr
o positiva
s duas image
oscomooJa
uladopeloalinha
ubsoletal.2002))
and Davatzik
orma rpida
o, a partir d
transforma
eta da imag
onde a um
mento, assen
servao de
positivo n
o.
s estruturas
emantm,e
um constra
terpaciente
efa, restring
oJacobiano
de topologia
o modelo (g
com um c
a zona inter
amento topo
icasdeAlinhame
gensatravs
rgidodeve
ialembruto
cement field
do cinzento
raco radia
a no campo
ens, sendo p
acobiano([).
amentoentreasd
).
kos 2004), um
a e fivel, a
da determina
ocontnua
em por inte
modelo qu
ntes em cada
topologias
nos quatro
s conectada
previneoa
angimento e
,oumesmo
ge a estimat
positivo.
a est repres
gerado sinte
ampo de d
rtecidos) e
ologicamente
entodeImagens
Pgina99de2
sdeumalgo
eserprecedi
o(Klein,Star
d) vectorial,
representa
al. Neste ca
o que cont
possvel ana
.
duasimagens
ma anlise d
a preserva
ao da grel
obtidaapar
rpolao lin
ue pondera
a ponto da g
em 2D, com
cantos da g
s entre si
parecimento
em vrios p
apsareali
tiva do cam
sentada na
eticamente)
eslocamento
(c) o mode
e corrigido.
Mdicas
200
oritmo
dode
ringet
entre
do na
aso, a
tem a
lisla
de um
o de
ha de
rtirdo
ear. A
como
grelha
m esta
grelha
assim
oouo
passos
izao
po de
Figura
2D do
o no
elo 2D
Neste
Alinham
caso,
propr
N
algor
Spline
prese
defo
trans
evolu
do al
encon
N
noal
a ima
const
comu
P
aplica
mentodeEstrutu

o algoritmo
riedadesdev
Figura4.2
Noblet e os
ritmo de tra
es, e hiera
ervaodeto
ormaaceitv
sformao. U
uo de les
inhamento d
ntradopela
Na Figura 4.2
inhamentod
agem fonte,
trangimento
umconstran
F
Paraexplicar
adosaumam
urasemImagens
o para a ex
vizinhanap
1Ilustraoda
seus colab
nsformao
arquizado at
opologiano
elocompor
Uma das po
es interpac
de imagens
minimizao
22, aprese
deimagensp
enquanto a
no Jacobian
ngimentopos
Figura4.22Alin
apreserva
malharegula
Mdicas:Estudo
xecuo da p
perdidas.
correcotopol
boradores e
nolinear,
travs de u
alinhamento
tamentodas
otenciais ap
iente ao lon
em (Bricq, C
odaenergia
ntado um e
porRM3Din
a (b) o resu
no. A image
sitivonoJaco
nhamentonorg
(retiradode
odetopolo
arlocalizada
,Desenvolvimen
preservao
gicaexecutada(
m (Noblet,
representad
uma aproxi
o3Ddemod
sestruturas
plicaes des
ngo do temp
Collet et al.
residualent
xemplo da c
nterpaciente
ultado da co
em (c) o r
obiano([ >
gidodeimagens
(Noblet,Heinrich
ogia,ambos
noplanoint
toeAplicao
de topolog
(retiradode(Kara
Heinrich et
do de forma
imao mul
delosdeima
reaisatravs
ste algoritm
o. Neste m
2008), o ma
reasimagen
contribuio
esdocrebr
orrespondn
esultado da
u),ea(d)
porRMdedoisd
hetal.2005)).
oscamposr
terhemisfr
gia recupera
aaliandDavatzi
t al. 2005),
a paramtric
ltiescala. A
agensdeform
sdocontrolo
mo o acom
todo, usado
apa de alinh
nsfontedefo
da preserva
o.Areprese
cia deform
correspond
aimagemal
doentesdiferente
esultantesd
ico,Figura4
Pgina100de
com precis
kos2004)).
apresentam
ca na base
Assim, englo
mveis,simu
odoJacobia
mpanhamen
o para a exe
amento pt
ormadaealv
ao de top
entao(a)m
vel sem qua
dncia defor
lvo.
es
adeforma
4.23.
e200
so as
m um
de B
oba a
ulando
anoda
to da
cuo
timo
vo.
ologia
mostra
alquer
mvel
oso
Fig
fonte,
N
const
afect
do p
const
rotur
quen
E
2D, u
que n
conce
alinha
quei
efici
entre
alinha
(b), c
sobre
curva
C
4.25
corre

ura4.23Visual
,(b)Grelhadefor
u),(d)Grelh
NaFigura4.2
trangimento
a regies em
pescoo, pel
trangimento
radamalha.
na(c).
Em (Xia and
uma abordag
no requer
eitodeuma
adas e sobre
mplicaouso
ncia. Este a
e as curvas e
amentoded
com 90 pon
epeasduas
a(d).Desta
Figura4.24
Como exemp
o alinhame
espondente
izaodocampo
rmadasemqualq
hadeformadacom
23,ocampo
leva a um r
m torno da b
a falta de
sobre a Jac
Observase
Liu 2004),
gem basead
a instituio
supercurv
epostas uma
odeumatc
lgoritmo pos
em somente
duascurvas.
ntos, esto
scurvasnum
forma,esta
Ilustraodoa
plo da imple
nto de uma
ponderada
odedeformao
querlimitao,(c
mumconstrangi
dedeforma
rasgo da ma
boca por cau
informao
cobiano regu
queocampo
apresentad
a em curvas
o explcita de
va(supercu
a sobre a ou
cnicaparaa
ssibilita assim
e uma etapa
Assim,supo
relacionadas
maimagem(c
ltimacurva
linhamentoded
ementao d
imagem co
em T1 (b).
CAP
numamalharegu
c)Grelhadeforma
mentou.S < [ <
oobtidoa
alha (b), o qu
usa do movi
relativa a
ulariza o cam
oadeforma
da para a res
s de corresp
e pontos de
urve),queu
utra, e no re
fusoentre
m a realiza
a. A Figura 4
ondoqueasc
s atravs de
c)eusauma
atem190po
duascurvascom
deste mtod
om pondera
. A imagem
PTULOIVTcn
ularlocalizadano
adacomumcons
< 2(retiradode(
apartirdeu
ue demonst
mento causa
esta rea.
mpo de defo
omuito
soluo do a
pondncia e
correspond
umacurva
elacionament
elasquefac
o do alinha
4.24 permite
curvasdasim
e uma trans
anicaBSpli
ontosparafo
supercurva(re
do na rea m
o em den
m (c) mostra
icasdeAlinhame
oplanointerhem
strangimentopos
Noblet,Heinrich
malinhame
ra violao d
ado pela res
Impor uma
ormao (c)
maissuave
alinhamento
ntre as imag
dncias. A so
nicaformad
to com uma
cilitaoaume
amento e da
e explicar es
magens(a),c
sformao a
inepararepr
ormaraBSp
tiradode(Xiaan
mdica, obs
sidade de p
a a mistura
entodeImagens
Pgina101de
misfrico:(a)Imag
sitivonoJacobian
etal.2005)).
ntosemqua
da topologia
spirao, e
a positividad
e evita qua
naimagem
o afim de im
gens relacio
oluo assen
daporduasc
a nica BSpl
entodaprec
a correspond
sta abordage
com100pon
afim, esta t
resentaras
pline.
ndLiu2004)).
ervase na
protes (a) c
a de ambas
Mdicas
e200
gem
no([ >
alquer
a, pois
volta
de de
alquer
(d)do
agens
nadas
nta no
curvas
line, o
isoe
dncia
em no
ntos,e
cnica
super
Figura
com a
s sem
Alinham
alinha
trans
S
alinha
de p
corre
exibir
com
adapt
como
comp
refina
contr
super
Spline
A
coloc
Spline
meio
corre
dass
E
estim
mentodeEstrutu

amento, situ
sformaoaf
Figu
Segundo Zhiy
amentotrad
ontos de co
espondncia
r oscilaes
BSplineshie
tar a transfo
o um increm
plexaspodem
a localmente
rolo refinado
rfcie.Assim,
eshierrquic
A Figura 4.26
cados manua
es hierrquic
, imagem
espondncia
ubestruturas
Figura4
Em (Nikou,
mao robus
urasemImagens
uao corrig
fim.
ura4.25Alinham
yong Xie e G
dicionalcom
ontrolo, por
pode ser al
locais. Assim
errquicasq
ormao, e
mento no nv
mserdividid
e o controlo
os podem d
,assuperfc
cas.
6 ilustra um
almente, se
cas. Nesta f
fonte e a d
entreestrut
sdoseuinte
.26 Exemplode
Heitz et al.
sta, que pe
Mdicas:Estudo
gida na imag
mentodeimagem
(retirad
Gerald E. Far
BSplinespr
rque caso s
lcanado, en
m sendo, pa
uepermitec
dessa mane
el de detalh
osempeque
das BSpline
desta forma
iesBSplines
exemplo de
ndo que po
igura, a ima
a direita,
turas.Apart
eriorestode
ealinhamentoco
. 1999), p
rmite o alin
,Desenvolvimen
gem (d), na
mcompondera
dode(XiaandLiu
rin em (Xie a
rendesecom
ejam em n
nquanto se f
ara ultrapass
calcularode
eira consegu
he. Os domn
enasparcela
es sem alter
ser manipu
s comeste t
e um alinha
osteriorment
agem da esq
deformao
irdestaltim
evidamente
omBSplines hier
proposto um
nhamento r
toeAplicao
qual foi usa

oemDPcomou
u2004)).
and Farin 20
maseleco
mero redu
forem muito
sar este pro
eslocamento
uir alinhar at
nios nos qua
aspeloproce
rar toda a su
lados para
ipodehier
amento onde
te efectua
querda corre
da imagem
ma,verificas
deformadas
rquicas(retirado
m mtodo
rgido e com
ada para o a
utraponderadae
04), a maior
odonmero
uzido, apena
os, as transf
blema, prop
o dospontos
travs de FF
ais se devem
essodeinser
uperfcie. Ent
modelizar m
rquica,sod
e alguns dos
da uma def
esponde im
fonte de fo
sequeasfor
s.
ode(XieandFari
fundamenta
mpletamente
Pgina102de
alinhamento
emT1
r desvantage
odeparme
as um esbo
formaes p
pem um m
sdecontrolo
FD, duas im
m construir fo
rodens,
to, os pont
mais localme
designadasp
s marcadore
formao co
magem alvo,
orma a alcan
rmasdocre
in2004)).
ado na teor
e automtic
e200
, uma
em do
trose
o de
podem
todo
opara
agens
ormas
oque
tos de
ente a
porB
es so
om B
, a do
nar a
ebroe
ria da
co de
image
deter
disco
porta
de cu
tendo
alinha
conju
grelh
image
aopt
A
com
image
preci
(thres
figura
image
clssi
sufici
algor
E
sequ
fun
um
ospa
assoc
meto
teste
assoc

ensmonomo
rminao pr
ordantes(out
adoresdeinf
usto no con
o em conta,
ar, permitin
untosdedad
as para mel
emderefer
timizaole
Adaptando a
EM, os resu
em (b) da s
so subvox
sholding)da
a so de um
em (a) da li
ica de mnim
ientemente
ritmocomes
Figura4.27
Em(Bosc,He
ncias temp
ofqueinte
ma funo spl
armetross
cia a intens
odologia, a d
s de hipte
ciadosamt
odaisoumu
recisa dos p
tliers),ques
formaesin
nvexas devid
, de forma
ndo assim ev
dos.Oalgorit
horar a sens
nciadivid
evadaacabo
tcnica ind
ultados para
egunda linh
el, o que pe
imagemdos
m mesmo do
nha inferior
mos quadrad
preciso par
stimaorob
7Alinhamentor
das
eitzetal.200
porais de im
erligaasinten
line por ped
oestimados
sidade corr
deteco co
eses, tendo
todosnolin
ltimodais.O
parmetros
onoentan
nteressantes
do depend
selectiva e
videnciar alt
tmodealinh
sibilidade ao
idaregularm
o,sucessivam
icada anteri
o caso da a
a da Figura
ermite deter
serrosresid
ente mas ad
r apresenta
dos. Nesta
ra fazer sob
busta,imagem
robustodeimage
slesesdeEM(r
03),propo
magens alinh
nsidadesap
aos, obtend
sdetalform
espondente
nfivel da e
em conside
nearesdeno
CAP
Oobjectivod
de um mod
tovriasvez
s.Oalinhame
dncia implc
robusta, o c
teraes tem
amentoapo
os mnimos l
mentedeum
mente,sobre
iormente ao
anlise da e
4.27. Aqui,
minar a evo
uais.Asimag
dquiridas co
o resultado
ltima image
bressair a e
m(b),bastan
ens2Ddeumam
retiradode(Nikou
stoparaos
hadas de um
partirdohist
dose assim
maque,acad
mais prov
evoluo das
rao as es
ormalizaod
PTULOIVTcn
aestimao
delo, estand
zesprecioso
entobaseia
cita com os
conjunto do
mporais ou
oiasenumes
locais da fun
mfactorde8
easdiferente
o estudo de
voluo das
o algoritmo
oluo das le
gens(a)e(b
m vrios me
do alinham
em, visvel
evoluo da
ntemaispre
mesmamodalidad
u,Heitzetal.199
mtodosbas
m mesmo d
ogramaconj
uma model
daintensidad
vvel observ
s leses pod
tatsticas do
deintensida
icasdeAlinhame
robustad
dose na pre
sporqueso
senaminim
parmetros
s vxeis das
evolues d
squemadeo
no de cust
1,27,9,3e
esgrelhasob
imagens po
leses, so
o fornece um
eses por sim
)dalinhasu
eses de inter
ento atrav
l que o mt
s leses, co
ciso.
eparaaanlised
99)).
seadosnasi
doente, a es
junto.Omod
izao local
dei daimag
vada em I
2
de ser cond
o rudo Gau
des.Conseq
entodeImagens
Pgina103de
epossibilita
esena de
ofrequentem
mizaodefu
s do alinham
s duas imag
de patologia
optimizao
to inicial; ist
1(grelhaini
btidas.
or RM de do
o apresentad
m alinhamen
mples limiari
uperiordare
rvalo; enqua
s de uma t
todo usado
ontrariamen
daevoluo
ntensidades
stimativa de
deloretidop
da imagem,
gemI
1
,afun
2
. Atravs
duzida a par
ssiano e do
quentemente
Mdicas
e200
ruma
dados
mente
nes
mento,
gens a
as em
multi
o , a
cial)e
oentes
dos na
nto de
izao
ferida
anto a
cnica
no
te ao
seem
e uma
para
onde
no
desta
rtir de
o sinal
e,esta
Alinham
tarefa
creb
inten
carac
consi
cada
distri
P
carac
proba
entre
A
(prob
altera
de p
inten
E
altera
multi
uma
base
conte
a qua
sobre
hipt
nme
falsos
mentodeEstrutu

a pode ser
bro, ao repo
sidades e a
cterizaresta
derada uma
ponto s, se
buiodein
Figura4
das
Paraprocede
ctersticaspe
abilidade ge
easprobabil
E
0
:Noe
E
1
:Noin
Ashipteses
bability dens
aes, e E
1
robabilidade
sidadesem
Em (Roussea
aes (a co
imodais so
metodologia
para a dete
extualeosd
antidade de
etestes deh
tese E
0
para
ero esperad
snomodelo
urasemImagens
dividida em
osicionament
o teste mo
ltimafase,
a janela 3D (
h ou no
tensidade
4.28Detecod
intensidadesnum
erdeteco
ertinentespa
neralizada. O
idadesdedu
existealtera
teriordajan
E
0
eE
1
pod
sity function
por dois par
e generaliza
ws:
R
u, Faisan et
ontrario app
definidas co
anoparam
eco de mu
diferentesva
e dados falso
hipteses rel
a a regio R
o de ocorr
,
e.
Mdicas:Estudo
m quatro et
to e correc
no, ou mult
naFigura4
(ws) de tam
alteraes r
considerado
dealteraesem
majanela(ws)3
odealtera
araestetipo
O teste da r
uashiptese
esentreI
0
nelaconsider
demserinte
ns) paramt
rmetros dif
da (R
uLR1
)
uLR1
=
p(I
1
;0
p(I
1
;0
t al. 2007),
proach), se
omo evento
tricaqueap
udanas, ten
loresdoslim
os positivos.
lativamente
de n vxeis
ncias deste
,Desenvolvimen
tapas distin
o da defor
timodal, est
.28,emtoda
manho fixo e
reais. Nesta
o.
imagensmultimo
3Dcentradaems
esemimag
deproblem
relao de p
s:
0
eI
1
,nazon
rada(ws),h
rpretadaspo
ricas. Assim
ferentes (0
1
para a jane
0
1
)p(I
2
;0
2
)
0
0
)p(I
2
;0
0
)
.
usado um
ndo que a
os de baixa
presentaav
ndo em cont
miaresdede
. Basicamen
aumaregi
s independe
evento in
toeAplicao
tas, que co
mao das e
atstico da d
asasimagen
centrada no
janela, um s
odaisconsideran
(retiradode(Bos
ens,neces
tica,poden
robabilidade
naconsidera
umamuda
orfunesd
m, E
0
exp
e 0
2
). Daqu
ela ws , se
m modelo de
s mudanas
probabilidad
vantagemde
ta no proces
teco,oqu
te, esta tc
o.Assim,a
entes se esta
nferior ou ig
orrespondem
estruturas,
deteco de
nsdasdivers
o voxel s, se
simples mod
doummodeloes
sc,Heitzetal.20
ssrioselecci
ndoseconsid
e generalizad
da,isto,no
anasignifica
edensidade
plicada pela
i obtmse o
endo I
1
e I
e observao
s significativ
de de ocorr
reterosdife
sso de decis
uelhepermit
nica encont
tcnica cons
a signific
gual ao valo
Pgina104de
m extrac
normaliza
e mudanas.
sasmodalida
endo decidid
delo estatsti
statstico
003)).
ionarnasme
derararela
da calcula a
ointeriorde
ativaentreI
1
edeprobabi
varivel 0
0
o teste da re
I
2
os valore
(4.20
o na ausnc
vas em im
ncia. Trata
erentesvalo
so, a inform
teaindacon
trase estrut
sisteemreje
cativa, isto
r limiar de
e200
o do
o de
. Para
ades
do em
ico de
esmas
ode
razo
ws;
1
eI
2
.
lidade
0
sem
elao
es das
0)
cia de
agens
se de
resde
mao
ntrolar
turada
eitara
, se o
dados
A
emim
(imag
Assim
enqu
not
super
de ca
cada
mode
limita
porta
segm
vizinh
atrav
quet
usa
proba
N
estc

AFigura4.29
magens,adq
gem da esq
m, verificase
antosurgen
tinhasidoini
proposto
rvisionadad
ada substnc
voxel do c
eloHiddenM
adaresolu
anto, essen
mentao do
hana,utiliza
vs de uma r
tminforma
ainda um
abilsticada
NaFigura4.3
contidoapro
Figura4.30
9,ilustraosr
uiridascom
uerda) para
e que a leso
nosegundoe
cialmenteas
Figura4
em (Bricq,
eimagensp
cia, como m
rebro, sem
MarkovChain
odosistema
ncial conside
os tecidos c
andoummo
reprograma
odasinte
Atlas como
imagemem
30,soexpo
oporodec
0Mapasconten
c)Lquid
resultadoso
trsmesesd
o segundo
o detectada
exame(nap
ssinalada.
4.29Detecod
(retiradode(
Collet et
orRMmultim
matria bran
m necessitar
n(HMC)def
adeaquisi
erar os efeit
erebrais. Es
deloHMCco
o do proce
nsidadesdo
o sensor
causacomu
stososmap
cadatecido.
doaproporod
docfaloraquidia
CAP
btidosnade
deintervalo,
o, surgem d
na parte su
parteinferior
dealteraesem
(Rousseau,Faisan
al. 2008),
modaisdoc
ca, matria
de qualque
formaaincl
o,osvxeis
os de volum
sta metodol
omcapacida
esso de estim
sdadosobse
complemen
umaexistent
asobtidosc
dosdiferenteste
ano(retiradode(
PTULOIVTcn
etecodem
numdoente
uas altera
perior do pr
rdaimagem
mpequenaslese
netal.2007)).
um mtodo
rebro,onde
cinzenta e
er parmetro
uirosefeito
ssocompo
me parcial a
ogia leva e
adedeapren
mativa, com
ervadosedo
ntar, com
tenomesmo
comestem
cidos:a)Matria
(Bricq,Colleteta
icasdeAlinhame
mudanasde
ecomEM.D
es (assinala
rimeiro exam
apresentad
sdeEM
o para a s
edetermin
lquido cfal
o regulvel
sdevolume
stospordois
fim de alcan
m conta as
derosparm
dois sensor
osmapasde
ajuste base
o.
todo,sendo
branca,b)Mat
al.2008)).
entodeImagens
Pgina105de
epequenasl
Doprimeiroe
adas pelas s
me, j no co
a),umales
segmentao
nadaaquant
loraquidian
e adaptand
eparcial.Dev
soumaiste
nar uma rig
s informa
metrosdom
res independ
probabilida
eado em a
oqueemcad
riacinzenta,
Mdicas
e200
leses
exame
setas).
onsta,
oque
o no
tidade
o, em
do um
vido
cidos;
gorosa
es da
modelo
dentes
des,e
nlise
daum
Alinham
4.5.
A
e/ou
image
i.
ii.

5
SPM:
6
EMS:
mentodeEstrutu

Implem
A seguir apre
acadmico,
ensmdicas
SPM(Sta
Dese
atrav
embo
Ofere
voxel
efeito
A an
prp
forma
cada
indep
Comp
trans
minim
dosv
EMS(Exp
Dese
Gasth
totalm

http://www.fil.i
http://www.me
urasemImagens
mentaes
esentamse
que so de
.
tisticalParam
nvolvido em
vsdetcnic
oralivre,pre
ece um conj
da imagem
osnasfun
Fig
lise dos dad
processamen
adeumam
um dos v
pendentee
preende um
formaes n
miza em sim
vxeisdedua
pectationMa
nvolvido no
huisberg (B
menteautom

on.ucl.ac.uk/spm
dicalimagecompu
Mdicas:Estudo
scomputa
algumas im
edicadas, ou
metricMapp
m MATLAB, p
asestatstica
cisadeuma
junto de fer
m, auxiliando
esneurolgi
gura4.31 Interf
dos dividese
nto, atravs
atriz,sendo
xeis cereb
comparada
m algoritmo
numa comb
ultneo a so
asimagense
aximizationS
o Medical
lgica), us
mticaemul

m/software/(aced
uting.com/downl
,Desenvolvimen
acionais
mplementa
u que inclue
ping)
5
:
pela Universi
as,desequ
plataforma
rramentas, F
assim no d
icas;
facedosistemac
e em estudo
de uma tra
quecomta
brais passa
aentregrupo
o de alinh
binao linea
oma da dife
easenergias
Segmentatio
Imaging Re
ado em res
tiespectral,
didoem2008).
loads/ems.php(a
toeAplicao
es computa
em, a funcio
ty College of
nciasdeima
pagaparase
Figura 4.31,
iagnstico d
computacionalSP
o estatstico,
nsformao
lprocedime
a ser cons
osatravsde
hamento n
ar de fun
rena dos q
deumcamp
n)
6
:
esearch Cen
ssonncia m
detecidosc
acedidoem2010
cionais, de
onalidade do
f London (UK
agenscerebr
erutilizado;
para avalia
e leses cer
PM.
preparao
geomtrica
ntoaintens
iderada com
etestesestat
olinear q
es de base.
uadrados en
podedeform
nter da Un
agntica pa
cerebrais;
).
Pgina106de
mbito com
o alinhamen
K), para a an
rais,estesis
r o sinal de
rebrais e dos
o dos resulta
codificada
idadedesin
mo uma va
tsticos;
ue modeliz
A tcnica
ntre a intens
mao.
niversity Ho
ara a classifi
e200
mercial
nto de
nlise,
stema,
e cada
s seus
ados e
sob a
nalem
arivel
za as
usada
sidade
ospital
icao
iii.
iv.

7
elasti
8
AIR:h

Comp
consi
No ca
SPM
imple
elastix
7
:
Dese
Instit
para
mesm
Este
optim
simila
meto
adeq
AIR(Auto
Propo
biblio
mto
inten
inter
Defo
duas

ix:http://elastix.i
http://air.bmap.u
pese por u
stenumadd
aso do alinh
e o descrit
ementadope
nvolvido na
ute da Unive
o alinhame
mas;
software te
mizao, mt
aridade (Klei
odologiasde
uadaparaum
omatedImag
osto por Rog
oteca compu
odo hbrido,
sidades,aut
ouintrasuje
ormagenric
imagensem

isi.uu.nl(acedido
ucla.edu/AIR5/in
um conjunto
donparaop
amento de i
o em (Mae
elafunoem
Figura4.3
biblioteca co
ersity Medic
nto de imag
em uma co
todos de int
n,Staringet
alinhamento
maaplicao
geRegistratio
ger P. Wood
utacional qu
, baseado
omticode
eitos,porex
ca,osistema
minimizaasu

oem2010).
dex.html(acedid
CAP
o de funes
pacoteSPM;
imagens, pro
es, Collignon
ms_mireg.m
32 Funoems_
omputacion
cal Center Ut
gens mdica
oncepo mo
terpolao, m
tal.2010), p
o,comafina
oespecfica.
on)
8
:
ds da UCLA
ue permite
em caracte
imagensana
emplo,com
acalculaloca
uavarincia;
oem2008).
PTULOIVTcn
s e subrotin
omove os m
n et al. 1997
,Figura4.32
_mireg.m.
al ITK (Insigh
trecht (Hola
s baseado n
odular, que
modelos de
permiteaou
alidadedese
School of M
obter conto
ersticas ge
atmicas,2D
umatransfo
almenteuma
icasdeAlinhame
as disponve
mtodos exist
7), sendo q
.
ht Toolkit), n
nda), consist
na intensidad
inclui disti
transforma
utilizador com
eleccionarac
Medicine (USA
ornos alinha
omtricas e
Dou3D,inte
ormaorgid
arelaopx
entodeImagens
Pgina107de
eis em MAT
tentes no sis
ue este lti
no Image Sci
te num prog
de dos pix
intos critrio
o, e critri
mparardifer
configurao
A), consiste
ados, usand
e de ajust
rouintram
da;
xelapxelen
Mdicas
e200
LAB e
stema
imo
iences
grama
is das
os de
ios de
rentes
omais
numa
o um
te de
odais,
ntreas
Alinham
v.
vi.

9
IRTK:
mentodeEstrutu

O AI
difere
inten
Starin
quee
Este
de a
espec
instru
inclui
Este
difere
VelocityA
Dese
Veloc
deim
IRTK(Ima
Este
Proce
ferram
OIRT
oalin
Estes
image
geom

http://www.doc
urasemImagens
R alinha um
enas mea
sidades igua
ngetal.201
estparaser
sistema incl
alinhamento
cificar diver
umento dea
iaimplemen
ltimoprogr
enasaoqua
AI:
nvolvidopel
cityAI,Figura
magensatrav
Fig
ageRegistrat
software foi
essing Group
mentaspara
TKimplemen
nhamentorg
softwaretam
ens, utilizand
mtricas;

c.ic.ac.uk/~dr/sof
Mdicas:Estudo
m par de im
an squared d
ais, ou seja,
0),entreai
ralinhada(Kl
ui dois prog
linear par
rsos modelo
alinhamento
ntaodem
ramaconsist
adradoentre
aempresaV
4.33,dispe
sdeumm
ura4.33 Interfa
tionToolkit)
9
i desenvolvid
p do Imperia
aoalinhame
ntaumavarie
gido,afimen
mbminclui
do uma vari

ftware/(acedido
,Desenvolvimen
magens, min
difference), s
, para imag
magemdesi
lein,Anderss
gramas. O Al
ra imagens
os de tran
nolinearq
modelos2De
tenumalgor
evxeis.
VelocityMed
edediversas
todoautom
acedopacotede
9
:
do para fins
al College Lo
ntodeimage
edadedealg
norgido;
utensliospa
edade de m
em2009).
toeAplicao
nimizando a
sendo adequ
gens de uma
ignadapara
sonetal.200
lignlinear, qu
intramoda
sformao.
quepodese
e3Ddetrans
ritmopolinom
dicalSolution
sfuncionalid
mticoqueus
esoftwareVelocit
s de investig
ondon (UK) e
ensmdicas
goritmospar
araatransfo
todos de in
MSD (md
uada para d
a mesma m
areamostra
09);
ue consiste
is, onde o
O Align_w
rinterouin
sformaesl
mialquemin
ns(USA),opa
dadesincluin
saIM.
tyAI.
gao pelo V
e consiste nu
;
raimagens2
ormaoere
nterpolao
Pgina108de
dia quadrad
uas imagens
modalidade (
agemeaim
numa ferram
o utilizador
warp, que
ntrasujeitos
linearesespa
nimizaasom
acotedesof
ndooalinham
Visual Inform
uma bibliote
2De3D,incl
eamostrage
e transform
e200
a das
s com
(Klein,
magem
menta
pode
um
eque
aciais.
madas
ftware
mento
mation
eca de
luindo
mdas
maes
vii.
viii.

10
SepI

Utiliz
trans
repre
simbo
anato
OIRT
SepINRIA
Dese
Autom
autom
does
Nesta
oua
deve
neces
Figur
Figura4.34
HAMMER
Dese
Penns
creb
cereb
Apres
doen
Oalg
uma

INRIA:http://ww
a uma tran
formao g
esentada po
oliza qualqu
omiadossuje
TKusamode
A
10
:
nvolvida no
matique (F
maticamente
studodeima
a aplicao,
evoluoda
partilhar d
ssrioalinha
a4.34.
Selecodafu
R(Hierarchic
nvolvido no
sylvania S
bro,estepac
brais;
senta um m
tesdeimage
goritmodoH
vez que os

wwsop.inria.fr/as
nsformao
global, que
r uma trans
uer deform
eitos(Klein,
losFFDbase
o Institut
Frana),
eoumanual
agensporRM
aps consid
patologia,a
do mesmo
rasdiferent
noparaalinha
calAttribute
o Departmen
School of M
coterealizat
mtodo que
ensporRMc
HAMMERnec
atributos do

sclepios/software
CAP
combinada
descreve a
sformao a
ao local
Anderssone
eadosemBS
National de
uma ferra
mente,asle
Mdosdoente
derar uma im
arepresenta
tamanho e
tessequnci
rdiferentessequ
MatchingM
nt of Radio
Medicine (USA
tambmdefo
demonstra
cerebrais;
cessitauma
os vectores
e/SepINRIA/(ace
PTULOIVTcn
a que consi
diferena
fim, e de u
necessria
etal.2009);
Splines(Klein
e Recherch
amenta pa
esesdeEM
es;
magem, e de
oseguinte
e orientao
iasdeimage
unciasdeimage
Mechanismfo
ology do H
A), para a s
ormaesde
elevada pre
prsegmen
usados para
edidoem2008).
icasdeAlinhame
iste na ass
entre os d
ma transfor
para fazer
n,Andersson
e en Infor
ara analisar
presentesno
e forma a ve
easercarre
o. Caso isso
ensporRM,
nsporRMdome
orElasticReg
ospital of t
segmentao
eelevadadim
eciso no al
taodoste
a igualar hie
entodeImagens
Pgina109de
sociao de
dois sujeitos
rmao loca
correspond
netal.2009)
rmatique e
r e segm
ocrebro,at
erificar a pre
gadanaapli
o no suce
comoindica
esmoexame.
gistration):
the Univers
o de image
mensoaim
linhamento
ecidosdoc
rarquicamen
Mdicas
e200
uma
s e
l, que
der a
.
t em
entar,
travs
esena
icao
da,
adona
ity of
ns do
agens
inter
rebro,
nte os
Alinham
ix.
x.

11
ANIM
mentodeEstrutu

corre
segm
ANIMAL(
Dese
ferram
volum
Oalin
parte
os vo
defor
defor
volum
MeVisLab
Estaa
repre
desen
Alm
image
sobre
rende
afim,
Figur

MAL:http://www
urasemImagens
espondentes
mentadas.
(AutomaticN
nvolvidopor
menta comp
mesobtidos
nhamento
edatransfor
olumes extr
rmao 3D n
rmao co
me3Ddagre
b:
aplicaoc
esenta uma
nvolvimento
dosalgoritm
em, incluind
e as image
ering, esta a
etc., estima
a4.35.
Figura4.35I

w.bic.mni.mcgill.c
Mdicas:Estudo
nmeros de
NonlinearIm
rLouisCollin
pletamente
emimagens
alcanadon
maolinea
rados. No
necessrio p
onstrudo se
elha(Klein,A
comercializad
plataforma
,comnfase
mosgeraisd
do os planos
ns ou visua
plicao incl
ativa do vol
nterfaceparaoa

ca/users/louis/M
,Desenvolvimen
e pares de p
mageMatchin
nsnoMontre
automtica
porRM;
numprocesso
rusandocor
segundo p
para ter em
equencialmen
Anderssonet
dapelaemp
de processa
eemimagem
eprocessam
ortogonais
alizao 3D
lui mdulos
lume, quant
alinhamentodei
NI_ANIMAL_hom
toeAplicao
pontos so d
ngandAnato
ealNeurolog
para o alin
odedoispas
rrelaoent
asso, a apl
conta essa
nte atravs
tal.2009).
presaMeVis
amento de im
mmdica;
mentoedefe
sincronizado
usando vo
para segme
tificao mo
magensdaaplica
me/readme/(ace
definidos a p
omicalLabel
gicalInstitute
nhamento n
ssos.Oprim
reascaracte
icao estim
variabilidade
da intensific
ResearchGm
magem para
erramentasd
os, sobrepos
olume rende
entao, alin
rfolgica e
aoMeVisLab.
didoem2008).
Pgina110de
partir das im
ling)
11
:
e(Canad),
olinear de
eiro,represe
ersticasdea
ma o camp
e. Este cam
cao do al
mbH(Aleman
a a investiga
devisualiza
sio de ms
ering ou su
hamento ma
anlise func
e200
agens
uma
e dois
entaa
ambos
po de
po de
vo no
nha)e
ao e
ode
scaras
urface
anual,
cional,
xi.
xii.

12
Imag

iMIPS:
Come
Medi
elabo
Alm
resso
basea
3Ddo
ImageRe
Dese
doDa
regist
A tra
mode
simul
mesm

geRegistration:h
ercializado p
icalImagePr
oradasparaf
de tcnica
onncia mag
adasnainten
osvolumese
egistration
12
:
nvolvido em
artmouthCo
ter2d.m,Figu
ansformao
elo explcito
ltaneamente
moinexistent

http://www.cs.da
pela empres
rocessingSys
facilitarasta
Figura4.36
s para o al
gntica func
nsidadedos
envolvidos.
m MATLAB pe
ollege(USA)p
ura4.37,per
Figura4.
entre imag
o para a
esegmentar
tes.

artmouth.edu/fa
CAP
sa iMIPS, In
stems),Figur
arefasmaisc
Interfacedaapl
linhamento
cional (IRMf
vxeis,forne
elos investig
paraimagen
rmiteefectu
.37 Funoregi
gens mode
falta de d
ealinharim
rid/research/reg
PTULOIVTcn
nc. (USA), o
ra4.36,integ
omunsnaan
licaoiMIPS.
monomoda
f), imagens
eceaindasu
gadores do C
nsevolumes
aroalinham
ister2d.m.
elada como
dados us
magens,Figur
istration.html(ac
icasdeAlinhame
o sistema i
graumconju
nlisedeima
l e multimo
por RM, C
porteparaa
Computer Sci
mdicos,se
mentodedua
local e afim
sado de fo
ra4.38,com
cedidoem2008).
entodeImagens
Pgina111de
iMIPS (Integ
untodeaplic
agenscerebr
odal imagen
CT, PET e S
avisualizao
ience Depar
endoqueaf
asimagens;
m, sendo qu
orma a pe
dadosparci
.
Mdicas
e200
grated
caes
rais;
ns por
SPECT,
o2De
tment
uno
ue um
ermitir
aisou
Alinham
xiii.
xiv.
xv.

13
3DS
mentodeEstrutu

source
Figura
Register:
Dese
Unive
ou do
ambo
Outi
de re
doisv
Automati
Opcio
alinha
mto
corre
3DSlicer
1
um
Surgi
Medi
Mass

Slicer:http://www
urasemImagens
targe
a4.38 Exemplo
nvolvidopor
ersity (Canad
ois volumes,
os;
lizador pode
eferncia a u
volumes.
icRegistratio
onalnosequ
amento aut
odos disti
lationefidu
F
13
:
m programa
cal Planning
ical School (
sachusettsIn

w.slicer.org/(ace
Mdicas:Estudo
et
deresultadosob
rDavidMac
d) uma ap
, tipicament
edeslocars
usar na dete
onTool:
ipamentosp
tomatizado
ntos, mu
cialmatchin
igura4.39 Auto
para o proc
g Laborator
(USA), em c
stituteofTe

edidoem2009).
,Desenvolvimen
registeredsource
btidoscomosiste
Donaldno M
plicao grf
te de imagen
seaolongo
erminao d
produzidosp
e 3D de e
utual info
g,Figura4.3
omaticRegistratio
cessamento
ry do Brigh
conjunto com
echnology(U
toeAplicao
errorbefo
emacomputacio
McConnellBr
fica interacti
ns por RM o
dosvolume
a transforma
pelaempresa
estudos mul
rmation,
39.
onTool daPHILIP
de imagens
am and Wo
m o Artificia
SA);
oreregistration
nalImageRegistr
rainImaging
iva que perm
ou PET, e a
esecriardes
ao para o
aPHILIPS(Ho
ltimodais at
cross co
PS.
s mdicas d
omen's Hosp
al Intelligenc
Pgina112de
errorafterregist
tration.
g Centreda M
mite visualiz
fuso (fusio
ssaforma,p
alinhament
olanda),perm
travs de q
orrelation,
desenvolvido
spital da Ha
ce Laborato
e200
ration
McGill
ar um
on) de
pontos
to dos
miteo
quatro
auto
o pelo
arvard
ory do
xvi.

14
BioIm

Inclui
visua
Na Fi
RM,
alinha
interp
que m
dado
estim
enqu
formu
deslo
prese
BioImage
Dese
softw
como
A fun
aplica
optim
inclui
ponto

mageSuite:http
iumextenso
lizaoealin
gura 4.40, n
intraoperat
amento de
polationform
minimiza um
s. Na zona c
mado utilizan
antodolado
ulation.Nam
ocamento, e
enadepertu
Figura4
eSuite
14
:
nvolvido na
ware integrad
oavisualiza
ncionalidade
aesBrain
mizaocom
iumconjunt
osouemint

://www.bioimage
oconjuntode
nhamento;
na parte supe
tria, que i
uma imagem
mulation,qu
m determina
central, do la
ndo o algori
odireitoest
mesmafigur
em redor da
urbaes.
.40Resoluod
School of
do de anlis
oeoalinha
e para o ali
Register,Fig
gradienteco
todeferram
ensidades.

esuite.org/(aced
CAP
eferrament
erior do lado
intersecta o
m propera
econsistee
ado critrio
ado esquerd
itmo dos bl
ocampod
ra,embaixo,
a regio do
doalinhamentod
Medicine d
se de image
amentodeim
inhamento d
gura4.41,ou
onjugadopa
mentasparao
didoem2009).
PTULOIVTcn
asparaapoi
o esquerdo
o tumor. A
atria sobre
mencontrar
de erro dos
do est a rep
locos corres
dedeslocame
,estvisvel
tumor (cai
deimagenscom3
da Yale Uni
em que disp
magens;
de imagens
uMouseReg
araoalinham
osmtodos
icasdeAlinhame
arastarefas
encontrase
do lado d
a intraope
ramelhorm
dados, e a
presentao
spondentes
entoobtido
umaamplia
ixa vermelh
3DSlicer.
iversity (USA
pe de vria
est dispo
gister.Utiliza
mentorgido
dealinhame
entodeImagens
Pgina113de
sdesegment
uma image
direito result
eratria, usa
meshdisplace
quantifica
do deslocam
(block matc
pelainterpo
aodocam
a), que ind
A), consiste
as funcionali
nvel atrav
aumalgoritm
ouafim.Tam
entobaseado
Mdicas
e200
tao,
m por
ta do
ndo a
ement
o de
mento
ching),
olation
pode
icia a
num
dades
s das
mode
mbm
osem
Alinham
xvii.

15
Turb
mentodeEstrutu

TurboReg
Dese
Lausa
andA
Figur
Desti
deslo
refina
Trs
coma
oport
estab
Cinco
(trans
(affin
mape

boReg:http://big
urasemImagens
Fig
g
15
:
nvolvido pe
anne (Sua),
AnalisysinJa
a4.42;
nase ao alin
ocarosmarca
adas;
Fig
modos de
andos, sendo
tunidade de
beleceracor
o diferentes
slation), cor
ne)ebilinear
eadaparaum

gwww.epfl.ch/the
Mdicas:Estudo
ura4.41 Aplica
lo Biomedica
, consiste nu
ava),quefoi
nhamento a
adores(land
gura4.42 Plugin
alinhamen
o que em c
especificar
respondnci
tipos de dis
rpo rgido (r
r,nestecaso
masecoc

evenaz/turboreg/
,Desenvolvimen
oBrainRegiste
alImagingG
um plugin pa
desenvolvid
utomtico d
dmarks)daim
n TurboReg para
nto esto d
cada uma d
alguns pon
iainicialentr
stores so
rigid body),
o,apsuma
nica.
/(acedidoem20
toeAplicao
er doBioImageSu
Group da c
ara a aplica
dapeloNatio
de imagens,
mageminicia
aaplicaoImag
disponveis:
dessas situa
tos de form
reasimagen
o considerad
rotao e
transforma
10).
uite.
ole Polytech
o ImageJ (
onalInstitute
sendo que e
al,oqueresu
geJ.
manual, a
es, dad
ma interactiv
ns;
dos pelo sof
escala (scale
obilinear,
Pgina114de
hnique Fdr
(Image Proce
esofHealth(
este usado
ultaemprim
automtico
da ao utiliza
va, o que pe
ftware: trans
ed rotation),
umalinhare
e200
ral de
essing
(USA),
o para
mitivas
e de
dor a
ermite
slao
, afim
ecta
Pgina115de200
4.6. Resumo
Neste captulo, fezse uma abordagem ao alinhamento na anlise de imagens. Referiram
se ainda metodologias que utilizam diversas famlias clssicas, bem como, outras mais
especficasquestoemestudo.
Na actualidade, vrios mtodos confiveis de alinhamento esto disponveis (Lecoeur,
Morissey et al. 2008), mas devido elevada multiplicidade de problemas a que tm de
responder em simultneo com as inmeras formas de degradao que estes podem sofrer,
impossvelconceberumatcnicauniversalquepossaseraplicadaatodososcasosexistentes
(Klein,Staringetal.2010).
Mesmo beneficiando de um crescente interesse, verificado pelo elevado nmero de
publicaes neste domnio, as vrias metodologias usadas para o alinhamento de imagens
aindaapresentammuitosdesafios/problemasnoresolvidos(Pluim,Maintzetal.2003),como
o caso da implementao de tcnicas para a sua realizao de forma automtica e precisa.
Deduzse assim que, o alinhamento de imagens mdicas uma tarefa complexa, devido, por
exemplo,sdifceisrealidadesrepresentadaspelasmodalidadesdeimagens,sdiferenasno
posicionamento do doente e variedade dos parmetros resultantes da aquisio das
imagens.
O alinhamento intrapaciente assenta essencialmente num alinhamento rgido ou num
afim, mediante a zona do corpo visada, com a simples finalidade de compensar as diferenas
de posio e de orientao do doente entre aquisies consecutivas. A esta transformao
pode ser necessrio adicionar deformaes associadas ao sistema de aquisio e aos
movimentos fisiolgicos do doente. Quando as imagens so de uma mesma modalidade, o
alinhamento apresenta alguns obstculos, mas mostra maiores problemas aquando da
tentativa de colocar em correspondncia imagens multimodais, que normalmente contm
informaesmuitodistintas(MaintzandViergever1998).
Estse ainda longe da explorao total de todas as potencialidades de cada um dos
mtodos desenvolvidos at ao momento, porque todas as metodologias apresentam pontos
fortes e pontos fracos. Ou seja, complexo efectuar juzos de valor a propsito das tcnicas
mais adequadas para a resoluo de uma determinada aplicao. A deciso de usar uma
determinada metodologia em desfavor de outra depende das caractersticas particulares da
aplicao,sendoquenocasoespecficodestaDissertao,aestruturaanatmicaemanlise
ocrebro,umaestruturanaturalmenteestvel.Logo,astcnicasassentesnastransformaes
rgida e afim so muitas vezes suficientes para um bom alinhamento (Grimaud, Zhu et al.
2002).Noentanto,nombitodestaDissertao,desejadooalinhamentodeimagensparao
followupdaevoluodaslesestpicasdaesclerosemltipla.Assim,tcnicasnorgidas,que
geralmente so de maior complexidade, aparecem como mais habilitadas na deteco destas
possveisvariaesemimagensdedoentes.
Pgina116de200

CAPTULOVAnliseexperimental

Pgina118de200
Pgina119de200
5.1. Introduo
Nos captulos anteriores, introduziramse entre outros, noes sobre a esclerose mltipla
(EM) e a imagem por ressonncia magntica (RM), bem como, conceitos e mtodos
relacionados com o alinhamento de imagens, dando especial nfase aos casos envolvendo o
crebro. Observouse ainda que, a apresentao a mdicos de imagens alinhadas pode
permitir, no caso do estudo da esclerose mltipla, uma melhor avaliao da evoluo das
lesesaolongodotempo,oquepodeserbastantebenficoparaodiagnstico,mastambm
paraotratamentoaadministraraodoente.
Uma forma de se executar estudos prospectivos de uma atrofia cerebral consiste em
realizar uma confrontao entre exames de um mesmo doente, produzidos de maneira
cronolgica. Contudo, embora esta seja uma abordagem vlida, tambm so observadas
algumas restries, como a necessidade de existir um exame imagiolgico prvio do doente,
que no deve ser nem muito anterior nem muito prximo do actual, pois caso contrrio, o
valorclnicodacomparaopodeficarcomprometido.
Desta forma, o objectivo deste estudo experimental cingese ao ensaio de tcnicas de
alinhamentodeimagensintramodaleintrapacientemasadquiridasemdiferentesinstantes,
sendoqueaestruturaanatmicaconsideradaocrebrodedoentesatingindoscomEM.Ora,
como relatado no final do captulo IV, as tcnicas de alinhamento de imagens com base nas
transformaesrgidaeafimaparentamsersuficientementeeficazesnaobtenodeumaboa
colocaoemcorrespondnciadasrepresentaes(Grimaud,Zhuetal.2002),masasassentes
em mtodos norgidos so de grande relevncia aquando do alinhamento de imagens de
uma mesma modalidade o que ocorre, por exemplo, quando existe estudos ao longo de um
perododetempodeumnicodoente(Viergever,Maintzetal.2001).
Nas seces subsequentes, encontramse inicialmente enumeradas algumas das
caractersticas das imagens dos doentes e dos recursos computacionais envolvidos neste
estudo. Seguidamente, descrevese as experincias realizadas no sentido de comparar o
desempenho das metodologias de alinhamento de imagens propostas na biblioteca Insight
ToolKit (ITK), e ainda apresentado um algoritmo desenvolvido para este efeito. So
simultaneamente indicados e discutidos os resultados obtidos atravs das tcnicas aplicadas
no processamento das imagens. Finalmente, terminase o captulo expondo um resumo da
informaoapresentada.
5.2. Casosclnicosemestudo
Paraensaiarastcnicasdealinhamentodeimagens2DpropostasnabibliotecaITKforam
empreguesimagensporressonnciamagntica(RM)docrebrodedoentescomEM,cedidas
pelo Hospital Pedro Hispano Unidade Local de Sade de Matosinhos, E.P.E., pelo SMIC
ServioMdicodeImagemComputorizada,S.A.,epeloInstitutodeRadiologiaDr.PintoLeite,
bem como, as extradas da base de dados de imagens mdicas BrainWeb: Simulated Brain
Alinham
Datab
inform
simul
datas
N
Estes
apare
doen
D

16
Brai
mentodeEstrutu

base
16
que s
mao nelas
ladas, so co
sdenascime
Nalinhasupe
s dados enco
ecem os elei
te(de(1C)a
Dasimagens
Para
perte
nme
corte

inWeb:http://mo
urasemImagens
so produzid
s contida, s
onsideradas
entocompre
eriordaFigu
ontramse n
itos para o s
a(3C)),ena
(1
(1B)
(1C)
Figura5
daFigura5.1
definir o e
encentes ao
eros (1A), (1
esmaisantigo

ouldy.bic.mni.mc
Mdicas:Estudo
das por um s
se encontra
imagens re
endidasentr
ra5.1surgem
umerados d
segundo doe
ltima,osda
1A)
(1D)
5.1Corteaxiald
1,devesere
espao de c
mesmo doe
1B), (1C) e (
os;

cgill.ca/brainweb/
,Desenvolvimen
simulador e
numa posi
eais de trs
re1958e19
m,paraopr
de (1A) a (2A
ente (de (1B
abasededad
dasamostrasesc
ealarque:
coordenadas
nte sero al
1D), isto po
/(acedidoem20
toeAplicao
intencionalm
o neutra
doentes, tod
81.
imeirodoent
A). De form
) a (3B)), na
dos(de(1D)
(2B)
(2C)
olhidasparaeste
s padro co
inhados, so
orque, no ca
010).
mente desal
a. Assim, a
dos do sexo
te,oscortes
a anloga, n
terceira linh
a(2D)).
(
eestudo.
m o qual t
o escolhidos
so das imag
Pgina120de
linhadas por
lm das im
o feminino, e
saxiaisescol
na segunda
ha, os do te
(2A)
(3
(3
(2D)
todos os de
os cortes co
gens reais, s
e200
rque a
agens
e com
hidos.
linha,
rceiro
3B)
3C)
emais,
om os
so os
Pgina121de200
Os crculos a tracejado vermelho, assinalam algumas evidncias da presena de
esclerosemltipla;
Todas as imagens so ponderadas em T2 no plano axial, porque estas, tal como
exposto no captulo II, so mais susceptveis na deteco de pequenas leses em
certas regies cerebrais onde so frequentes os danos da EM. As quatro
representaesnumeradasde(1B)a(1C),sosequnciasFRFSE(fastrecoveryfast
spinecho),isto,possibilitamumarecuperaomuitomaisrpidadacomponente
transversal (Doyon, Cabanis et al. 2004), permitindo assim um melhor contraste
entretecidoscomlongoecurtoT2.
Na Tabela 5.1 encontramse descritas algumas das caractersticas principais das imagens
queservemdeamostrasaesteestudo.
Tabela5.1 Caractersticasdasimagensusadas.
Imagem
Datada
aquisio
Equipamento
Dimenso
(pxeis)
Espaamentoentre
cortes(mm)
Espessuradocorte
(mm)
TR(ms) TE(ms)
1A 14/01/2006
SIEMENS
Sonata
312x512
6.5 5 7640
148
2A 06/03/2008 328x512 121
1B 15/12/2005
GE
SignaExcite
512x512
7 6
3520 85.98
2B 05/09/2007 4000
93.72
3B 29/10/2008 3800
1C 06/01/2006 6.5
5
6100 101.036
2C 02/02/2007
5 8002
129.744
3C 28/03/2008 129.336
1D
382x267 1 18 10
2D
Reparandose nas amostras escolhidas para este estudo experimental (Figura 5.1),
possvel visualizar algumas discrepncias ao nvel das estruturas dos doentes. Verificase a
existncia de diferenas de posio, de escala e de aquisio, sendo por isso, impraticvel a
sobreposio dos histogramas de distribuio de intensidades, Figura 5.2, que possibilitam
obter um conjunto de informaes relacionadas com a intensidade dos pxeis das imagens,
apresentando tambm alguns dados estatsticos, como os obtidos com o software ImageJ
17
(Image Processing and Analisys in Java). Neste trabalho foi usada a verso 1.43.u desta
aplicaogratuita,desenvolvidaemlinguagemdeprogramaoJavaedestinadavisualizao
de imagens, bem como, execuo de algumas operaes de imagem, como determinar
mximoslocais,aumentarocontraste,acentuarodetalhe,adicionarouremoverrudo,etc..

17
ImageJ:http://rsbweb.nih.gov/ij/(acedidoem2010).
Alinham
C
casos
5.3.
A
softw
dees
5
O
progr
fcil
dispo
mentodeEstrutu

Figura5
Concluise en
sclnicoscon
Recurso
A presente s
ware empreg
struturasem
5.3.1. L
O estudo exp
ramaode
integrao c
onveis para
urasemImagens
(1B)
(1C)
5.2 Histograma
nto que, as
nsiderados.
osutilizad
seco desc
gues no dese
imagensm
Linguagem
perimental d
altonvelor
com as dem
outras lingu
Mdicas:Estudo
(1A)
(1D)
dedistribuiod
s condies
dos
reve sucinta
envolvimento
dicasconsid
mdeprogr
desta Disser
ientadaaob
mais ferrame
agens, como
,Desenvolvimen
deintensidadesd
de aquisi
amente as d
o, execuo,
derados.
ramao
rtao foi im
bjectos.Esta
entas utilizad
o Java ou Py
toeAplicao
(2B)
(2C)
dasamostrasesco
o no foram
diversas fer
, e ensaio do
mplementado
linguagemf
das neste es
ython para o
olhidasparaeste
m semelhant
ramentas de
os algoritmo
o em C
++
, u
foiescolhida
studo, embo
ITK, as suas
Pgina122de
(2A)
(2D)
eestudo.
tes para tod
e hardware
os de alinham
ma linguage
porpermiti
ora essas es
s implement
e200
(3B)
(3C)
dos os
e de
mento
em de
ruma
stejam
taes
nativ
desem
A
Studi
de co
funci
multi
auxili
empr
(USA)
o CM
execu
outra
desne
O
(CMa
Estes
duran
P
exper
A
uma

18
CMa

as so base
mpenho,rea
Alm disso,
io 2008 Exp
odificao e
onalidades l
ithread. Adic
iar no proce
reguesporex
5.3.2. C
essencialme
),paragerar
Make tamb
utveis, o q
as aplicae
ecessriade
OCMakeger
akeLists.txt),
s ltimos dad
nteafasede
Para auxiliar
rimentalfoi
Assim, o CM
plataformas

ake:http://www.
eadas em C
aproveitame
o estudo e
press Edition
teste, e po
limitadas em
cionalmente
esso de com
xemplo,para
CMake
enteumsist
ramakefile
m pode c
ue possibilit
es. De real
ficheirose/o
raamakefile
e de todas
dos esto lis
eanlisedac
r no seu fu
usadaavers
F
ake usado
simplesede

.cmake.org/(ace
++
, o que lh
ntodecdig
experimenta
n. Esta plataf
or estar disp
m relao
e, foi usado
pilao e na
aacompilac
temaopenso
ausarnaco
compilar cd
ta a obten
ar que o
oubiblioteca
edeumproj
as informa
stados em C
configurao
uncionament
so2.8.0,for
Figura5.3 Interf
o para contr
umcompila

didoem2010).
hes permite
goevelocida
l foi desenv
forma foi pr
ponvel gratu
depurao
o software
a gerao do
caodasbiblio
ourceemult
ompilaode
digo fonte,
o de nume
emprego
asquenote
ectoapartir
es sobre o
CMakeCache
o.
to, o pacote
rneceumain
facegrficadoCM
olar o proce
adordefiche
beneficiard
adededesen
volvido em
eferida pelo
uitamente. N
de cdigo e
e CMake
18
(c
os ficheiros
otecasdoITK
tiplataform
eumadeterm
criar biblio
erosos algor
de uma m
enhamsofrid
rdoficheiro
o computado
e.txt e so a
e que cont
nterfacegrf
Makeverso2.8.
esso de com
eirosdeconfi
CAPTULOV
de um ptim
nvolvimento.
ambiente M
facto de of
No entanto,
e ao suporte
cross platafo
de projecto
K.
a,elaborado
minadaaplic
otecas e co
ritmos e dat
makefile evit
doqualquer
descritivod
or que efect
utomaticam
m o CMak
fica,Figura5
0.
mpilao de c
iguraoind
VAnliseexper
Pgina123de
mo balano
.
Microsoft
ferecer facili
fornecida
e de ferram
form make)
do Visual S
opelaKitwar
cao.Alm
onstruir fich
tastructures
ta a comp
alterao.
dosdetalhes
tua a compi
mente preenc
ke, neste e
.3.
cdigo atrav
ependente.
rimental
e200
entre
Visual
dades
a com
mentas
como
Studio,
reInc.
disso,
heiros
s para
ilao
desse
lao.
chidos
estudo
vs de
Alinham
5
E
proce
Conso
Natio
2005
algor
P
testa
de fi
image
forma
A
obser
pipeli
por u
espec
deter
Fig
P
liberd
dos t
como
plata
sistem
D
abran
de im

19
ITK:
mentodeEstrutu

5.3.3. IT
Esta bibliote
essamento d
ortium) de e
onalLibraryo
). Essencialm
ritmoseestr
Ident
Alinh
Paraestesef
dos,bemco
cheiros. Por
ensmdicas
atousadope
A arquitectur
rvvel no ex
inevaiaplica
um outro e
cficos que s
rminadocon
gura5.4Exemp
Para este tra
dadeedafle
templates em
o o cdigo d
formas com
maoperativo
De realar q
ngentes de p
magens. Assi

http://www.itk.o
urasemImagens
TK
eca comput
de dados m
empresas e
ofMedicine
mente, consi
uturasdere
tificaoecla
arimagenso
eitos,oITK
19
mo,dediver
r exemplo,
s,incluindoo
elosoftware
ra do ITK ba
xemplo apre
arumaoper
elemento. Co
se vo encad
juntodedad
lodeumaestrut
abalho a ver
exibilidadein
m C
++
, lingua
e base da b
mputacionais
ocomncleo
ue o ITK n
processamen
m, necess

org/(acedidoem
Mdicas:Estudo
tacional, cr
dicos multid
universidade
oftheNatio
ste num con
presentao
assificaod
oucorrespon
9
dispedeu
rsasrotinas
contm var
osformatos
SPMStatis
seiase no co
esentado na
aoespecf
onsiste assim
dear com a
dos.
uradepipeline u
rso do ITK
nerentesao
agem em qu
iblioteca im
, tais como
oLinux.
o inclui fun
nto, como
rio servirs

m2010).
,Desenvolvimen
riada com
dimensionai
es, sendo d
nalInstitute
njunto de fe
odedadosco
doselemento
nderdados.
umalargaqu
paraaleitur
riados recur
DICOMeAn
sticalParame
ontrolo de u
a Figura 5.4
ficasentrad
m, numa se
finalidade d
sadaparaoalinh
adoptada fo
conceitode
ue foi escrit
mplementad
o, Microsoft
ncionalidade
o caso dos
se de outras
toeAplicao
o objectiv
s, foi propos
istribuda nu
sofHealth(
rramentas g
omduasprin
osdeumaim
uantidadede
aeadescod
rsos especf
nalyse,sendo
etricMappin
um fluxo de
4. Desta form
das,sendoa
equncia de
de efectuar
hamento(retirado
oi a 3.16.0.
programa
a (Ibnez, S
do em C
++
, p
t Windows
s de visuali
filtros usado
ferramenta
vo de prov
sta por um c
uma licena
USA)(Ibnez
gratuitas, que
ncipaisfinalid
magem,isto
ealgoritmos
dificaoded
icos para a
oesteltimo
ng(consultar
dados, via u
ma, cada co
suasadaig
apontadore
diversas ope
ode(Ibnez,Sch
Esta biblote
ogenrica,
chroeder et
ode ser usad
ou qualque
zao ou de
os para melh
s para efect
Pgina124de
ver recurso
consrcio (In
opensource
z,Schroeder
e compost
dades:
,segmenta
sprcodifica
distintosform
manipula
o,porexem
raseco4.5
um pipeline,
omponente
gualmentetr
es com atri
eraes sobr
hroederetal.200
eca, possibil
exploradaat
al. 2005). A
do na maior
er distribui
e operaes
horar a qua
tuar essas ta
e200
os de
nsight
e pela
retal.
to por
o;
adose
matos
o de
plo,o
5.).
como
deste
ratada
ibutos
re um
05)).
ita da
travs
Assim,
ia das
o de
s mais
lidade
arefas,
Pgina125de200
como por exemplo, a biblioteca opensource VTK
20
(Visualization Toolkit). Esta ltima,
distribuda livremente pela empresa Kitware Inc. (USA), uma das entidades que pertence ao
consrcio que suporta o ITK, contem diversas classes escritas em C
++
, que incluem mtodos
paraprocessamentoevisualizaodeimagenseoutrasentidadesgrficas,comosuperfcies.O
VTK oferece ainda uma completa hierarquia de classes, permitindo assim implementar
algoritmosprprios.
5.3.4. Equipamentoesistemaoperativo
Para o desenvolvimento deste estudo experimental, foi usado um computador ASUS
NotebookM50SVSeries,comprocessadorIntelCore2DuoCPUT8300de2.4GHz,3.0GBde
memria RAM, placa grfica NVIDIA GeForce 9500M GS com 512 MB e disco rgido de 300
GB.NestePC,osistemaoperativo(de32bits)instaladoeraoMicrosoftWindowsVistaHome
Premium 32bit SP2, escolhido por ser compatvel com todas as ferramentas computacionais
utilizadas(ITK,VTK,CMake,VisualStudio,ImageJeParaView).
5.3.5. DICOM
Actualmente, de forma a uniformizar os formatos de imagem mdica, o formato DICOM
(Digital Imaging and Communications in Medicine), criado nos USA pelo NEMA (National
Electrical Manufacturers Association), encontrase bastante disseminado nos equipamentos
mdicoscomerciais.Consisteessencialmentenumasriederegrasquepermitemqueimagens
mdicas, e informaes a associadas, sejam trocadas entre equipamentos, computadores e
aplicaes de diferentes fabricantes. Tal possibilita, entre outros, a distribuio de distintas
modalidades de imagens em mltiplas mquinas, facilitando assim o desenvolvimento e a
expansodossistemasdearmazenamentoedecomunicao,eaconexocomosdispositivos
deinformaomdica.
Um ficheiro no formato DICOM constitudo por um cabealho (header), que guarda
informaespertinentesdaimagemedodoente,comoidentificao,tipodeexame,marcae
modelo do equipamento, comprimento e resoluo das imagens, etc., seguido pelos dados
queformamaprpriaimagem.Assim,oprocessamentodosdadosdesteestudoexperimental
foirealizadocomrecursoaimagensnesteformato,sendoportantonecessrionosalgoritmos
autilizaoderotinasdedescodificaodestepadro,capazesdeexecutaracorrectaleiturae
interpretaodainformaoqueasacompanham.
5.4. AlinhamentodeimagensnoITK
Na biblioteca ITK, o problema do alinhamento de imagens encontrase decomposto num
conjuntodeelementosbsicos,sendoeles(verseces4.2.2.,4.2.3.e4.2.4.):

20
VTK:http://www.vtk.org/(acedidoem2010).
Alinham
A
tipo
biblio
itk::Im
itk::Im
a bib
Schro
confo
mentodeEstrutu

Oobj
A tra
mve
Am
bem
, tip
corre
Atc
image
de um
para
inten
O m
rela
encon
espa
corre
Alguns dos c
de imagem
oteca ITK, a
mageIOBase
mageFileWri
blioteca sup
oederetal.2
ormeexplicit
urasemImagens
jectoalvo(q
ansformao
el;
trica(oucrit
aestrututur
picamente co
espondentes
nicaespecfi
emmvelna
m espao pa
uma nong
sidadedaim
todo de opt
o ao espa
ntrarovalor
o de pesqu
espondesim
omponentes
para o qua
a classe de
.Esta,usa
iterparagra
orta imagen
2005),poden
tadonodiag
Figura
Mdicas:Estudo
uesepresum
que mapei
triodesimi
aalvocorres
ompara valo
naimagem
causadapa
asnongridp
ara outro po
grid position
magemmve
timizao qu
o definido
rmximo,ou
uisa desses
magensenvo
s anteriores,
l o alinham
base que c
dapelasclas
varinforma
ns com dife
ndoassimler
ramadeher
a5.5Diagrama
,Desenvolvimen
meserestti
ia o espao
ilaridade)qu
spondede
ores de inte
mveltransf
raainterpol
positions;ass
or uma tran
n, sendo a
elnaposio
ue empreg
o pelos par
umnimo,de
factores, q
olvidas.
, como o c
ento se des
controla a e
ssesitk::Ima
odasimag
erentes tipos
rosmaisvar
ranadaclas
deheranadac
toeAplicao
ico)eoelem
da imagem
ueconsisten
refernciaa
ensidade na
formada;
ao,isto,
sim,quando
sformao,
interpolao
omapeada;
gue para opt
metros da
ependendod
que indica a
caso da mt
stina (Ibnez
escrita e/ou
geFileReade
gensnumn
s de pxel e
riadosforma
ssedaFigura
lasseitk::ImageIO
mentoderefe
m fixa no es
numamedida
apsasuatr
imagem fixa
aavaliao
umponto
em geral, d
o necessria
timizar o val
transforma
docritriod
a transforma
trica so par
z, Schroeder
u a leitura d
rparalerda
nicoficheiro
e dimenso
atos,inclusiv
5.5.
OBase.
Pgina126de
erncia;
spao da im
aqueindica
ransformao
a em rela
daintensida
mapeadoa
eve ser map
a para estim
lor da mtric
ao; tal sig
esimilaridad
ao que m
rametrizados
r et al. 2005
das imagen
adosdeimag
o.Dedestaca
espacial (Ib
vamenteoDI
e200
magem
aquo
o,isto
o aos
adeda
partir
peado
mar a
ca em
gnifica
de,no
melhor
s pelo
5). Na
s a
gense
arque
bnez,
ICOM,
Pgina127de200
Nesta verso do ITK, as imagens alvo e de referncia podem ser representadas pelas
classesmaiscomuns,comosoasitk::Imageeitk::PointSet,sendoqueestaltimasedestinaa
caracterizar a geometria sob a forma de um conjunto de pontos no espao ndimensional.
aindapossvel,teroutrasclasses,comoaitk::Meshpararepresentarformasnoespao.
5.4.1. Tcnicasgenricasdealinhamentopresentes
Para descrever um mtodo de alinhamento particular e apropriado a um determinado
problema, no ITK necessrio definir uma seleco especfica de cada um dos elementos
bsicos (duas imagens de entrada, uma transformao, uma mtrica, um interpolador e um
optimizador) apresentados anteriormente. Para tal, esta biblioteca disponibiliza diversas
tcnicasgenricas,sendoalgumasdessassucintamenterelatadasem(Ibnez,Schroederetal.
2005)eenumeradasaseguir:
iii. Transformaes:
Translation:Ovectoreosvectorescovariantespermaneceminalterados,umavez
quenoestoassociadosaumadeterminadaposionoespao,sendoqueesta
provavelmenteamaissimpleseaindaumadasmaisteistransformaes;
Scale: Representa uma variao de escala simples do espao vectorial, sendo que
diferentesfactoresdeescalapodemseraplicadosaolongodecadadimenso;
ScaleLogarithmic:ConsistenumavariantedoScale,ondesepretendemelhoraro
comportamentodosparmetros,paratal,essessopassoscomologaritmos;
Euler2DTransform: composta de uma rotao plana, seguida de uma translao
bidimensional, e considera uma transformao rgida em 2D centrada na origem
dosistemadecoordenadas;
CenteredRigid2DTransform: Esta classe usada para implementar uma
transformaorgidaplanacomcentroderotaoarbitrariamenteespecificado;
Similarity2DTransform: Aplica uma mudana de escala homognea e uma
transformao rgida em 2D, sendo que a semelhana (similarity) pode ser vista
comoumacomposioderotaes,translaesedimensionamentouniforme;
QuaternionRigidTransform: especfica para uma transformao rgida 3D, sendo
queaparterotativarepresentadaatravsdeumquaternion(quocientededuas
linhas direccionadas num espao tridimensional, ou de forma equivalente,
quocientededoisvectores),enquantoatranslaocaracterizadaporumvector;
Euler3D: Implementa uma transformao rgida no espao 3D, onde expe seis
parmetros,trsparaosngulosdeEulerquerepresentamarotao,etrspara
ascomponentesdetranslao;
Pgina128de200
Similarity3DTransform: Esta transformao uma combinao de uma rgida com
umfactordeescalaisotrpico;
Rigid3DPerspectiveTransform: Destinada a ser utilizada em problemas de
alinhamento 3D/2D onde um objecto 3D projectado num plano 2D, consiste na
composio de uma transformao rgida 3D seguida por uma projeco
perspectiva;
AffineTransform:Transformaolinearquemapeiaaslinhasemlinhas;
BSplineDeformableTransform: Projectada para ser usada na resoluo de
problemas de alinhamento deformvel, isto , quando as imagens precisam de
sofrer translao, rotao, mudana de escalada e deformao elstica, baseiase
numcampodedeformaomodeladoatravsdeBsplines.
iv. Medidasdesimilaridadeentreimagenseconjuntosdepontoseimagens:
Mean Squares, que equivalente soma dos quadrados das diferenas (SSD)
descrita na seco 4.3.1.2.1, estando o seu uso limitado a imagens de uma nica
modalidade;
Normalized Correlation: Esta mtrica, que se destina a ser usada em imagens de
uma mesma modalidade, equivale correlao entre os valores de intensidade,
divididapelaraizquadradadaautocorrelaodosobjectosalvoedereferncia;
Mean Reciprocal Square Difference: Limitada utilizao em imagens de uma
mesma modalidade, calcula diferenas entre pxeis e depois adicionaas aps
aplicarumafunodotipo(1 (1 + x
2
));
Mutual Information: O ITK dispe de mltiplas implementaes para o clculo da
informao mtua, como as baseadas nos algoritmos de Viola and Wells (Zitov,
Flusser et al. 2005), de Mattes (Pluim, Maintz et al. 2003) e Normalized Mutual
Information(NMI)(Studholme,D.L.G.Hilletal.1999);
Mean Squares Histogram: uma implementao alternativa Mean Squares,
sendo inicialmente realizado o histograma conjunto (HC) de ambas as imagens,
com a possibilidade de calcular posteriormente a soma das distncias quadradas
entre as intensidades das representaes em nveis de quantificao definidos
peloHC;
Correlation Coefficient Histogram: Corresponde ao clculo do coeficiente de
correlao cruzada, obtido do HC, entre as intensidades na imagem fixa e as
intensidades na mvel, sendo que esta mtrica se destina a ser utilizada em
imagens de uma mesma modalidade e com a relao entre as intensidades dada
porumaequaolinear;
Match Cardinality: Calcula a cardinalidade (cardinality) do conjunto de pxeis que
tmcorrespondnciaexactaentreasimagensfonteefixa;
Pgina129de200
Gradient Difference Metric: Avalia a diferena nas derivadas dos objectos, aps
sujeitas a uma funo do tipo (1 (1 + x)), com o propsito de focar o
alinhamentonasbordasdasestruturaspresentesnasimagensaalinhar.
v. Interpolaes:
Nearest Neighbor: Usa a intensidade da posio mais prxima na grelha que
mapeia a imagem fixa para as nongrid positions da imagem mvel, ou seja,
assume que a intensidade constante em seces da imagem, com saltos a meio
caminhoentreasposiesdegrelha;
Linear: Utilizado para encontrar o valor de um pxel num ponto dado atravs das
grandezasdospxeismaisprximosdessepxel,assumequeaintensidadealterna
linearmenteentreasposiesdagrelha,eaocontrriodoquesucedenoNearest
Neighbor, a interpolao da intensidade espacialmente contnua, no entanto, o
gradientedeintensidadedescontnuonasposiesdagrelha;
BSpline:BaseadonasfunesdotipoBSplinedescritasnocaptuloIV.
vi. Mtodosdeoptimizao:
Conjugate Gradient, equivale ao mtodo do gradiente conjugado relatado na
seco4.3.3.2;
GradientDescent:Osparmetrosavanamseguindoadirecodogradienteonde
otamanhodopassoreduzidoporumataxadeaprendizagemeporpadro,este
optimizadorestdefinidoparaminimizarovalordafunocusto;
Quaternion Rigid Transform Gradient Descent: Uma verso especializada do
Gradient Descent na qual os parmetros que representam o quaternion so
normalizados para uma ordem um a cada iterao para assim caracterizar uma
rotaopura;
One Plus One Evolutionary: Estratgia que simula a evoluo biolgica de um
conjunto de amostras no espao de pesquisa, sendo utilizado principalmente no
processodecorrecodedesequilbriosemimagensporressonnciamagntica;
RegularStepGradientDescent,correspondeaomtododogradientedescendente
enumeradonaseco4.3.3.2;
PowellOptimizer,equivaleaomtododePowelldescritonaseco4.3.3.1.
A Tabela 5.2 apresenta as vrias classes da biblioteca ITK que permitem implementar as
tcnicasanteriormentedescritas.
Tabela5.2ClassesdoITKparaimplementartransformaes,mtricas,interpolaeseoptimizadores.
Tcnica ClassedoITK
Translation itk::TranslationTransform
Pgina130de200
Scale itk::ScaleTransform
ScaleLogarithmic itk::ScaleLogarithmicTransform
Euler2DTransform itk::Euler2DTranform
CenteredRigid2DTransform itk::CenteredRigid2DTransform
Similarity2DTransform itk::Similarity2DTransform
QuaternionRigidTransform itk::QuaternionRigidTransform
Euler3D itk::Euler3DTranform
Similarity3DTransform itk::Similarity3DTransform
Rigid3DPerspectiveTransform itk::Rigid3DPerspectiveTransform
AffineTransform itk::AffineTransform
BSplineDeformableTransform itk::BSplineDeformableTransform
MeanSquares itk::MeanSquaresImageToImageMetric
NormalizedCorrelation itk::NormalizedCorrelationImageToImageMetric
MeanReciprocalSquareDifference itk::MeanReciprocalSquareDifferenceImageToImageMetric
MutualInformation(ViolaandWells) itk::MutualInformationImageToImageMetric
MutualInformation(Mattes) itk::MattesMutualInformationImageToImageMetric
MutualInformation(Normalized) itk::NormalizedMutualInformationHistogramImageToImageMetric
MeanSquaresHistogram itk::MeanSquaresHistogramImageToImageMetric
CorrelationCoefficientHistogram itk::CorrelationCoefficientHistogramImageToImageMetric
MatchCardinality itk::MatchCardinalityImageToImageMetric
GradientDifferenceMetric itk::GradientDifferenceImageToImageMetric
NearestNeighbor itk::NearestNeighborInterpolateImageFunction
Linear itk::LinearInterpolateImageFunction
BSpline itk::BSplineInterpolateImageFunction
ConjugateGradient itk::ConjugateGradientOptimizer
GradientDescent itk::GradientDescentOptimizer
QuaternionRigidTransformGradientDescent itk::QuaternionRigidTransformGradientDescent
OnePlusOneEvolutionary itk::OnePlusOneEvolutionaryOptimizer
RegularStepGradientDescent itk::RegularStepGradientDescentOptimizer
PowellOptimizer itk::PowellOptimizer
Pgina131de200
De salientar que, todos os componentes listados na Tabela 5.2 so permutveis entre si,
permitindo dessa forma uma grande variedade de algoritmos de alinhamento, bem como de
tcnicas genricas de processamento de imagem, isto porque podem ser usados fora do
mbitodacolocaoemcorrespondnciadeestruturas,comoocasodasegmentao.
5.4.2. AlgoritmosdealinhamentodisponveisnoITK
Para o caso do alinhamento de imagens, algumas das caractersticas e tcnicas genricas
usadasnosexemplosprticosdocdigofontepresentesnaversoanalisadadabibliotecaITK
(disponveisnodirectrio/ITK3.16.0/scr/Examples/),encontramseresumidasnaTabela5.3,
sendo que naTabela 5.4 so enumeradas as principais tarefas desempenhadas por cada um
dessesalgoritmos.NaTabela5.5encontramselistadasasclassesquepermitemimplementar
astcnicasdescritasnaTabela5.3equenoestoassinaladasnaTabela5.2.
Tabela5.3CaractersticasetcnicasgenricasdosexemplosdisponveisnaversoanalisadadoITK.
Ficheiro(.cxx) Dimenso Tcnicasusadasnocdigo
ImageRegistration1 2D Translation /MeanSquares / Linear/ RegularStepGradientDescent
ImageRegistration2 2D
Translation/MutualInformation(ViolaandWells)/Linear/Gradient
Descent
ImageRegistration3 2D Translation / MeanSquares / Linear/ RegularStepGradientDescent
Translation/MutualInformation(Mattes)/Linear/RegularStepGradient
Descent
CenteredRigid2DTransform/MeanSquares/Linear/RegularStep
GradientDescent
GradientDescent
CenteredSimilarity2DTransform/MeanSquares/Linear/RegularStep
GradientDescent
VersorRigid3DTransform/MeanSquares/Linear/
VersorRigid3DTransformOptimizer
ImageRegistration9 2D AffineTransform / MeanSquares / Linear/ RegularStepGradientDescent
ImageRegistration10 2D Translation / MatchCardinality / NearestNeighbor/AmoebaOptimizer
Translation/MutualInformation(Mattes)/Linear/OnePlusOne
Evolutionary
GradientDescent
CenteredRigid2DTransform/MutualInformation(Mattes)/Linear/
RegularStepGradientDescent
CenteredRigid2DTransform/MutualInformation(Normalized)/Linear/
OnePlusOneEvolutionary
Pgina132de200
Translation/MutualInformation(Normalized)/Linear/OnePlusOne
Evolutionary
ImageRegistration16 2D Translation / MutualInformation(Mattes) / Linear/AmoebaOptimizer
ImageRegistration17 2D Translation / MutualInformation(Histogram) /Linear/AmoebaOptimizer
Translation/GradientDifferenceMetric/Linear/RegularStepGradient
Descent
DeformableRegistration2 2D
DemonsRegistrationFilter/HistogramMatchingImageFilter/Linear/
WarpImageFilter
SymmetricForcesDemonsRegistration/HistogramMatchingImageFilter/
Linear/WarpImageFilter
DeformableRegistration4 2D BSplineDeformableTransform / MeanSquares /Linear/LBFGSOptimizer
LevelSetMotionRegistration/HistogramMatchingImageFilter/Linear/
WarpImageFilter
DeformableRegistration6 2D BSplineDeformableTransform / MeanSquares /Linear/LBFGSOptimizer
DeformableRegistration7 3D BSplineDeformableTransform / MeanSquares /Linear/LBFGSBOptimizer
BSplineDeformableTransform/MutualInformation(Mattes)/Linear/
LBFGSBOptimizer
LBFGSBOptimizer
CenteredTransformInitializer+VersorRigid3DTransform+
AffineTransform+BSplineDeformableTransform/MutualInformation
(Mattes)/Linear/RegularStepGradientDescent
MultiResolutionPDEDeformableRegistration+DemonsRegistrationFilter/
HistogramMatchingImageFilter/Linear/WarpImageFilter
MultiResolutionPDEDeformableRegistration+
SymmetricForcesDemonsRegistration/HistogramMatchingImageFilter/
Linear/WarpImageFilter
ImageRegistrationHistogramPlotter 2D
Translation/MutualInformation(Histogram)/Linear/RegularStep
GradientDescent
MultiResImageRegistration1 2D
Translation+MultiResolutionImageRegistrationMethod/Mutual
Information(Mattes)/Linear/RegularStepGradientDescent
AffineTransform+MultiResolutionImageRegistrationMethod/Mutual
Translation+MultiResolutionImageRegistrationMethod/Mutual
ModelToImageRegistration1 2D
Euler2DTransform/ImageToSpatialObjectMetric/Linear/OnePlusOne
Evolutionary
Mo

odelToImageReg
IterativeClosest
IterativeClosest
IterativeClosest
Tabela5.
Ficheiro(.cx
ImageRegistrat
ImageRegistrat
ImageRegistrat
ImageRegistrat
ImageRegistrat
ImageRegistrat
ImageRegistrat
ImageRegistrat
ImageRegistrat
ImageRegistrat
ImageRegistrat
ImageRegistrat
ImageRegistrat
ImageRegistrat
ImageRegistrat
ImageRegistrat
istration2
Point1
Point2
Point3
.4Principaistar
xx)
tion1
tion2
tion3
tion4
tion5
tion6
tion7
tion8
tion9
tion10
tion11
tion12
tion13
tion14
tion15
tion16
2D
R
2D
3D
2D
refasdesempenh
Introduzoselem
Ilustracom
Instruisobreo
itk::ImageR
Resolveumpr
Elucidasobreo
Explicaautiliza
dedu
Explanaaaplica
Usaaclasseitk
afimdeumes
Alinhadoislabe
mtricaapro
Combinaai
variaesaleat
Utilizaspatial
Alinhaincorp
Alinhacom
Alinhacom
Colocaemcorre
Rigid2DTransform
Tr
Euler3D/Euclide
Tr
hadaspelosexem
mentosqueest
d
movriasmodalid
osmecanismospr
RegistrationMeth
roblemademult
ousodaclasseit
aodaclasseItk
uasimagenscom
aodeitk::Vers
k::AffineTransform
paoafimndime
elemesmo)p
elmaps(estrutur
ocedercontage
informaomtu
triasdosparme
lobjectscomom
porandoumconh
mtricadotipo
m umatransforma
mumatransform
optimiz
espondnciacom
m/NormalizedCo
/RegularSte
ranslation/Euclid
LevenbergM
eanDistancePoin
ranslation/Euclid
LevenbergM
mplosdisponveis
Tarefasdesemp
onormalmentee
dealinhamentod
dadesdeimagem
revistosparaoac
hod(defineainte
imodalidadeusa
Mattes)
tk::CenteredRigid
2D
k::CenteredSimila
escalasdistintas
orRigid3DTransfo
m(permiteadefi
ensional,edosse
paraaexecuod
rascomunsutiliza
mdonmerode
mesmolab
uacomumalgori
etros)paraaopti
scarasparasele
paraoclculoda
hecimentoprvio
informaomtu
aorgida2Dec
ao2D,cominf
zaoOnePlusO
mumatranslao
ecomAmoebaO
CAPTULOV
orrelationPointSe
epGradientDesc
deanDistancePoin
MarquardtOptimiz
tMetric /Levenbe
deanDistancePoin
MarquardtOptimiz
naversoanalisa
enhadas
envolvidosnares
eimagens
mpodemseralinh
companhamento
erfacegenricap
andoainforma
2DTransformno
rity2DTransform
ecentroderota
orm noalinhame
inioemanipula
eusespaosvecto
doalinhamentoe
amsupostamente
pxeiscorrespon
bel
tmoevolutivo(ba
imizaonoalinh
eccionarospxeis
amtrica
o,umatransform
ua(algoritmode
cominformao
formaomtua
OneEvolutionary
2D,cominforma
Optimizer
VAnliseexper
Pgina133de
etToImageMetric
cent
ntMetric/
zer
ergMarquardtOp
ntMetric/
zer
adadoITK.
soluodeumpr
hadasusandooI
daactividadeda
paraoalinhament
omtua(algorit
alinhamentorgi
mnoalinhamento
odeslocado
ntodeduasimag
aodetransform
oriaisassociados
em2D
eomesmolabel)
ndentesquetenh
aseadoemteste
hamento2Dmult
squedevemcont
maorgida2De
Mattes)
mtuanormaliza
normalizadaeco
aomtuanorm
rimental
e200
/Linear
ptimizer
roblema
TK
aclasse
to)
mode
idoem
em2D
gens3D
maes
,sobre
),coma
hamo
sde
timodal
tribuir
uma
ada
om
malizada
Pgina134de200
ImageRegistration17
Alinhacomumatranslao2D,comMutualInformation(Histogram)ecomAmoeba
Optimizer
ImageRegistration18 Elucidasobreousodaclasseitk::GradientDifferenceImageToImageMetric
DeformableRegistration2
Demonstraautilizaodosalgoritmosdemons(assentamnopressupostodequeos
pxeisquerepresentamomesmopontohomlogotmamesmaintensidadeemambas
asimagensaalinhar)noalinhamentodeformveldeelementosfinitos(FEM)
Usaumavariante(recorreaumaformulaodiferentenoclculodaforaaaplicarna
imagemafimdecalcularoscamposdedeformao)dosalgoritmosdemonsno
alinhamentodeformveldeFEM
Explanaaaplicaodasclassesitk::BSplineDeformableTransformeitk::LBFGSOptimizer
noalinhamentodeduasimagens2D
DeformableRegistration5 Demonstraousodolevelsetmotion paraoalinhamentodeformveldeduasimagens
Usaaclasseitk::BSplineDeformableTransformnumesquemadecomandomanualmulti
resoluo
Explanaaaplicaodaclasseitk::BSplineDeformableTransformnoalinhamentodeduas
imagens3D
Ilustraautilizaodasclassesitk::BSplineDeformableTransformeitk::LBFGSBOptimizer
noalinhamentomultimodaldeduasimagens3D
Explicaautilizaodasclassesitk::BSplineDeformableTransformeitk::LBFGSBOptimizer
noalinhamentomultimodaldeduasimagens2D
Quaseidnticoaoanterior,comadiferenaqueilustraautilizaodaclasse
itk::RegularStepGradientDescentOptimizernumalinhamentodeformvel
Ilustraautilizaodeitk::RegularStepGradientDescentOptimizernocontextodeum
problemadealinhamentodeformvelem3D
Ilustraumpipelinerealistapararesolvercompletamenteumproblemadealinhamento
deformvel
Explicaautilizaodeitk::MultiResolutionPDEDeformableRegistrationnoalinhamento
deformveldeduasimagens2Dutilizandomltiplosnveisderesoluo
ImageRegistrationHistogramPlotter
Mostraautilizaodevriasclasses,deformaaobteroacessoaohistogramaconjunto
quecalculadointernamentepelamtrica
MultiResImageRegistration1
Ilustraousodaclasseitk::MultiResolutionImageRegistrationMethodnoalinhamento
multimodal
MultiResImageRegistration2
Explicaautilizaodecomponentesmaiscomplexos(itk::AffineTransform)no
alinhamentomultimodal
MultiResImageRegistration3 Verso3DdoexemploMultiResImageRegistration1.cxx
ModelToImageRegistration1
Ilustraoconceitodealinhamentodeummodelogeomtricocomumaimagem
ModelToImageRegistration2
IterativeClosestPoint1 IlustracomoexecutaroalgoritmoICP(IterativeClosestPoint)noITK
IterativeClosestPoint2 IlustracomoexecutaroalgoritmoICPnoITKusandoconjuntosdepontos3D
Pgina135de200
IterativeClosestPoint3
IlustracomoexecutaroalgoritmoICPnoITKusandoummapadedistncias(distance
map)paraaumentarodesempenho
Tabela5.5 ClassesdoITKparaimplementaralgunsdosalgoritmosusadasnoalinhamento.
Tcnica ClassedoITK
CenteredSimilarity2DTransform Itk::CenteredSimilarity2DTransform
VersorRigid3DTransform itk::VersorRigid3DTransform
VersorRigid3DTransformOptimizer itk::VersorRigid3DTransformOptimizer
AmoebaOptimizer itk::AmoebaOptimizer
MutualInformation(Histogram) itk::MutualInformationHistogramImageToImageMetric
DemonsRegistrationFilter itk::DemonsRegistrationFilter
HistogramMatchingImageFilter Itk::HistogramMatchingImageFilter
WarpImageFilter itk::WarpImageFilter
SymmetricForcesDemonsRegistration itk::SymmetricForcesDemonsRegistrationFilter
BSplineDeformableTransform itk::BSplineDeformableTransform
LBFGSOptimizer itk::LBFGSOptimizer
LBFGSBOptimizer itk::LBFGSBOptimizer
CenteredTransformInitializer itk::CenteredTransformInitializer
LevelSetMotionRegistration itk::LevelSetMotionRegistrationFilter
MultiResolutionPDEDeformableRegistration itk::MultiResolutionPDEDeformableRegistration
MultiResolutionImageRegistrationMethod itk::MultiResolutionImageRegistrationMethod
ImageToSpatialObjectMetric itk::SimpleImageToSpatialObjectMetric
Rigid2DTransform itk::Rigid2DTransform
NormalizedCorrelationPointSetToImageMetric itk::NormalizedCorrelationPointSetToImageMetric
EuclideanDistancePointMetric itk::EuclideanDistancePointMetric
LevenbergMarquardtOptimizer itk::LevenbergMarquardtOptimizer
No directrio da biblioteca ITK onde se encontram colocados estes algoritmos

exemplificativos, existem ainda outros que podem ser usados para realizar o alinhamento de
imagensmasque,porexemplo,tambmpodemserutilizadospara:
Deformar imagens artificialmente a partir da especificao de dois conjuntos de
landmarks (DeformationFieldInitialization.cxx ou LandmarkWarping2.cxx), ou pela
utilizao de uma BSpline (BSplineWarping1.cxx ou BSplineWarping2.cxx), ou
Pgina136de200
mesmo atravs de ThinPlate Splines (TPS) usando o cdigo
ThinPlateSplineWarp.cxx, que pode ainda servir para visualizar campos de
deformaoem3D;
Explorarodomniodamtricadaumaimagem(MeanSquaresImageMetric1.cxx);
Modificar metadados (metadata) de uma imagem, tais como a origem, o
espaamentoeaorientao(ChangeInformationImageFilter.cxx).
Para testar da possibilidade dos algoritmos 2D descritos na Tabela 5.3 serem
estruturalmentealteradosparaviabilizaroseuusonoalinhamentodeimagens3D,estudado
o DeformableRegistration2.cxx. Para este ltimo algoritmo, concluise que somente
necessrioremoveresubstituiralgumaslinhasdocdigofonteoriginal,talcomomostradona
Tabela 5.6, para alcanar este objectivo. Assim, observase que as classes empregues no ITK
somanipulveisequepodemserusadasnoutrasdimenses(Ibnez,Schroederetal.2005).
Tabela5.6 LinhasaalteraremDeformableRegistration2.cxxpararealizaralinhamento3D.
Linhas Cdigoainserir
55 typedefitk::Image<float,3>InternalImageType;
56 typedefitk::Image<float,3>InternalImageType;
57 typedefitk::Image<VectorPixelType,3>DeformationFieldType;
107 constunsignedintDimension=3;
Dedestacarque,osalgoritmosexpostosnaTabela5.3sedestinamsomenteademonstrar
as potencialidades da biblioteca, no sendo possvel considerlos como casos prticos
significativosdoITK.Aoinvs,asaplicaeslistadasaseguirilustramousodoITKemsituaes
reais;nomeadamente,nasempreguesnoalinhamentodeimagensmdicas.Estasdistinguem
se dos algoritmos prticos presentes na biblioteca usada, especialmente em aspectos como a
utilizaodeoutrosrecursosinformticos,comoporexemploVTK,paracriaraplicativosturn
key,eporasaplicaesseremmuitasvezesdifceisdecompilareexecutar.
Multimodal 3D image registration using mutual information maximization: Esta
aplicao ilustra o uso do ITK para alinhar imagens de tomografia computorizada
(CT)tridimensionaleimagensporRMdacabea;
MRI Registration Using Mutual Information: Esta aplicao combina o ITK com o
VTKparaalinhardados3DdeMRI;
ITKFilterLib + ITKRegistrationLib: Estas duas aplicaes demonstram como criar
bibliotecas estticas que possam fornecer a possibilidade de seleccionar os filtros
ITKnumaclassenoformatada,edechamarumafunoparaexecutaromdulo
paraoalinhamentocominformaomtua.
Pgina137de200
5.5. Algoritmosusados
A seguir so descritos os algoritmos de alinhamento da biblioteca ITK utilizados para
realizaraparteexperimentaldesteestudo.
5.5.1. Algoritmosseleccionados
Considerando que inicialmente o desalinhamento existente entre as representaes
envolvidasnesteestudototalmentedesconhecido,excepododasimagens(1D)e(2D),e
queoITKnodispedageneralidadedosmtodosedasespecificaesparaoalinhamentode
imagens mdicas apresentados no captulo IV, foram empregues para implementar a parte
experimentaldesteestudo,osseguintesalgoritmos:
ImageRegistration5.cxx;
DeformableRegistration7.cxx, alterado de forma a funcionar em 2D, isto , foi
removida a linha 148 do cdigo fonte original e inserido const unsigned int
ImageDimension=2;;
DeformableRegistration13.cxx.
Aselecodosalgoritmosanteriores motivadapelanecessidadedeexperimentalmente
ensaiar os conceitos associados ao alinhamento de imagens, nomeadamente os expostos no
final do captulo IV, onde se discutia se eram mais relevantes os mtodos que contm
transformaesrgidasouosqueincluemasnorgidas.Assim,dosexemplosprticosbsicos
doITKseleccionadosparaesteestudo experimental,sobressaiaopoporquatroalgoritmos
que possibilitam o alinhamento baseandose numa transformao rgida:
ImageRegistration5.cxx, ImageRegistration7.cxx, ImageRegistration9.cxx e
ImageRegistration13.cxx;edeoutrosdoisalgoritmosquepermitemoalinhamentodeimagens
atravsdemeiosnorgidos:DeformableRegistration7.cxxeDeformableRegistration13.cxx.
De salientar que, a preferncia por estes algoritmos se deveu ainda aos seguintes
aspectos:
Em diversos casos um determinado algoritmo foi rejeitado desta seleco por o
seu cdigo ser em grande parte idntico ao apresentado por outros modelos
exemplificativodabibliotecaITK,comosucedeucomoImageRegistration9.cxxque
anlogo ao ImageRegistration6.cxx, que por seu turno parecido com o
ImageRegistration5.cxx, que tambm aproximado ao ImageRegistration1.cxx,
istotudocomaexcepodatransformaousada;
Pgina138de200
Algunsalgoritmosforamexcludosdestaselecoporsedestinaremaimagensde
distintas modalidades, o caso de ImageRegistration2.cxx,
MultiResImageRegistration1.cxx, etc., a situaes 3D, como o
DeformableRegistration8.cxx, IterativeClosestPoint2.cxx, etc., a funcionar com
base em modelos adaptados estrutura anatmica de um determinado doente,
talcomooModelToImageRegistration1.cxx,etc.,pornecessitaremdeumficheiro
contendo as coordenadas dos pontos fixos e mveis, como
IterativeClosestPoint1.cxx, etc. ou pelo facto do mtodo de optimizao no
permitir invocar eventos bastante teis para seguir a evoluo do alinhamento
medidaqueesteprogride,comoporexemplo,oDeformableRegistration4.cxx.
Em resultado disto, e do apresentado na Tabela 5.3, verificase que, dos algoritmos
seleccionados para o estudo experimental, alguns divergem somente na transformao
empregue, como por exemplo, entre ImageRegistration5.cxx e ImageRegistration7.cxx,
enquantooutrosdiferememmaisdoqueumelemento,comoentreImageRegistration9.cxxe
ImageRegistration13.cxx.
5.5.2. Anlisedosalgoritmosempregues
A seguir so enumeradas as principais especificidades dos vrios algoritmos da biblioteca
aplicadosnaparteexperimentaldestetrabalho.
O pipeline da Figura 5.6 permite o alinhamento de duas imagens de entrada, tomadas a
partir de Reader 1 e Reader 2, e encontrase constituido pelos seguintes passos (Ibnez,
Schroederetal.2005):
Initializer (itkCenteredTransformInitializer.h): Recebe as imagens e realiza uma
srie de translaes brutas, sendo considerado como referncia o centro da
imagem,oespaamentoentreospxeiseotamanho,empxeis,dasimagens,que
permitem que elas fiquem relativamente alinhadas, facilitando assim o resto do
processo;
Registration (itkImageRegistrationMethod.h): Define a interface genrica para um
mtodo de alinhamento; assim, tem como principal funo, relacionar os
componentes necessrios para a sua realizao, como tipos de pxeis, filtros,
parmetros introduzidos, transformao (Transform), optimizao (Optimizer),
critriodesimilaridade(Metric),interpolao(Interpolator),etc..
A
Image
sada
alcan
P
Image
al.20
E
usada
Esta
de im
trans
mais
remo
5.6,
trans
prime
datra

A metodolo
eRegistratio
se obtm
nadaacond
Para que a o
eRegistratio
005):
Itk::C
rota
desse
itk::R
gradi
(relax
lengt
apres
image
itk::M
os px
signif
itk::Li
em5
EmImageReg
asasltimas
ltima repre
magens, resi
sformao lin
eficazemte
ova as princi
focandose
sformao af
eirossoda
anslao.
Figur
ogia apres
n7.cxx, Imag
os parmetr
ioparaot
perao des
n7.cxx, ne
CenteredSimi
o, uma mu
eponto,perm
egularStepG
ient descent
xation facto
th),ouonm
senta as con
ens;
MeanSquares
xeis das dua
ficaqueelas
inearInterpo
.4.1porLine
gistration9.cx
strsclasses
esenta as tra
idindo a sua
near (Ibnez
ermosdecus
pais compon
tipicamente
fim em 2D,
matrizdero
ra5.6Pipeline u
sentada no
geRegistratio
ros finais (P
trminodop
signada de R
cessrio util
larity2DTran
udana de e
mitindoassim
GradientDesc
t, definindo
or), o comp
meroprevisto
ndies em d
sImageToIma
as imagens d
possuemam
lateImageFu
ear.
xx,paraaop
sreferidasan
ansformae
a principal v
z, Schroeder
stocomputa
nentes de de
e na supre
existem sei
otao,tipica
usadoparaoalin
o pipeline
on9.cxx e Im
Parameters)
processode
Registration n
izar as segu
nsform: Tom
escala e uma
mquehajau
centOptimize
alguns par
primento m
odeiterae
direco s
ageMetric: C
de uma mes
mesmamtr
unction: Imp
peraodeR
nteriorment
es afim, send
vantagem n
r et al. 2005
cionalquand
esalinhamen
sso das g
is parmetro
amentecom
hamentodasima
da Figu
mageRegistra
da transform
alinhamento
no pipeline d
intes classes
ma o centro
a translao
umaconcord
er: Impleme
metros com
nimo de u
esarealizar
melhores de
Calcula a dif
sma modalid
rica;
plementa a
Registration
e,squaiss
do estas bas
o facto de
5). A classe i
doaplicada
nto, passo In
randes tran
os a fornece
valoresentr
CAPTULOV
agens.
ura 5.6
tion13.cxx, s
mao (Tran
odasimagen
da Figura 5.6
s do ITK (Ib
das imagen
da imagem
dnciaentre
nta um opt
mo, o factor
ma iterao
(numberof
efinies de
ferena de i
dade, sendo
tcnica gen
nopipeline
ejuntaaitk:
stante usuai
ser represe
itk::AffineTra
aapsoutra
nitializer do p
nslaes. No
er ao optim
re1e1,eo
VAnliseexper
Pgina139de
seguida
sendo que n
nsform) qua
ns.
6 sejapossv
nez, Schroed
ns e realiza
m mvel em
asimagens;
timizador do
r de relaxam
o (minimum
iterations);
sobreposi
intensidade
que o valor
nrica identi
daFigura5.
::AffineTrans
s no alinham
ntada como
ansform pod
amaissimple
pipeline da
o ITK, para
izador; os q
osdoisltimo
rimental
e200
por
na sua
ndo
vel em
der et
a uma
torno
o tipo
mento
m step
isto,
o das
entre
r zero,
ficada
6,so
sform.
mento
o uma
de ser
esque
Figura
uma
quatro
osso
Alinham
A
O
realiz
fixac
mve
rota
com
da Fi
(Tran
P
algor
itk::B
dede
ilustr
interp
mentodeEstrutu

Aoinvs,em
itk::C
5.4.1
itk::R
itk::M
genr
respe
corre
restri
pode
mto
image
discre
itk::Li
O ImageReg
zaodealin
comocentro
el como cen
oprocess
ImageRegist
igura 5.6, do
nsform)distin
Para executa
ritmos Defor
BSplineDeform
eslocamento
ra como os v
polao,dos
urasemImagens
ImageRegist
CenteredRigid
porCentere
egularStepG
MattesMutua
ricomas pod
eito da nat
espondentes
io imposta
m estar en
odo proposto
em so agr
etosuniform
inearInterpo
gistration5.cx
nhamentorg
derotao
ntro da trans
sadocomao
ration7.cxxe
o Initializer
nta.
ar o alinham
rmableRegist
mableTransf
oondeumve
valores da de
sdeslocamen
Figura5.7
Mdicas:Estudo
tration13.cxx
d2DTransform
edRigid2DTra
GradientDesc
alInformation
deroso uma
ureza da d
pxeis que
a ao conte
volvidas no
o por Mattes
rupados em
mementedist
lateImageFu
xx ilustra o
gidoem2D.
e,emseguid
slao inicia
origem,tama
eImageRegis
e na parte
mento defor
tration7.cxx
form. Esta tr
ectordeform
eformao n
ntosnoresto
Exemplodeuma
(retiradode(
,Desenvolvimen
x,forosoe
m: Impleme
ansform;
centOptimize
nImageToIm
vez que n
dependncia
fazem parte
do das rep
o processo,
s. Neste m
histogram
tribudosem
unction.
o uso da c
Inicialmente
da,usaovec
l a ser aplic
anhoeespa
stration9.cxx
da Registra
rmvel atra
e Deformab
ransformao
maoatrib
nos ns da g
odoespao.
agrelhaBSpline
Ibnez,Schroede
toeAplicao
empregar(Ib
enta a tcn
er;
mageMetric:
o so efec
estatstica
e das image
resentaes
calcula a i
todo, os val
bins (usado
mtodaagam
classe itk::C
e,oalgoritm
ctorentreo
cado aps a
amentoda
x,deassinala
ation, o emp
vs de tran
bleRegistratio
o equivale
budoacada
grelha BSplin
comasdeforma
eretal.2005)).
bnez,Schro
ica genrica
Este
ctuadas supo
entre as
ens, e onde
das vrias
nformao
ores de inte
os para calc
adinmicad
CenteredRigid
moutilizaoc
centrodaim
rotao. As
imagemfixa
aranoutili
prego de um
nsformaes
on13.cxx, em
ente gera
pontodoes
ne so usado
esnosns
Pgina140de
oederetal.2
a identificad
critrio,
osies prv
intensidades
no h qua
modalidade
mtua (IM)
ensidade em
cular a ent
dasimagens.
d2DTransform
centrodaim
magemfixae
ssim, o cent
a.Emcompa
izao,nopip
ma transform
s nolineare
mpregam a
o de uma g
spao.AFigu
os no clculo
e200
005):
da em
algo
vias a
s dos
alquer
s que
) pelo
m cada
ropia)
.
m na
magem
eoda
tro de
arao
peline
mao
es, os
classe
grelha
ura5.7
o, por
Pgina141de200
Como o clculo da BSpline exige uma regio de suporte finita, nesses dois algoritmos, o
tamanho da grelha definido como sendo (8 x 8) e a origem coincidente com o primeiro
pxeldaimagemfixa.
Aclasseitk::BSplineDeformableTransformtemumaelevadaquantidadedeparmetros(n.
de parmetros = n. de pontos de controlo x dimenso da imagem) e portanto, adequada
para os mtodos de optimizao itk::LBFGSBOptimizer e itk::LBFGSOptimizer (Ibnez,
Schroederetal.2005).Comoooptimizadoritk::LBFGSOptimizernopermiteinvocareventos,
oqueotornapoucoproveitosonoseguimentodaevoluodoalinhamentomedidaqueeste
avana, no empregue em nenhum dos algoritmos deste estudo experimental. Assim, o
itk::LBFGSBOptimizer aparece associado ao DeformableRegistration7.cxx, numa verso
modificadaparaesteestudoexperimental,deformaaserpossvelusloem2D.
De salientar que quando se quer visualizar os parmetros de transformao em cada
iterao,podesechamarummtododoITKparaisso.Noentanto,quandoseusaalgoritmos
com transformaes do tipo BSpline, isso no particularmente til, uma vez que existem
imensos parmetros a monitorizar. Assim, nos algoritmos DeformableRegistration7.cxx e
DeformableRegistration13.cxx,taismtodosnoseencontramimplementados.
NoDeformableRegistration7.cxx,paraaoperaodesignadadeRegistrationnopipelineda
Figura 5.6, so empregues, em consonncia com o que sucede no cdigo usado para o
alinhamento por transformaes lineares, as classes itk::MeanSquaresImageToImageMetric e
itk::LinearInterpolateImageFunction.Analogamente,oDeformableRegistration13.cxxdiferedo
DeformableRegistration7.cxx, porque usa como mtrica o
itk::MattesMutualInformationImageToImageMetric e para mtodo de optimizao a classe
itk::RegularStepGradientDescentOptimizer.
excepo de ImageRegistration13.cxx, em todos os restantes algoritmos existe um
derradeiro passo que consiste em mapear as representaes resultantes da colocao em
correspondncia, bem como, das discrepncias entre elas antes e aps o alinhamento. Para
estastarefas,abibliotecaITKcontmasseguintesclasses:
ResampleImageFilter(classeitkResampleImageFilter):Alteraonmerodepxeise
ovalordoespaamentoparaproduzirumaimagemdiferentedadeentrada;
Subtract Image Filter (classe itkSubtractImageFilter): Implementa um operador
para a subtraco pixelwise das duas representaes (por exemplo, Sada =
Entrada1Entrada2);
Rescale Intensity Image Filter (classe itkRescaleIntensityImageFilter): Aplica uma
transformaolinear,definidaemtermosdemnimosemximosqueasadadeve
teraonveldaintensidadedaimagemdeentradaparaatornarmaisvisvel.
De realar que, no DeformableRegistration13.cxx, existem instrues que possibilitam
guardarnumficheiroosvaloresfinaisdosdiversosparmetrosusadosnatransformao.
Pgina142de200
5.6. Alinhamentodeimagensdeummesmodoente
Esta seco, descreve as experincias realizadas no sentido de ensaiar e comparar o
desempenho dos diversos algoritmos, enumerados anteriormente, no alinhamento de
imagens anatmicas (crebros) de uma mesma modalidade e de um mesmo doente atingido
porEM,masadquiridaseminstantesdetempodistintos.Istosucede,deformaatornaromais
vivelpossvelacomparaodosresultadosdosalgoritmosemestudo.
5.6.1. Consideraesreferentesaocdigofontedosalgoritmos
Durante o estudo experimental foi em alguns casos imprescindvel adaptar ou reescrever
certospedaosdocdigofontedosalgoritmosdabibliotecaITK,talcomodacorrespondente
makefile(CMakeLists.txt),deformaadispordapossibilidadede:
RecebereretornarimagensnoformatoDICOM;
Ajustar determinados parmetros, de forma a garantir o melhor alinhamento
possvel, como, estabelecer um limite no nmero de iteraes a realizar para
garantirqueooptimizadorconseguealcanaraprecisodesejadadatolerncia;
Acompanhar a evoluo do algoritmo de alinhamento, de forma a obter
informao sobre as caractersticas e os componentes utilizados no problema
particular;
Mostrarasilustraescomasdiferenasexistentesentreasimagensanteseaps
oalinhamento(somenteparaoImageRegistration13.cxx);
Verificaraexistnciaeaorigemdedeterminadoserrosdeprocessamento;
Contabilizar o tempo de processamento (CPU) dispendido pelo algoritmo em
questo, sendo para isso necessrio introduzir as seguintes linhas de cdigo, por
exemplo,emImageRegistration5.cxx:
itkProbesCreate();
try
{
itkProbesStart("Registration");
registration>StartRegistration();
itkProbesStop("Registration");
itkProbesReport(std::cout);
Exportar os principais parmetros de sada produzidos a partir do processo de
alinhamento,isto,translaes,rotaes,iteraes,valoresdamtrica,etc.,para
Pgina143de200
posteriormente construir grficos com esses dados sendo, por exemplo, no caso
doImageRegistration5.cxxnecessriointroduzirasseguinteslinhasdecdigo:
usingnamespacestd;
ofstreamoutfile;
outfile.open("Data.txt",ios::app);
if(outfile.is_open())
{
//Numberofiterations
outfile<<optimizer>GetCurrentIteration()<<"";
//Metricvalue
outfile<<optimizer>GetValue()<<"";
//Angle(Degrees)
outfile<<optimizer>GetCurrentPosition()[0]*180.0/vnl_math::pi<<"";
//Finaltranslationx(mm)
outfile<<optimizer>GetCurrentPosition()[3]<<"";
//Finaltranslationy(mm)
outfile<<optimizer>GetCurrentPosition()[4]<<""<<std::endl;
outfile.close();
}

outfile<<registration>GetLastTransformParameters()<<std::endl;
outfile.close();
Corrigir erros presentes no cdigo original, por exemplo, de forma a possibilitar a
visualizao da evoluo da mtrica em DeformableRegistration7.cxx, preciso
eliminaralinha130esubstituirporstd::cout<<optimizer>GetCachedValue()<<"";.
5.6.2. Descriodosdados
A Tabela 5.7 apresenta, da esquerda para a direita, uma imagem fixa, que consiste na
estrutura que deve ser correspondida, uma imagem mvel, isto , o corpo a alinhar, e as
discrepncias existentes entre elas antes do alinhamento que esto nos traados branco vs.
preto). Cada conjunto de imagens desta forma considerado, identificado por um
determinadonmero(de(1)a(6)).Assim,naTabela5.7possvelvisualizartodososlotesde
imagenscerebraisdedoentescomEMutilizadasnopresenteestudoexperimental.
Alinham
O
ident
2C,n
mentodeEstrutu

Imagemfixa(fixe
Observase d
tificadas com
aquintaas
urasemImagens
Tabela5.7
edimage)
da Tabela 5.7
mo 1A e 2A,
1Ce3Cena
Mdicas:Estudo
Conjuntodeima
Imagemm
7, que na pr
na segunda
asexta,as1D
,Desenvolvimen
agensaalinhare
vel(movingim
imeira linha
as 1B e 2B,
De2D.Para
toeAplicao
diferenasinicia
age)
se encontra
na terceira
aosconjunto
isentreelas.
Diferenaentrea
am as image
as 1B e 3B,
os(2)e(3),o
Pgina144de
asimagens
ens anteriorm
na quarta as
odesalinham
e200
1
2
3
4
5
6
mente
s 1C e
mento
entre
90.
T
valor
(Ibn
melh
exper
antec
com
inicia
parm
F
A
encon
A
(a)
Image
concl

e as imagens
Todos os alg
esnumrico
ez, Schroed
ores parm
rimentalmen
cipadamente
distintos p
almente esti
metrosno
O tem
(emp
usada
clcu
exper
depe
detal
Para
deco
Semp
movi
na qu
cujov
a ind
muda
(a)
Figura5.8Imag
emyerota
(d)
As represent
ntramsepo
Aps inmer
e (b) da
eRegistratio
luise que o
s aparenta s
goritmos se
osdesses,ob
der et al. 2
metros, os
nte. Assim,
e conhecido,
parmetros,
puladas. Or
entantopre
mpo necess
regueparac
asparaestim
lo, mante
rimentalmen
nde do cont
hes,ento
aceleraraco
omprimento
pre que i
mentomuda
ual este com
valorpoder
duzir movim
anasdedire
(b)
genscomdesalinh
ode10,(c)Com
Comtranslaod
taes da F
rdefeitono
os ensaios, c
Figura 5
n9.cxx ou en
os grupos d
er ligeiro, en
leccionados
btmsedisti
2005) enume
valores n
, tendo p
, Figura 5.8,
at achar
ra, segundo
cisogarantir
srio para c
calcularade
marohistogr
endo a
nte, sendo
tedo da im
possvelem
onvergncia,
grande,com
itk::RegularS
adedireco
mprimento
evelarseins
entos irregu
eco.
hamentoconheci
mtranslaode1
de13mmemxe
Figura 5.8 s
directriodo
como por ex
5.8 para
ntre as (a) e
de parmetr
nquanto par
dispem d
intosresulta
erada qualq
numricos
por base
todos os al
os valores
(Ibnez, Sc
rque:
calcular a IM
nsidadedee
ramaconjun
preciso,
que o Nu
magem; logo
mpregarcerca
,semprec
moporexem
StepGradient
o,reduzota
atenuado
suficienteem
ulares nos o
(c)
ido:(a)Imagemo
13mmemx,17
e17mmemy,(e)
so pondera
oITK:/ITK
xemplo, emp
testar os
(c) para est
ros listados
ra o (6), cor
e parmetro
dosparaoa
quer metodo
foram sele
imagens o
goritmos fo
s mais indi
chroeder et
M depende
estimativas)
nto;assim,p
estes pa
umberOfSpa
o, se esta
ade1%dos
onveniente
plo,optimizer>
tDescentOpt
amanhodoc
controlada
mmtricasru
optimizadore
original,(b)Com
mmemy,rota
)comescaladisti
adas em de
3.16.0/scr/E
pregando a c
algoritmos
tudar o algo
a seguir, s
CAPTULOV
responde a
os, e quand
alinhamento
ologia para
eccionados
nde o de
ram sucessiv
cados para
al. 2005),
do Number
edoNumbe
araoptimiza
rmetros
tialSamples
suave e no
pxeis;
usarumMax
>SetMaximumSte
timizer det
comprimento
pelo Relaxa
uidosas,porq
es, o que re
(d)
translaode13
ode10efactor
inta(181x217px
ensidade de
Examples/Da
combinao
s ImageReg
ritmo Image
so bastante
VAnliseexper
Pgina145de
uma rotao
do se altera
o.Noestand
a obteno
foram ac
esalinhamen
vamente tes
as dicrep
na obten
rOfSpatialSa
erOfHistogram
aravelocida
so esco
a ser uti
o abrange m
ximumStepL
epLength(1.0);;
termina qu
odopasso.A
ationFactor,
queestaste
esulta em m
(e)
3mmemx,17mm
rdeescala12,
xeis).
e protes (
ata.
entre as im
gistration5.c
eRegistration
e adequado
rimental
e200
o de
am os
doem
o dos
hados
to
stados
ncias
o dos
mples
mBins
dedo
lhidos
lizado
muitos
Length
ue o
Ataxa
factor
endem
muitas
m
DP) e
agens
xx e
n7.cxx,
os aos
Pgina146de200
algoritmos identificados, aquando do alinhamento das variadas combinaes efectuadas com
asimagensdessafigura.
ImageRegistration5.cxx translationScale = 1.0/1000.0, MaximumStepLength =
1.0, RelaxationFactor = 0.9, MinimumStepLength = 0.0001, NumberOfIterations =
500;
ImageRegistration7.cxx translationScale = 1.0/1000.0, initialScale = 1.0,
MaximumStepLength = 1.0, MinimumStepLength = 0.0001, NumberOfIterations =
5000;
ImageRegistration9.cxx translationScale = 1.0/100.0, MaximumStepLength =
0.05,MinimumStepLength=0.00001,NumberOfIterations=1500;
ImageRegistration13.cxx NumberOfHistogramBins = 20,
NumberOfSpatialSamples = 1000, translationScale = 1.0/128.0, centerScale =
10000.0, MaximumStepLength = 0.5, MinimumStepLength = 0.0001,
NumberOfIterations=1500;
DeformableRegistration7.cxx CostFunctionConvergenceFactor = 1e+5,
ProjectedGradientTolerance = 0.001, MaximumNumberOfIterations = 500,
MaximumNumberOfEvaluations=500,MaximumNumberOfCorrections=5;
DeformableRegistration13.cxx MaximumStepLength = 10.0,
MinimumStepLength=0.001,RelaxationFactor=0.9,NumberOfIterations=50000,
NumberOfHistogramBins=50.
Osparmetrosreferidosanteriormentecaracterizamsepor:
centerScale: Assumir um valor elevado quando para impedir o movimento ao
longodocentroduranteaoptimizao;
CostFunctionConvergenceFactor:Terminarquandoareduodafunodecusto
menor que a preciso (por exemplo, 1e+12 para uma preciso baixa, 1e+7 para
umaprecisomoderadae1e+1paraumaprecisoextremamentealta);
initialScale:Definirofactordeescalainicial;
MaximumNumberOfCorrections: Atribuir a condio de correco mxima (por
defeito5);
MaximumNumberOfEvaluations: Definir o nmero mximo de avaliaes (por
defeito500);
MaximumNumberOfIterations:Definironmeromximodeiteraes(pordefeito
500);
MaximumStepLength:Definirocomprimentodopassoinicial;
MinimumStepLength:Definiratolernciadaconvergncia;
Pgina147de200
NumberOfHistogramBins: Definir o nmero de barras usadas no histograma (o
valortpico50eomnimo5);
NumberOfIterations:Estabelecerumlimiteaonmerodeiteraesaexecutar;
NumberOfSpatialSamples:Atribuironmerodeamostrasespaciaisutilizadaspara
oclculo;
ProjectedGradientTolerance: Terminar quando o gradiente de projeto inferior
tolerncia(ovalortpico1e5);
RelaxationFactor:Definirumfactorderelaxamento(ovalortpico0.5);
translationScale:Definiraescaladatranslao.
De realar que, os valores de ajuste dos parmetros acima definidos, vo vigorar para a
ntegra dos ensaios experimentais a executar com os lotes de imagens de doentes com EM,
identificadosde(1)a(6)naTabela5.7,equeexistenocdigofontedosalgoritmosescolhidos
paraoestudoexperimental,outrosparmetrosquenoforamalterados.
Dos diversos ensaios realizados para a obteno dos parmetros acima identificados, foi
possvel observar que, aps um certo nmero de iteraes, os valores obtidos esto muito
pertododesalinhamentointroduzidonaimagem;assim,ooptimizadorosciladasoluoideal
deumoudoispxeis.Contudo,denotarquehumasriedequestesnotriviaisenvolvidas
no ajuste dos parmetros; por exemplo, o nmero de histogram bins utilizados na estimativa
daIMpodeterefeitosprejudiciaisnocomportamentodooptimizador(Ibnez,Schroederetal.
2005).
Os algoritmos da biblioteca ITK seleccionados para este estudo experimental so
classificadoscomasseguintesterminologia:
(A)ImageRegistration5.cxx;
(B)ImageRegistration7.cxx;
(C)ImageRegistration9.cxx;
(D)ImageRegistration13.cxx;
(E)DeformableRegistration7.cxx;
(F)DeformableRegistration13.cxx.
5.6.3. Resultadosexperimentais
Nos seguintes pontos, so apresentados os resultados obtidos aps o processamento de
imagensdosdoentespelosalgoritmosacimaindicados.
Alinham
5
O
conju
prime
result
origin
indica
Algorit
(A)
(B)
(C)
(D)
(E)
mentodeEstrutu

5.6.3.1. Im
O algoritmo
unto (1) e os
eira linha da
tante do ali
nal.NaTabe
ados(de(B)
Tabe
mo
urasemImagens
magensd
ImageRegis
s parmetros
a Tabela 5.8
nhamento e
la5.8podem
a(F)),aplica
la5.8 Resultado
Imagemmvela
Mdicas:Estudo
oconjunt
stration5.cxx
s definidos p
8. Assim, da
e as discrep
maindaobse
adosnasrefe
odoalinhamento
apsoalinhame
,Desenvolvimen
to(1)
x, identificad
para essa tc
a esquerda p
ncias entre
ervarsenas
eridasimage
odasimagensdo
nto
toeAplicao
do como (A
cnica, produ
para a direit
e esta image
restanteslin
ns.
oconjunto(1)pel
Diferenae
), quando e
z os resultad
ta, aparece
em alinhada
nhasosefeit
osalgoritmos(A)
ntreasimagens
Pgina148de
executado c
dos mostrad
a imagem
e a imagem
tosdosalgor
A)a(F).
apsoalinhame
e200
com o
dos na
mvel
m fixa
ritmos
ento
(F)
P
corre
C
parm
itera
colun
A
comp
algor
comp
proce
o ng
mto
de p
apen
medi
A
amos
Algorit
(A)
(B)
(C)
(D)
(E)
(F)
O
mtri
trans

Para a repr
espondncia
Considerando
metros dess
es e 75,0
nadadireita,
Aps obter
parao esta
ritmos assen
parao dos
essamento,a
gulo de rota
odos norgi
armetros e
as se consid
dadesimila
ATabela5.9
straeparaca
Tabela
mo
Transla
(mm
6,384
6,872
6,862
6,192
Os grficos d
ica, a evolu
sformao,re
resentao
perfeitapro
o a primeira
se algoritmo
0543 segund
,quepersist
o alinhame
atstica, de f
ntes em tr
s valores ob
agrandezaf
o e o fact
idos, as espe
existentes, i
deraram a q
ridadeemca
forneceosp
adaumdosa
5.9 Parmetros
oemx
m)
Transl
(
444 6
28 6,
74 6,
77 6,
da Figura 5
o do ng
espectivame
da coluna
duzumaima
a linha da T
o, para se
dos. Contudo
eumligeiro
ento de tod
forma a obt
ransformae
btidos para
inaldamtr
tor de escala
ecificidades
mpossibilito
quantidade d
adaiterao
parmetrosf
algoritmosa
sdesadafinaisp
laoemy
(mm)
,7408
93732
94934
39013
.9, incluem
ulo e das co
ente.
da direita
agemcomd
Tabela 5.8 e
consumar
o, pode obs
desvionoal
das as imag
ter medidas
es rgidas,
o nmero
icaemcada
a. Nas situa
inerentes s
ou o uso da
de iteraes
.
finaisresulta
anteriorment
produzidospeloa
ngulo()
3,74651
3,7538
3,65972
3,65307
para cada
omponentes
a da Tabel
iferenasnu
os referido
o alinhame
servarse na
inhamentoo
gens, a etap
s qualitativa
o desempe
de iterae
iteraoeq
es em que
s tcnicas, b
a totalidade
s, o tempo
antesdoalin
tedefinidos.
alinhamentodas
Nmerode
iteraes
139
29
817
291
165
3919
iterao do
s (x, y) das
CAPTULOV
a 5.8, uma
las.
os valores nu
nto, foram
a representa
obtido.
pa subseque
s/quantitativ
enho me
es necessr
quandoaplic
e o alinhame
em como, o
dessas cara
de CPU, a g
nhamentoap
imagensdoconju
Valorda
mtrica
277,282
224,208
222,209
0,82603
186,604
1,008
o optimizado
sequncias
VAnliseexper
Pgina149de
a colocao
umricos pa
necessrias
ao presen
ente consis
vas. No cas
edido atrav
rias, o temp
vel,atrans
ento assento
o elevado n
actersticas,
grandeza fin
plicadopri
unto(1).
a
a
Tempo
(s
2 75,0
8 16,5
9 434,
38 21,1
4 1459
4290
or, os valor
da transla
rimental
e200
o em
ara os
s 139
nte na
te na
o dos
s da
po de
lao,
ou em
mero
logo,
nal da
meira
deCPU
s)
0543
345
231
1374
9,52
0,77
res da
o da
Alinham
Fig
A
prime
Fig
Fig
Fig
mentodeEstrutu

(a)
gura5.9Alinha
As Figuras 5
eiroconjunto
(a)
gura5.10Alinha
(a)
gura5.11Alinha
(a)
gura5.12Alinha
urasemImagens
mentodasimage
.10, 5.11 e
odedadose
amentodasimag
amentodasimag
amentodasimag
Mdicas:Estudo
ensdoconjunto(
5.12, ilustr
epelosalgor
gensdoconjunto
gensdoconjunto
ensdoconjunto
,Desenvolvimen
(b)
(1) algoritmo(A
am os par
itmos(B),(C
(b)
(1) algoritmo(B
(b)
(1) algoritmo(C
(b)
(1) algoritmo(D
toeAplicao
A):(a)Mtrica,(b
metros orig
C)e(D),respe
B):(a)Mtrica,(b
C):(a)Mtrica,(b
D):(a)Mtrica,(b
)nguloderota
ginados pelo
ectivamente
b)nguloderota
b)nguloderota
b)nguloderota
Pgina150de
(c)
o,(c)Transla
o alinhamen
e.
(c)
o,(c)Transla
(c)
o,(c)Transla
(c)
ao,(c)Transla
e200
es.
to do
es.
es.
es.
N
hiera
Schro
defor
S
defin
defor
seme
geom
Jisto
P
mxim
ParaV
difere
usada
da es
ilustr
omo
(E)e

21
Para

Nosalgoritm
rquia da tra
oeder et al.
rmaes,ma
Segundo (Ib
ido no dom
rmao a
elhanteda
mtrico no e
oncc.
Para visualiza
mo a verm
View
21
. Esta
entes forma
aaverso3
strutura o c
ramaevolu
ovimento,or
(F),respectiv
Figura5.13
Figura5.14

aView:http://ww
os(E)e(F),
ansformao
2005). Tan
asexigemum
nez, Schroe
nio da imag
presentada
representa
espao de e
ar o vector e
elho, da gr
aplicao, d
tos, utiliza u
.6.1,ondea
campo de v
odamedid
iginadospel
vamente.
(a)
Alinhamentodas
(a)
Alinhamentodas

ww.paraview.org
astransform
aumenta p
ntos factore
mtempodep
eder et al. 2
gem fixa e m
como uma
odeentrad
entrada e um
e o mapa de
elha de def
esenvolvida
uma estrutu
sferramenta
vectores asso
dadesimilari
oalinhamen
simagensdocon
simagensdocon

(acedidoem201
maestmu
rogressivam
s permitem
processamen
2005), na b
mapeado par
imagem co
da.Cadavec
m ponto no
e cores da m
formao,
para tratar
ura com base
asCalculato
ociado. Assi
idadeemos
ntodoprime
njunto(1) algori
njunto(1) algori
10).
umnmero
mente os seu
representa
ntosignificat
iblioteca ITK
a os pxeis m
om vectores
ctorinterpre
o espao de
magnitude, c
possvel u
e mostrar g
e no VTK. N
reGlyphpe
im, os grfic
tramocamp
eiroconjunto
tmo(E):(a)Mtr
tmo(F):(a)Mtr
CAPTULOV
altodepar
s graus de l
r uma gran
tivo.
K o campo d
mtuos na m
s, sendo a d
taadistnci
sada tal q
omo valor m
usar o softw
randes volum
este estudo
ermitemexib
cos das Figu
podedeform
odedadose
(
rica,(b)Campode
(
rica,(b)Campode
VAnliseexper
Pgina151de
metros,por
liberdade (Ib
nde variedad
de deforma
mvel. A grel
dimenso d
iaentreum
que, p
n
= p
mnimo a az
ware opens
mes de dado
o experiment
biremcada
uras 5.13 e
maoquem
epelosalgor
(b)
edeformao.
(b)
edeformao.
rimental
e200
rquea
bnez,
de de
o
lha de
esses,
ponto
p
out
+
ul e o
source
os em
tal foi
ponto
5.14,
mapeia
ritmos
Alinham
5
P
5.10
consi
Algorit
(A)
(B)
(C)
(D)
(E)
mentodeEstrutu

5.6.3.2. Im
Para o segun
e 5.11 e as
derados.
Tabela
mo
urasemImagens
magensd
ndo conjunto
s Figuras 5.
a5.10 Resultad
Imagemmvela
Mdicas:Estudo
oconjunt
o de imagen
15 a 5.20 c
dodoalinhament
apsoalinhame
,Desenvolvimen
to(2)
ns (identifica
com os resu
todasimagensdo
nto
toeAplicao
ado como (2
ultados do a
oconjunto(2)pe
Diferenae
2)), apresent
linhamento
elosalgoritmos(A
ntreasimagens
Pgina152de
tamse as Ta
pelos algor
A)a(F).
apsoalinhame
e200
abelas
ritmos
ento
(F)
Algorit
(A)
(B)
(C)
(D)
(E)
(F)
Fig
Fig

Tabela5
mo
Transla
(mm
2,772
2,692
2,671
0,262
(a)
gura5.15Alinha
(a)
gura5.16Alinha
5.11 Parmetro
oemx
m)
Transl
(
207 19
281 19
116 1
109 5,
amentodasimag
amentodasimag
osdesadafinais
laoemy
(mm)
9,3079
9,4569
19,414
,53342
gensdoconjunto
gensdoconjunto
produzidospelo
ngulo()
3,74092
3,75718
3,7741
5,13003
(b)
(2) algoritmo(A
(b)
(2) algoritmo(B
alinhamentodas
Nmerode
iteraes
125
42
1061
600
365
1950
A):(a)Mtrica,(b
B):(a)Mtrica,(b
CAPTULOV
imagensdoconj
Valorda
mtrica
151,115
128,241
126,778
0,47355
299.565
0.95205
b)nguloderota
b)nguloderota
VAnliseexper
Pgina153de
junto(2).
a
a
Tempo
(s
5 105,
1 38,3
8 891,
51 43,1
5 4638
5 3861
(c)
o,(c)Transla
(c)
o,(c)Transla
rimental
e200
deCPU
s)
397
269
938
108
8,05
1,27
es.
es.
Alinham
Fig
Fig
mentodeEstrutu

(a)
gura5.17Alinha
(a)
gura5.18Alinha
Figura5.19
Figura5.20
urasemImagens
amentodasimag
amentodasimag
(a)
Alinhamentodas
(a)
Alinhamentodas
Mdicas:Estudo
gensdoconjunto
ensdoconjunto
simagensdocon
simagensdocon
,Desenvolvimen
(b)
(2) algoritmo(C
(b)
(2) algoritmo(D
njunto(2) algori
njunto(2) algori
toeAplicao
C):(a)Mtrica,(b
D):(a)Mtrica,(b
tmo(E):(a)Mtr
tmo(F):(a)Mtr
b)nguloderota
b)nguloderota
(
rica,(b)Campode
(
rica,(b)Campode
Pgina154de
(c)
o,(c)Transla
(c)
ao,(c)Transla
(b)
edeformao.
(b)
edeformao.
e200
es.
es.
5
P
5.21a
Algorit
(A)
(B)
(C)
(D)
(E)
(F)

5.6.3.3. Im
Para o tercei
a5.26como
Tabela
mos
)
)
)
)
magensd
iro conjunto
osresultados
a5.12 Resultad
Imagemmvel
oconjunt
de imagens
sdoalinham
dodoalinhament
apsoalinhame
to(3)
s, apresenta
mentopelosa
todasimagensdo
ento
mse as Tab
algoritmosco
oconjunto(3)pe
Diferenae
CAPTULOV
belas 5.12 e
onsiderados.
elosalgoritmos(A
entreasimagens
VAnliseexper
Pgina155de
5.13 e as F
.
A)a(F).
apsoalinhame
rimental
e200
iguras
ento
Alinham
Algorit
(A)
(B)
(C)
(D)
(E)
(F)
Fig
Fig
mentodeEstrutu

Tabela5
mos
Transla
(mm
) 0,313
) 0,191
) 0,18
) 0,334

(a)
gura5.21Alinha
(a)
gura5.22Alinha
urasemImagens
5.13 Parmetro
oemx
m)
Trans
3355 5
1581 4
8663 4
4201 5
amentodasimag
amentodasimag
Mdicas:Estudo
osdesadafinais
slaoemy
(mm)
5,30018
4,96509
4,96196
5,45708
gensdoconjunto
gensdoconjunto
,Desenvolvimen
produzidospelo
ngulo()
1,74056
1,73939
1,73399
1,63919
(b)
(3) algoritmo(A
(b)
(3) algoritmo(B
toeAplicao
alinhamentodas
Nmerode
iteraes
197
38
1177
315
82
2724
A):(a)Mtrica,(b
B):(a)Mtrica,(b
imagensdoconj
Valorda
mtrica
174,339
157,004
156,977
0,77343
140,196
0,95655
b)nguloderota
b)nguloderota
Pgina156de
junto(3).
a
a
Tempo
(s
9 172,
4 37,7
7 1012
34 23,0
6 1808
59 5103
(c)
o,(c)Transla
(c)
o,(c)Transla
e200
deCPU
s)
,701
7659
2,84
0472
8,47
3,06
es.
es.
Fig
Fig

(a)
gura5.23Alinha
(a)
gura5.24Alinha
Figura5.25
Figura5.26
amentodasimag
amentodasimag
(a)
Alinhamentodas
(a)
Alinhamentodas
gensdoconjunto
ensdoconjunto
simagensdocon
simagensdocon
(b)
(3) algoritmo(C
(b)
(3) algoritmo(D
njunto(3) algori
njunto(3) algori
C):(a)Mtrica,(b
D):(a)Mtrica,(b
tmo(E):(a)Mtr
tmo(F):(a)Mtr
CAPTULOV
b)nguloderota
b)nguloderota
(
rica,(b)Campode
(
rica,(b)Campode
VAnliseexper
Pgina157de
(c)
o,(c)Transla
(c)
ao,(c)Transla
(b)
edeformao.
(b)
edeformao.
rimental
e200
es.
es.
Alinham
5
P
a5.32
Algorit
(A)
(B)
(C)
(D)
(E)
(F)
mentodeEstrutu

5.6.3.4. Im
Paraoquarto
2comosres
Tabela
mos
)
)
)
)
urasemImagens
magensd
oconjuntod
sultadosdoa
a5.14 Resultad
Imagemmvel
Mdicas:Estudo
oconjunt
eimagens,a
alinhamento
dodoalinhament
apsoalinhame
,Desenvolvimen
to(4)
apresentam
opelosalgori
todasimagensdo
ento
toeAplicao
seasTabela
tmoseman
oconjunto(4)pe
Diferenae
s5.14e5.15
lise.
elosalgoritmos(A
entreasimagens
Pgina158de
5easFigura
A)a(F).
apsoalinhame
e200
s5.27
ento
Algorit
(A)
(B)
(C)
(D)
(E)
(F)
Fig
Fig

Tabela5
mos
Transla
(mm
) 4,64
) 1,447
) 0,806
) 1,43

(a)
gura5.27Alinha
(a)
gura5.28Alinha
5.15 Parmetro
oemx
m)
Trans
4796 9
771 3
6243 3
3914 2
amentodasimag
amentodasimag
osdesadafinais
slaoemy
(mm)
9,22563
33,1255
32,6269
2,43952
gensdoconjunto
gensdoconjunto
produzidospelo
ngulo()
22,6166
2,10919
2,55561
18,4386
(b)
(4) algoritmo(A
(b)
(4) algoritmo(B
alinhamentodas
Nmerode
iteraes
192
52
1500
402
2
877
A):(a)Mtrica,(b
B):(a)Mtrica,(b
CAPTULOV
imagensdoconj
Valorda
mtrica
1493,74
1426,54
1354,17
0,29245
1439,16
0,48648
b)nguloderota
b)ngulo derota
VAnliseexper
Pgina159de
junto(4).
a
a
Tempo
(s
4 153,
4 48,7
7 1293
59 28,0
6 199,
82 1584
(c)
o,(c)Transla
(c)
o,(c)Transla
rimental
e200
deCPU
s)
,234
7892
3,23
0588
,597
4,83
es.
es.
Alinham
Fig
Fig
mentodeEstrutu

(a)
gura5.29Alinha
(a)
gura5.30Alinha
Figura5.31
Figura5.32
urasemImagens
amentodasimag
amentodasimag
(a)
Alinhamentodas
(a)
Alinhamentodas
Mdicas:Estudo
gensdoconjunto
ensdoconjunto
simagensdocon
simagensdocon
,Desenvolvimen
(b)
(4) algoritmo(C
(b)
(4) algoritmo(D
njunto(4) algori
njunto(4) algori
toeAplicao
C):(a)Mtrica,(b
D):(a)Mtrica,(b
tmo(E):(a)Mtr
tmo(F):(a)Mtr
b)nguloderota
b)nguloderota
(
rica,(b)Campode
(
rica,(b)Campode
Pgina160de
(c)
o,(c)Transla
(c)
ao,(c)Transla
(b)
edeformao.
(b)
edeformao.
e200
es.
es.
5
P
a5.38
Algorit
(A)
(B)
(C)
(D)
(E)
(F)

5.6.3.5. Im
Paraoquinto
8comosres
Tabela
mos
)
)
)
)
magensd
oconjuntode
sultadosdoa
a5.16 Resultad
Imagemmvel
oconjunt
eimagens,a
alinhamento
dodoalinhament
apsoalinhame
to(5)
apresentam
opelosalgori
todasimagensdo
ento
seasTabela
tmosemcom
oconjunto(5)pe
Diferenae
CAPTULOV
s5.16e5.17
mparao.
elosalgoritmos(A
entreasimagens
VAnliseexper
Pgina161de
7easFigura
A)a(F).
apsoalinhame
rimental
e200
s5.33
ento
Alinham
Algorit
(A)
(B)
(C)
(D)
(E)
(F)
Fig
Fig
mentodeEstrutu

Tabela5
mos
Transla
(mm
) 6,37
) 0,072
) 0,163
) 1,24

(a)
gura5.33Alinha
(a)
gura5.34Alinha
urasemImagens
5.17 Parmetro
oemx
m)
Trans
7394 6
26773 1
3241 2
4847 1
amentodasimag
amentodasimag
Mdicas:Estudo
osdesadafinais
slaoemy
(mm)
6,00524
14,6936
21,4684
1,12614
gensdoconjunto
gensdoconjunto
,Desenvolvimen
produzidospelo
ngulo()
20,9811
3,6622
0,0520678
10,0055
(b)
(5) algoritmo(A
(b)
(5) algoritmo(B
toeAplicao
alinhamentodas
Nmerode
iteraes
212
90
1206
138
123
706
A):(a)Mtrica,(b
B):(a)Mtrica,(b
imagensdoconj
Valorda
mtrica
1409,1
1243,32
1318,73
0,33520
1028,83
0,49183
b)nguloderota
b)nguloderota
Pgina162de
junto(5).
a
a
Tempo
(s
1 167,
2 85,7
3 1016
03 9,77
3 4542
36 149
(c)
o,(c)Transla
(c)
o,(c)Transla
e200
deCPU
s)
,946
7295
6,26
7578
2,87
91,3
es.
es.
Fig
Fig

(a)
gura5.35Alinha
(a)
gura5.36Alinha
Figura5.37
Figura5.38
amentodasimag
amentodasimag
(a)
Alinhamentodas
(a)
Alinhamentodas
gensdoconjunto
ensdoconjunto
simagensdocon
simagensdocon
(b)
(5) algoritmo(C
(b)
(5) algoritmo(D
njunto(5) algori
njunto(5) algori
C):(a)Mtrica,(b
D):(a)Mtrica,(b
tmo(E):(a)Mtr
tmo(F):(a)Mtr
CAPTULOV
b)nguloderota
b)nguloderota
(
rica,(b)Campode
(
rica,(b)Campode
VAnliseexper
Pgina163de
(c)
o,(c)Transla
(c)
ao,(c)Transla
(b)
edeformao.
(b)
edeformao.
rimental
e200
es.
es.
Alinham
5
P
a5.44
Algorit
(A)
(B)
(C)
(D)
(E)
(F)
mentodeEstrutu

5.6.3.6. Im
Paraosexto
4comosres
Tabela
mos
)
)
)
)
urasemImagens
magensd
conjuntode
sultadosdoa
a5.18 Resultad
Imagemmvel
Mdicas:Estudo
oconjunt
eimagens,ap
alinhamento
dodoalinhament
apsoalinhame
,Desenvolvimen
to(6)
presentams
opelosalgori
todasimagensdo
ento
toeAplicao
seasTabelas
tmosemtes
oconjunto(6)pe
Diferenae
s5.18e5.19
ste.
elosalgoritmos(A
entreasimagens
Pgina164de
9easFigura
A)a(F).
apsoalinhame
e200
s5.39
ento
Algorit
(A)
(B)
(C)
(D)
(E)
(F)
Fig
Fig

Tabela5
mos
Transla
(mm
) 2,877
) 4,85
) 4,68
) 0,526

(a)
gura5.39Alinha
(a)
gura5.40Alinha
5.19 Parmetro
oemx
m)
Trans
736 2
5272 6
8341 4
6044 0
amentodasimag
amentodasimag
osdesadafinais
slaoemy
(mm)
2,83965
6,29018
4,3456
,376993
gensdoconjunto
gensdoconjunto
produzidospelo
ngulo()
31,375
0,728566
11,6155
2,02847
(b)
(6) algoritmo(A
(b)
(6) algoritmo(B
alinhamentodas
Nmerode
iteraes
153
58
1042
117
161
2605
A):(a)Mtrica,(b
B):(a)Mtrica,(b
CAPTULOV
imagensdoconj
Valorda
mtrica
2203,47
2115,05
1116,91
0,37699
699,785
0,66789
b)nguloderota
b)nguloderota
VAnliseexper
Pgina165de
junto(6).
a
a
Tempo
(s
7 53,9
5 21,3
1 323,
93 8,55
5 1398
94 1980
(c)
o,(c)Transla
(c)
o,(c)Transla
rimental
e200
deCPU
s)
9438
3529
,302
5328
8,88
0,96
es.
es.
Alinham
Fig
Fig
mentodeEstrutu

(a)
gura5.41Alinha
(a)
gura5.42Alinha
Figura5.43
Figura5.44
urasemImagens
amentodasimag
amentodasimag
(a)
Alinhamentodas
(a)
Alinhamentodas
Mdicas:Estudo
gensdoconjunto
ensdoconjunto
simagensdocon
simagensdocon
,Desenvolvimen
(b)
(6) algoritmo(C
(b)
(6) algoritmo(D
njunto(6) algori
njunto(6) algori
toeAplicao
C):(a)Mtrica,(b
D):(a)Mtrica,(b
tmo(E):(a)Mtr
tmo(F):(a)Mtr
b)nguloderota
b)nguloderota
(
rica,(b)Campode
(
rica,(b)Campode
Pgina166de
(c)
o,(c)Transla
(c)
ao,(c)Transla
(b)
edeformao.
(b)
edeformao.
e200
es.
es.
Pgina167de200
5.6.4. Anlisecomparativadosresultados
Asexperinciasanterioresrealizaramsealinhandocadaconjuntodeimagem(designados
de (1) a (6)) com todos os algoritmos seleccionados, o que totaliza 36 combinaes distintas.
Sobressai a opo por quatro tcnicas que possibilitam o alinhamento baseandose numa
transformao rgida e por outras duas que o permitem atravs de meios norgidos. Assim,
nesta seco so analisadas e discutidas as figuras e as tabelas apresentadas na anterior, de
acordo com os objectivos definidos e por comparao entre os diversos algoritmos da
biblioteca ITK seleccionados para este estudo experimental, procurando interpretar e
comentar as situaes excepcionais e justificar as diferenas encontradas. De salientar que,
todos os algoritmos deste estudo experimental foram todos ensaiados com os parmetros
definidosem5.6.2.
Na Tabela 5.9 podem ser vistos os resultados finais dos parmetros produzidos aquando
do alinhamento do grupo de imagem (1), respectivamente, com os algoritmos (A) a (F).
Observase que existem entre estes, variaes significativas nos valores do tempo de
processamentoenosdaquantidadedeiteraes,variamentre29parao(B)e3919parao(F),
aoinvsdasgrandezasdastranslaeserotaesquesomuitosimilares.
Examinando os grficos das Figuras 5.9 a 5.14, verificase que o valor da mtrica varia
medida que o optimizador avana e que aps um determinado nmero de iteraes, quase
no oscila. O comportamento revelado por estas parcelas normalmente permite identificar
melhoriasnaconfiguraodosparmetrosassociadosaoalinhamento(Ibnez,Schroederetal.
2005). Deste modo, se a mtrica possibilita medir quantitativamente o quo bem a imagem
mvel transformada se encaixa na imagem fixa original, comparando a intensidade das
imagens,entoovalorptimodaclasse:
itk::MeanSquaresImageToImageMetric, presente nos algoritmos (A), (B), (C) e (E),
deve idealmente ser zero, sendo que baixas correspondncias entre as imagens,
resultamemaltosvaloresdocritriodesimilaridade;
itk::MattesMutualInformationImageToImageMetric, existente em (D) e (F), atinge
oseumximonacondiodealinhamentodasimagens;assim,setenderparazero
indicaqueamtricanoencontraamelhorcorrespondnciapossvel.
Disto observase que apenas os algoritmos (D) e (F) empregam uma mtrica baseada na
teoria da informao. Contudo, no captulo IV, indicase que os algoritmos que utilizam estes
critriosdesimilaridadesomaispopularesnoalinhamentonorgidodeimagens(Zagorchev
andGoshtasby2006),ora,verificasequeoalgoritmo(D)assentaemtransformaeslineares.
Assim,bastantepermutveleadaptvelsdiversastransformaes.
Observando na Tabela 5.9 o campo que contm o valor da mtrica no final do
alinhamento, percebese que os valores so distintos dos ptimos, indicando que no foi
possvel encontrar a melhor correspondncia possvel, o que resulta nas discrepncias
observveisnacolunadadireitadaTabela5.8.
Nas Figuras 5.9 a 5.12 verificase ainda que, as curvas de rotao e de translao podem
sermaisoumenossuave,dependodoalgoritmoemestudo.Nessesgrficos,observaseainda
Pgina168de200
que o comportamento bastante suave, indica que um maior comprimento do passo pode
facilmentesersuportadopelooptimizador.
Nas Figuras 5.13 e 5.14, o campo de deformao, que contm informao respeitante s
desigualdades entre as duas imagens e empregue para quantificar a deslocao do tecido,
apresentadadosemconcordnciacomosalcanadospelosoutrosalgoritmos,isto,deforma
maisoumenosacentuada,umarotaoconjuntamentecomtranslaessegundoxey.
TendoporbasesomenteosvaloresfinaisdasmedidasdesimilaridadepresentesnaTabela
5.9, no caso do primeiro conjunto de imagens o melhor alinhamento alcanado pelo
algoritmo (E). Contudo, observase que o tempo de processamento em muito superior ao
dosalgoritmosquetmporbasetransformaeslineares.
Sendo que o principal objectivo do alinhamento de imagens consiste em rectificar uma
imagem de modo a que a resultante possua o mesmo sistema de coordenadas da de
referncia, observase na coluna da esquerda da Tabela 5.10, que o algoritmo (E) originou
imensas disparidades no desfecho esperado. Neste segundo conjunto de imagens, na Tabela
5.11 tambm possvel notar que o algoritmo (D) produziu, relativamente s translaes e
rotao, informao bastante distinta da fornecida pelas tcnicas (A), (B) e (C). Assim, nesta
discussoderesultadosnoseconsideramosresultadosgeradospelosalgoritmos(D)e(E).
Comparativamente com o conjunto (1), na Tabela 5.11 verificase que, excepo do
algoritmo (F), foi necessrio ao segundo grupo de imagens um tempo de processamento
superior.Emsentidoinverso,observasequeosvaloresdamtricaforammelhoresparaestas
imagens,masaindamuitolongedaimportnciaptima.Analogamentecomoquesucedeuno
primeiro grupo de imagens, o alinhamento resultante apresentou discrepncias, conforme
observvel na coluna da direita da Tabela 5.10. Estas divergncias so algo inferiores s
verificadas anteriormente com o conjunto (1), porque o valor obtido pela medida de
similaridade,encontrasemaisprximodoqueconsideradocomoptimo.
Conforme se verifica pelos grficos das Figuras 5.15 e 5.16, a partir de uma determinada
iterao no h modificaes significativas no comportamento da mtrica e do ngulo, mas
numa fase inicial, esses parmetros apresentam bastantes irregularidades. Ao invs, nas
Figuras 5.17 e 5.20, esses factores, neste caso, apenas a medida de similaridade, apresentam
umcomportamentoalgosuavedesdeasprimeirasiteraes.
Pode ser visto nos grficos (c) das Figuras 5.15 e 5.16 que o comprimento do passo
reduzido progressivamente medida que o optimizador se aproxima do valor extremo do
critriodesimilaridade.
Baseandose exclusivamente nos valores finais da mtrica da Tabela 5.11, no caso do
conjunto(2)dedados,omelhoralinhamentoobtidopeloalgoritmo(C).Contudo,observase
que o tempo de processamento muito elevado, quando comparado com os tempos dos
outrosalgoritmosbaseadosemtransformaeslineares.
As imagens presentes no segundo e no terceiro conjunto pertencem ao mesmo doente.
ObservandoasfigurasdaTabela5.7,constatasequeadiferenainicialentreasimagensfixae
mvel quase idntica entre os dois lotes. Confrontando os dados da Tabela 5.11 (para o
Pgina169de200
conjunto (2)) com os da Tabela 5.13 (para o conjunto (3)), verificase que nesta ltima,
excepo do algoritmo (E), os tempos de processamento e o valor final da mtrica so
parecidos ou substancialmente superiores. Constatase ainda que novamente impossvel
encontrar uma correspondncia perfeita, o que resulta nas discrepncias observveis na
colunadadireitadaTabela5.12.
Na Tabela 5.13, os valores obtidos para as translaes em x e y divergem
significativamente entre algoritmos. Tendo por base os valores finais da mtrica considerada,
depreendese que os algoritmos (B) e (C) esto mais prximos dos valores ptimos, assim, as
translaesestimadasmaiscorrectas,soasassociadasaestesalgoritmos.
Talcomosucedecomoconjunto(2)deimagens,nosgrficosdosalgoritmos(A)e(B)das
Figuras5.21e5.22,verificasequeapartirdeumadeterminadaiteraonohouvealteraes
significantes no comportamento da mtrica e do ngulo, mas numa fase inicial eles
apresentaramvariaessignificativas.Nosrestantesalgoritmosverificaseumpercursosuave
aolongodasiteraesefectuadas.
Para o conjunto (3), nas figuras das diferenas entre as imagens aps o alinhamento,
colunadireitadaTabela5.12,podeservistoquenofoiobtidaumacorrespondnciaperfeita,
contudo,asdiscrepnciasverificadasforamrelativamentebaixas.
ConsiderandoexclusivamenteosvaloresfinaisdamtricaapresentadosnaTabela5.13,no
casodoconjunto(3)deimagensomelhoralinhamentoobtidopeloalgoritmo(E).Contudo,
observase que o tempo de CPU exigido foi muito elevado quando comparado com o dos
algoritmosqueassentamtransformaeslineares.
Observandose as Tabelas 5.14 e 5.15, podese afirmarse que a amostra (4) exibe
resultadosinsatisfatrios,pois:
Nasimagensdasdiferenasentreasimagensoriginaleapsoalinhamento,coluna
da direita da Tabela 5.14, reparase que somente a tcnica (B) aparentou uma
correspondnciasatisfatria;
Osvaloresnumricosdasmtricasforambastantemaisafastadosdosptimosdo
quenosconjuntosanteriores;
Onmeromximodeiteraespossveisfoiatingidonoalgoritmo(C);
Noalgoritmo(E)apenasforamexecutadasduasiteraesantesdeseralcanadaa
tolernciadooptimizador.
Provavelmente os factos anteriores surgem pelo facto das imagens deste conjunto
apresentarem intensidades muito distintas entre si. Ora as imagens do lote (5) pertencem ao
mesmo doente que estas e observando a Tabela 5.16, podese concluir que somente no
algoritmo(B)aparentouumalinhamentosuficienteporque,porexemplo,nosalgoritmos(E)e
(F) a imagem mvel aps o alinhamento, apresentouse bastante distorcida. Assim, com este
tipoderesultadoseparaestasduasamostrasdoestudoexperimental,apenasvivelconcluir
que estes seis algoritmos, com os parmetros atribudos inicialmente, no retornaram as
Pgina170de200
correspondncias desejadas ou qualquer resultado prximo disso. A classe
itk::MeanSquaresImageToImageMetric calcula as similaridades entre os pxeis das imagens
numa regio definida pelo utilizador. Deste modo, a delimitao dessa rea no
especificamente para estes conjuntos de imagens, provavelmente provocou alteraes
significativasnoresultadodamedidadesimilaridadeedestaformatambmnooptimizador.
O conjunto (6) compese de uma imagem extrada de uma base de imagens mdicas
simuladas e de outra propositadamente desalinhada segundo uma rotao de 90 para este
estudo experimental. Das Tabelas 5.18 e 5.19 observase que os algoritmos no foram
suficientemente maleveis para o clculo de rotaes com grandes diferenas, retornando
resultados distantes dos ptimos. Assim, tal como aconteceu com os conjuntos (4) e (5) de
imagens e como os resultados obtidos no corresponderam ao desalinhamento
intencionalmente inserido, podese apontar ao facto de que a definio dos parmetros dos
algoritmosdealinhamentonofoiamaisindicadaparaestetipodesituao.
Analisados os resultados obtidos nos ensaios realizados para as diversas imagens e
algoritmos considerados, no se denotou um equilbrio entre as tcnicas aplicadas, de tal
formaque,otempodeexecuodispendidoparadeterminaroalinhamentodeimagenspelos
algoritmos com base em transformaes norgidas foi bastante alto, o que se deve
provavelmentenecessidadederesolveroproblemaassociadoaumaelevadaquantidadede
parmetros. Nos algoritmos que utilizam a mtrica
itk::MattesMutualInformationImageToImageMetric, verificouse que o tempo de CPU
influenciadopelonmerodeamostras(NumberOfSpatialSamples)usadas.NabibliotecaITK,a
implementao da transformao itk::BSplineDeformableTransform, que empregue nos
algoritmos (E) e (F), aparentou no ser ptima pois no se mostrou suficientemente flexvel
paraoclculodegrandesrotaes,translaesoudiferenasdeescala,talcomofoiverificado
em(Ibnez,Schroederetal.2005).
Como salientado anteriormente, os valores numricos dos parmetros dos algoritmos de
alinhamento foram usados em todos os conjuntos de imagens analisados neste estudo
experimental.Assim,provavelmenteosparmetroscarecemdeajusteespecficoaostiposde
estruturasaalinhareaosgnerosdedesalinhamentosesperados,comosucedeporexemplo:
No algoritmo ImageRegistration9.cxx, onde os parmetros da matriz de rotao,
que no foram modificados no cdigo fonte, para certos conjuntos de imagens
aparentam ser diferentes, em alguns casos maiores noutros menores, dos
existentes;
No algoritmo (D), onde o NumberOfHistogramBins e o NumberOfSpatialSamples,
que foram alterados no cdigo fonte, devem ser insuficientes para produzir
diferenciaoclaradetodosostecidosimportantesparaaaplicao.
Assim, para a resoluo do alinhamento monomodal e intrapaciente de estruturas em
imagens de doentes com esclerose mltipla, os algoritmos da biblioteca ITK baseados em
transformaes lineares, apresentaram resultados razoveis, podendo ser substancialmente
melhorados desde que todos os parmetros sejam ajustados a cada conjunto de imagens. A
colocaoemcorrespondnciacombaseemtcnicasnolineares,devidoaoelevadonmero
Pgina171de200
degrausdeliberdadeesuacomplexidadecomputacional,careceutambmdesteajustepara
queestetipodealgoritmofossemelhoraalinharasestruturasdecrebrosdosdoentes.
De modo geral, nas vrias experincias realizadas neste estudo, verificouse a colocao
em correspondncia das imagens muito dependente do problema a resolver, sendo que h
factores fundamentais para a qualidade dos alinhamentos obtidos; isto , as imagens
disponveis e os parmetros seleccionados, nomeadamente, os associados ao mtodo de
optimizaoeaocritriodesimilaridade.Amtricatalvezoelementomaiscrticodetodoo
processo,porquealgumastmumagrandegamaenquantooutrasrequeremumainicializao
prxima da posio ideal e, infelizmente, no existem regras claras sobre como escolhla
(Ibnez, Schroeder et al. 2005), sendo que a sensibilidade de todas estas configuraes,
apenasexperimentalmenteconseguesercorrectamenteajustada.
5.7. Algoritmodealinhamentodesenvolvido
Com a biblioteca ITK, o alinhamento de imagens realizado dentro de um quadro de
componentes conectveis (pluggable) que podem facilmente ser trocados e/ou permutados.
Porquenosofeitassuposiessobreanaturezadarelaoentreasimagens,estescritrios
somuitogeraisepodemseraplicadosnumagrandevariedadedeaplicaes.
Esta seco tem como propsito demonstrar aspectos da implementao e ensaio de um
algoritmodesenvolvidoparaauxiliarnoalinhamentodeimagensporRMdedoentescomEM,
bem como, analisar e comparar o seu desempenho com alguns dos algoritmos descritos e
ensaiados na seco 5.6, sabendose que utiliza caractersticas, como a mtrica e a
transformao,distintas.
5.7.1. Descriodoalgoritmo
Paraevitartemposdeprocessamentoexcessivamenteelevados,bemcomo,autilizaode
transformaes complexas e com imensos parmetros ou que no so adequadas ao clculo
de grandes rotaes, translaes ou diferenas de escala, tal como sucede com a classe
itk::BSplineDeformableTransform, optouse pelo desenvolvimento de um algoritmo com base
numa transformao linear. Da seco 5.6, verificase que os algoritmos com este tipo de
transformaesempregamessencialmenteasseguintesclassesdoITK:
Transformaes:itk::AffineTransformeitk::CenteredRigid2DTransform;
Optimizador:itk::RegularStepGradientDescentOptimizer;
Critrios de similaridade: itk::MattesMutualInformationImageToImageMetric e
itk::MeanSquaresImageToImageMetric (este mais adequado ao alinhamento de
imagensdeumamesmamodalidade);
Interpolao:itk::LinearInterpolateImageFunction.
Pgina172de200
Parapermitiracomparaocomosalgoritmosensaiadosnaseco5.6,bemcomo,obter
ummtodoautomticoerpidoparaoalinhamento,combasenumatransformaorgida,de
imagens por RM de doentes com EM, no desenvolvimento desta soluo usouse uma
combinaodistintadestasmesmasclasses.Assim,parainiciaroprocesso,umaimagemfixae
uma mvel so colocadas na entrada do pipeline, em tudo semelhante ao da Figura 5.6. De
forma a propiciar um correcto funcionamento da transformao escolhida
(itk::AffineTransform)tambminseridonopipelineumInitializer.Paraaoperaodesignada
de Registration no pipeline da Figura 5.6 so adicionados os componentes (Ibnez, Schroeder
etal.2005):
Atransformaorepresentadapelaclasseitk::AffineTransform;
Ooptimizadoroitk::RegularStepGradientDescentOptimizer;
O critrio de similaridade escolhido o definido pela classe
itk::MattesMutualInformationImageToImageMetric, isto por ser mais suave e
adequado ao mtodo de optimizao seleccionado, mas tambm por se tratar de
umaespecificaoquenocomprometeemtermosdetempodeprocessamentoe
porqueaactualformadedependncianoprecisadeserespecificada;
O interpolador seleccionado o itk::LinearInterpolateImageFunction, sendo os
principais motivos pela sua escolha, os factos de ser a forma mais simples de
interpolaoedeserumadasqueacarretaummenorcustocomputacional.
ObservandoaTabela5.3,podeverificarsequeestaselecoequivaleemalterarsomente
o tipo de transformao presente no ImageRegistration4.cxx e no ImageRegistration13.cxx,
bemcomo,amtricanoImageRegistration9.cxx.
Com o desenvolvimento deste algoritmo, combinouse as classes referidas de forma a
obter um que no existisse nos exemplos prticos da verso usada da biblioteca ITK, bem
como,tentousepercebersepossvelobtermelhoresdesempenhos,porexemplo,diminuiro
tempo de CPU, mantendo a qualidade do alinhamento dentro de valores considerados
aceitveis, comparandoo aos algoritmos ImageRegistration9.cxx e ImageRegistration13.cxx,
estudadosnaseco5.6,quandosetem:
Umatransformaoquepodesermaiseficazemtermosdecustocomputacional,
quandoaplicadaapsoutramaissimplesqueremovaasprincipaiscomponentes
dedesalinhamento;
Uma mtrica onde o tamanho da amostra tambm aumenta gradualmente
medida que o algoritmo se desloca ao longo do conjunto de elementos bsicos
(diversasfases)doalinhamento,oqueproporcionaumaumentodevelocidade,e
ajudaooptimizadoraevitarmnimoslocais.
Almejaseaindacomodesenvolvimentodestealgoritmo,verificarseosresultadosobtidos
do processamento do conjunto de imagens considerado, permitem averiguar se o uso de
parmetros especificamente estabelecidos para esses dados garantem um alinhamento mais
prximododesejado.
O
pacie
A
incio
#includ
#includ
#includ
#includ
#includ
#includ
#includ
#includ
#includ
#includ
#includ
#includ
#includ
#includ
#includ
#includ

O pipeline da
entescomEM
Fig
Assim, o func
odoprogram
de"itkImageRegi
de"itkImage.h"
de"itkImageFileR
de"itkImageFileW
de"itkAffineTran
de"itkCenteredT
de"itkRegularSte
de"itkMattesMu
de"itkLinearInter
de"itkGDCMIma
de"itkResampleI
de"itkCastImage
de"itkSubtractIm
de"itkRescaleInt
de"itkTimeProbe
de"itkCommand
a Figura 5.4
M,asdiversa
gura5.45Pipelin
cionamento
masodeclar
strationMethod.
Reader.h"
Writer.h"
nsform.h"
TransformInitializ
epGradientDesce
utualInformationI
rpolateImageFun
geIO.h"
mageFilter.h"
Filter.h"
mageFilter.h"
ensityImageFilte
esCollectorBase.h
.h"
45 apresenta
asetapasimp
neparaoalinham
do algoritm
radastodasa
h"
er.h"
ntOptimizer.h"
mageToImageMe
nction.h"
r.h"
h"
a, para o al
plementadas
mentodasimage
mo pode ser
asheaderfile
etric.h"
inhamento d
snoalgoritm
nsusando oalgo
analisado at
es,atravsd
CAPTULOV
de duas ima
modesenvolv
oritmodesenvolvi
travs do seg
docomando
VAnliseexper
Pgina173de
agens por R
vido.
ido.
guinte cdig
include.
rimental
e200
RM de
go. No
Pgina174de200
De seguida inseriuse as definies usadas posteriormente para contabilizar o tempo de
processamento(CPU)dispendidopeloalgoritmo.
#ifdefITK_USE_REVIEW
#include"itkMemoryProbesCollectorBase.h"
#defineitkProbesCreate()\
itk::TimeProbesCollectorBasechronometer;\
itk::MemoryProbesCollectorBasememorymeter
#defineitkProbesStart(text)memorymeter.Start(text);chronometer.Start(text)
#defineitkProbesStop(text)chronometer.Stop(text);memorymeter.Stop(text)
#defineitkProbesReport(stream)chronometer.Report(stream);memorymeter.Report(stream)
#else
#defineitkProbesCreate()\
itk::TimeProbesCollectorBasechronometer
#defineitkProbesStart(text)chronometer.Start(text)
#defineitkProbesStop(text)chronometer.Stop(text)
#defineitkProbesReport(stream)chronometer.Report(stream)
#endif
As linhas seguintes implementaram o cdigo usado para monitorizar a evoluo do
processodealinhamento.
classCommandIterationUpdate:publicitk::Command
{
public:
typedefCommandIterationUpdateSelf;
typedefitk::CommandSuperclass;
typedefitk::SmartPointer<Self>Pointer;
itkNewMacro(Self);
protected:
CommandIterationUpdate(){};
public:
typedefitk::RegularStepGradientDescentOptimizerOptimizerType;
typedefconstOptimizerType*OptimizerPointer;
voidExecute(itk::Object*caller,constitk::EventObject&event)
Pgina175de200
{
Execute((constitk::Object*)caller,event);
}
voidExecute(constitk::Object*object,constitk::EventObject&event)
{
OptimizerPointeroptimizer=dynamic_cast<OptimizerPointer>(object);
if(!itk::IterationEvent().CheckEvent(&event))
{
return;
}
std::cout<<optimizer>GetCurrentIteration()<<"";
std::cout<<optimizer>GetValue()<<"";
std::cout<<optimizer>GetCurrentPosition()<<std::endl;
vnl_matrix<double>p(2,2);
p[0][0]=(double)optimizer>GetCurrentPosition()[0];
vnl_svd<double>svd(p);
vnl_matrix<double>r(2,2);
r=svd.U()*vnl_transpose(svd.V());
doubleangle=vcl_asin(r[1][0]);
//std::cout<<"AffineAngle:"<<angle*180.0/vnl_math::pi<<std::endl;
//Guardarosparmetrosnumficheirodetexto
usingnamespacestd;
std::ofstreamoutfile;
if(outfile.is_open())
{
Pgina176de200
//Quantidadedeiteraes
outfile<<optimizer>GetCurrentIteration()<<"";
//Valordamtrica
outfile<<optimizer>GetValue()<<"";
//Valoresdastranslaes(x,y)
outfile<<(double)optimizer>GetCurrentPosition()[4]<<"";
outfile<<(double)optimizer>GetCurrentPosition()[5]<<"";
//Valordongulo(em)
outfile<<angle*180.0/vnl_math::pi<<""<<std::endl;
outfile.close();
}
}
};
Arotinaprincipaldoalgoritmodesenvolvido:
intmain(intargc,char*argv[])
{
//Verificaraquantidadedeinstruesnalinhadecomando
if(argc<4)
{
std::cerr<<"Incorrectnumberofarguments("<<argc<<").Usage:"<<std::endl;
std::cerr<<argv[0]<<"fixedImageFilemovingImageFileoutputImagefile"<<std::endl;
std::cerr<<"[differenceBeforeRegistration][differenceAfterRegistration]"<<std::endl;
returnEXIT_FAILURE;
}
//Definiradimensoeotipodasvariveis/imagens
constunsignedintDimension=2;
//typedeffloatPixelType;
typedefunsignedshortPixelType;
//Iniciarotipodevariveisdeentrada
typedefitk::Image<PixelType,Dimension>FixedImageType;
typedefitk::Image<PixelType,Dimension>MovingImageType;
//Indicarasclassesusadasnoprocesso
Pgina177de200
typedefitk::AffineTransform<double,Dimension>TransformType;
typedefitk::RegularStepGradientDescentOptimizerOptimizerType;
typedefitk::MattesMutualInformationImageToImageMetric<FixedImageType,MovingImageType>MetricType;
typedefitk::LinearInterpolateImageFunction<MovingImageType,double>InterpolatorType;
//Construirosobjectosdasclassesusadasnoprocesso
TransformType::Pointertransform=TransformType::New();
OptimizerType::Pointeroptimizer=OptimizerType::New();
MetricType::Pointermetric=MetricType::New();
InterpolatorType::Pointerinterpolator=InterpolatorType::New();
//Iniciaromtododealinhamento
typedefitk::ImageRegistrationMethod<FixedImageType,MovingImageType>RegistrationType;
RegistrationType::Pointerregistration=RegistrationType::New();
//ConectarosobjectosaoRegistration
registration>SetTransform(transform);
registration>SetMetric(metric);
registration>SetOptimizer(optimizer);
registration>SetInterpolator(interpolator);
//Lerdosficheirosdeentradaasimagensfixaemvel
typedefitk::ImageFileReader<FixedImageType>FixedImageReaderType;
typedefitk::ImageFileReader<MovingImageType>MovingImageReaderType;
FixedImageReaderType::PointerfixedImageReader=FixedImageReaderType::New();
MovingImageReaderType::PointermovingImageReader=MovingImageReaderType::New();
typedefitk::GDCMImageIOImageIOType;
ImageIOType::PointerdicomIO=ImageIOType::New();
fixedImageReader>SetFileName(argv[1]);
fixedImageReader>SetImageIO(dicomIO);
fixedImageReader>Update();
movingImageReader>SetFileName(argv[2]);
movingImageReader>SetImageIO(dicomIO);
movingImageReader>Update();
Pgina178de200
registration>SetFixedImage(fixedImageReader>GetOutput());
registration>SetMovingImage(movingImageReader>GetOutput());
try
{
fixedImageReader>Update();
}
catch(itk::ExceptionObject&excp)
{
std::cerr<<"Exceptioninfilereader."<<std::endl;
std::cerr<<"Problemreadingimagefile:"<<argv[1]<<std::endl;
std::cerr<<excp<<std::endl;
return1;
}
try
{
movingImageReader>Update();
}
catch(itk::ExceptionObject&excp)
{
std::cerr<<"Exceptioninfilereader."<<std::endl;
std::cerr<<"Problemreadingimagefile:"<<argv[2]<<std::endl;
std::cerr<<excp<<std::endl;
return1;
}
std::cout<<std::endl<<"Filesread..."<<std::endl;
//Restringiroalinhamentoaumareadaimagemfixa
registration>SetFixedImageRegion(fixedImageReader>GetOutput()>GetBufferedRegion());
//DefinirotipodeInitializer
typedefitk::CenteredTransformInitializer<TransformType,FixedImageType,MovingImageType>TransformInitializerType;
TransformInitializerType::Pointerinitializer=TransformInitializerType::New();
//ConectaroInitializertransformaoesimagensfixaemvel
Pgina179de200
initializer>SetTransform(transform);
initializer>SetFixedImage(fixedImageReader>GetOutput());
initializer>SetMovingImage(movingImageReader>GetOutput());
//Seleccionaromodocentrodemassa
initializer>MomentsOn();
//CalcularastransformaesdoInitializer
initializer>InitializeTransform();
//Passarosvaloresdacorrentetransformaoparausarnoinciodoalinhamento
registration>SetInitialTransformParameters(transform>GetParameters());
//Definirosparmetrosdamtrica
unsignedintnumberOfBins=155;
unsignedintnumberOfSamples=290000;
metric>SetNumberOfHistogramBins(numberOfBins);
metric>SetNumberOfSpatialSamples(numberOfSamples);
//Definirosparmetrosdooptimizador
typedefOptimizerType::ScalesTypeOptimizerScalesType;
OptimizerScalesTypeoptimizerScales(transform>GetNumberOfParameters());
doubletranslationScale=1.0/1000.0;
optimizerScales[0]=1.0;
optimizerScales[4]=translationScale;
optimizerScales[5]=translationScale;
optimizer>SetScales(optimizerScales);
doublesteplength=0.05;
unsignedintmaxNumberOfIterations=500;
optimizer>SetMaximumStepLength(steplength);
optimizer>SetMinimumStepLength(0.0008);
optimizer>SetNumberOfIterations(maxNumberOfIterations);
//Definirqueooptimizadortemdeexecutaraminimizao
Pgina180de200
optimizer>MinimizeOn();
//Criaramonitorizaoeassociaraooptimizador
CommandIterationUpdate::Pointerobserver=CommandIterationUpdate::New();
optimizer>AddObserver(itk::IterationEvent(),observer);
//Adicionarumcontadordetempo
itkProbesCreate();
//Efectuaroalinhamentoecontarotempodeprocessamento
try
{
itkProbesStart("Registration");
std::cout<<std::endl<<"Registrationlaunched..."<<std::endl<<std::endl;
registration>StartRegistration();
itkProbesStop("Registration");
std::cout<<std::endl<<"Optimizerstopcondition:"<<std::endl;
std::cout<<registration>GetOptimizer()>GetStopConditionDescription()<<std::endl<<std::endl;
}
catch(itk::ExceptionObject&err)
{
std::cerr<<"ExceptionObjectcaught!"<<std::endl;
std::cerr<<"Anerroroccuredduringtheregistrationprocess."<<std::endl;
std::cerr<<err<<std::endl;
returnEXIT_FAILURE;
}
//Obterosparmetrosfinaisdoalinhamento
OptimizerType::ParametersTypefinalParameters=registration>GetLastTransformParameters();
constdoublefinalRotationCenterX=transform>GetCenter()[0];
constdoublefinalRotationCenterY=transform>GetCenter()[1];
constdoublefinalTranslationX=finalParameters[4];
constdoublefinalTranslationY=finalParameters[5];
constunsignedintnumberOfIterations=optimizer>GetCurrentIteration();
constdoublebestValue=optimizer>GetValue();
Pgina181de200
std::cout<<"Result(final):"<<std::endl;
//std::cout<<"CenterX="<<finalRotationCenterX<<std::endl;
//std::cout<<"CenterY="<<finalRotationCenterY<<std::endl;
std::cout<<"TranslationX="<<finalTranslationX<<std::endl;
std::cout<<"TranslationY="<<finalTranslationY<<std::endl;
std::cout<<"Iterations="<<numberOfIterations<<std::endl;
std::cout<<"Metricvalue="<<bestValue<<std::endl;
vnl_matrix<double>p(2,2);
p[0][0]=(double)finalParameters[0];
vnl_svd<double>svd(p);
vnl_matrix<double>r(2,2);
r=svd.U()*vnl_transpose(svd.V());
doubleangle=vcl_asin(r[1][0]);
constdoubleangleInDegrees=angle*180.0/vnl_math::pi;
//std::cout<<"Scale1="<<svd.W(0)<<std::endl;
//std::cout<<"Scale2="<<svd.W(1)<<std::endl;
std::cout<<"Angle(indegrees)="<<angleInDegrees<<std::endl;
//Guardarosparmetrosfinaisnumficheirodetexto
usingnamespacestd;
std::ofstreamoutfile;
outfile<<registration>GetLastTransformParameters()<<std::endl;
outfile.close();
//Indicarotempodeprocessamento
itkProbesReport(std::cout);
//Usaratransformaoresultanteparamapearasimagenseoresultadodoprocesso
typedefitk::ResampleImageFilter<MovingImageType,FixedImageType>ResampleFilterType;
Pgina182de200
TransformType::PointerfinalTransform=TransformType::New();
finalTransform>SetParameters(finalParameters);
finalTransform>SetFixedParameters(transform>GetFixedParameters());
//Criarumresamplingfiltereconectarcomaimagemmvel
ResampleFilterType::Pointerresampler=ResampleFilterType::New();
resampler>SetInput(movingImageReader>GetOutput());
//Passaratransformaodesadadoalinhamentoparaoresamplingfilter
resampler>SetTransform(finalTransform);
//Indicarosparmetrosespeciaisdoresamplingfilter
FixedImageType::PointerfixedImage=fixedImageReader>GetOutput();
resampler>SetSize(fixedImage>GetLargestPossibleRegion().GetSize());
resampler>SetOutputOrigin(fixedImage>GetOrigin());
resampler>SetOutputSpacing(fixedImage>GetSpacing());
resampler>SetOutputDirection(fixedImage>GetDirection());
resampler>SetDefaultPixelValue(100);
//Passarasadadoresamplingfilterparaumwriter(armazenaraimagem)
typedefunsignedcharOutputPixelType;
typedefitk::Image<OutputPixelType,Dimension>OutputImageType;
typedefitk::CastImageFilter<FixedImageType,OutputImageType>CastFilterType;
typedefitk::ImageFileWriter<OutputImageType>WriterType;
//Criarowritereocast(paraconverterotipodepxeis)
WriterType::Pointerwriter=WriterType::New();
CastFilterType::Pointercaster=CastFilterType::New();
writer>SetFileName(argv[3]);
//Conectarowritereocast
caster>SetInput(resampler>GetOutput());
writer>SetInput(caster>GetOutput());
writer>Update();
//Compararaimagemfixaeamvelalinhada
typedefitk::SubtractImageFilter<FixedImageType,FixedImageType,FixedImageType>DifferenceFilterType;
DifferenceFilterType::Pointerdifference=DifferenceFilterType::New();
difference>SetInput1(fixedImageReader>GetOutput());
Pgina183de200
difference>SetInput2(resampler>GetOutput());
WriterType::Pointerwriter2=WriterType::New();
//Reajustarasintensidadesdasimagens
typedefitk::RescaleIntensityImageFilter<FixedImageType,OutputImageType>RescalerType;
RescalerType::PointerintensityRescaler=RescalerType::New();
intensityRescaler>SetInput(difference>GetOutput());
intensityRescaler>SetOutputMinimum(0);
intensityRescaler>SetOutputMaximum(255);
writer2>SetInput(intensityRescaler>GetOutput());
resampler>SetDefaultPixelValue(1);
//Obteraimagemdadiferenaentraaimagemfixaeamvelalinhada
if(argc>5)
{
writer2>SetFileName(argv[5]);
try
{
writer2>Update();
}
{
std::cerr<<"Anerroroccuredinoutputimageprocessing."<<std::endl;
returnEXIT_FAILURE;
}
}
typedefitk::IdentityTransform<double,Dimension>IdentityTransformType;
IdentityTransformType::Pointeridentity=IdentityTransformType::New();
//Obteraimagemdadiferenaentraaimagemfixaeamvelantesdoalinhamento
if(argc>4)
{
resampler>SetTransform(identity);
Pgina184de200
writer2>SetFileName(argv[4]);
try
{
writer2>Update();
}
{
std::cerr<<"Anerroroccuredinoutputimageprocessing."<<std::endl;
returnEXIT_FAILURE;
}
}
std::cout<<std::endl<<"Registrationprocesscompleted."<<std::endl;
returnEXIT_SUCCESS;
}
Os parmetros para usar neste algoritmo, considerando somente o conjunto (1) de
imagens, foram determinados experimentalmente. Assim, o melhor alinhamento encontrado,
aps os vrios ensaios efectuados, surgiu quando as configuraes assumiram os seguintes
valores:
NumberOfHistogramBins=155;
NumberOfSpatialSamples=29000;
MinimumStepLength=0.0008;
MaximumStepLength=0.05.
Existenasclassesempreguesnestealgoritmo,outrosparmetroscujosvaloresnumricos
noforamalterados,comoocasodeNumberOfIterationsetranslationScale.
5.7.2. Resultadosexperimentaiseanlisecomparativa
Deseguida,apresentadoumresumodasexperinciasrealizadasparaestealgoritmocom
o primeiro conjunto de imagens, composto das representaes (1A) e (1B), analisando os
resultados obtidos atravs da comparao com os da seco 5.6. Tal como sucede nessa
sec
temp
trans
alinha
Trans
(
6,
A
estaa
O
critr
trans
E

o,odesemp
po de proce
slao e o
amento.
laoemx
(mm)
,79715
AFigura5.46
apsoalinha
Os grficos d
rio de simila
sformao.
(a)
Figura5.47
Examinandoo
A m
nme
Otra
penhomed
essamento,
ngulo de ro
Tabela5.20Pa
Translaoemy
(mm)
6,9105
6mostraaim
amentoobti
(a)
Figura5.46
(b)Difer
da figura 5.4
ridade, do
Alinhamentod
ostrsgrfic
trica varia
erodeitera
adoquerel
didoatravs
a grandeza
otao. Assi
armetrosdesa
y
ngulo
3,624
magemmve
doeaimage
Alinhamentores
enasentreasim
47 ilustram,
ngulo e das
asimagensdoco
cosdaFigura
medida q
es,estabiliz
lacionaastra
dosvalores
final da m
im, a Tabel
dafinaisproduzi
()
N
it
41
elresultante
emfixaorigi
sultante:(a)Imag
magensoriginale
para cada
component
(b)
onjunto(1):(a)M
a5.47,pode
que o optim
za;
anslaesn
obtidospara
trica em c
a 5.20 forn
dospeloalgoritm
merode
teraes
81
edoalinham
nal.
gemmvelapso
mvelapsalinh
iterao do
tes (x, y) das
Mtrica,(b)ngul
verificarse
mizador avan
osuavene
CAPTULOV
aaquantida
cada itera
ece os par
modesenvolvido.
Valordamtrica
1,00708
mentoeasdi
(b)
oalinhamento,
hamento.
o optimizado
s sequncias
oderotao,(c)
que:
na e aps
emordenado
VAnliseexper
Pgina185de
dedeitera
o, bem com
metros fina
ca Tempode
174,9
iscrepncias
)
or, a evolu
s da transla
(c)
Translaes.
um determ
o.
rimental
e200
es,o
mo, a
ais do
CPU(s)
932
entre
o do
o da
minado
Pgina186de200
Comparando com as Figuras 5.9 a 5.12, notase que as representaes da Figura 5.47
apresentammaioresflutuaes.
Da Tabela 5.20 verificase que o valor do critrio de similaridade no final do alinhamento
foi distinto do ptimo, indicando que tambm no se encontrou a melhor correspondncia
possvel,oqueresultounasdiscrepnciasvisveisnarepresentao(b)daFigura5.46.
Umdosobjectivosassociadosaodesenvolvimentodestealgoritmoconsistiaemproceder
comparao dos resultados obtidos no alinhamento das imagens consideradas, com os de
ImageRegistration9.cxx(diferemnamtricausada)edeImageRegistration13.cxx(divergemna
transformao utilizada), ambos ensaiados na seco 5.6. Assim, confrontando os dados das
linhas(C)e(D)dasTabelas5.8e5.9comosdaTabela5.20eosdaFigura5.46,observaseque
as grandezas resultantes foram prximas, no havendo a assinalar divergncias relevantes,
excepo do nmero de iteraes e do tempo de processamento, bastante melhores.
Comparando os grficos das Figuras 5.11 e 5.12 com os da Figura 5.47, assinalase que nesta
ltima,amtricaeatransformaotmumavariaomenossuave.
Assim,osresultadosobtidosdoprocessamentodoconjuntodeimagensconsideradocom
o algoritmo desenvolvido nesta seco, tambm apoiam a convico de que o uso de
parmetros especificamente estabelecidos para esses dados, garantem um alinhamento mais
rpidoemaisprximodoptimo.
De assinalar que, o algoritmo de alinhamento implementado e ensaiado nesta seco,
aindacarecederesultadosconsistentesequemelhoriassignificativaspodemserestudadasde
forma a obter uma soluo mais prxima da ptima. Por exemplo, isto pode ser efectuado
atravs do ajuste mais eficiente dos parmetros presentes no cdigo
(NumberOfHistogramBins, NumberOfSpatialSamples, etc.) e pela introduo de novas
configuraesadmissveispelasclassesapresentadas(ReinitializeSeed,etc.).
5.8. Resumo
Nestecaptulo,abordouseoproblemaprticoassociadoaoalinhamentodeestruturasem
imagens de uma mesma modalidade e intrapaciente, de doentes atingidos por esclerose
mltipla. Assim, apresentouse uma anlise dos diferentes algoritmos presentes na biblioteca
ITK e na seco 5.6 ensaiaramse alguns deles, nomeadamente, ImageRegistration5.cxx,
ImageRegistration7.cxx, ImageRegistration9.cxx, ImageRegistration13.cxx,
DeformableRegistration7.cxx e DeformableRegistration13.cxx. Terminouse com a
apresentao de um algoritmo desenvolvido para este efeito, com o qual, atravs da
associaodedistintasclassesdoITK,setentouobtermelhoresdesempenhosnoalinhamento
deimagens.
As primeiras observaes importantes que se podem retirar deste estudo experimental
so que, a populao em anlisecarece de maior representatividade estatstica, visto que,
almdasimagenssimuladasobtidasnumabasedeimagensmdicas,todososquatrodoentes
so do sexo feminino. Uma segunda observao, que os testes realizados permitiram
verificarqueosalgoritmosensaiadosnoexibemconvergncia,nemumaperfeitaprecisode
Pgina187de200
alinhamento,istoporqueosvaloresresultantesestoafastados,mesmoqueligeiramente,dos
ptimos.
As principais adversidades encontradas na elaborao do estudo experimental foram as
seguintes:
AobtenodeimagensporressonnciamagnticanoformatoDICOMdedoentes
comesclerosemltipla;
AsconfiguraesdasaplicaesCMake,ITKeVTK;
AcomplexidadedocdigoedasclassespresentesnabibliotecaITK;
A definio e o ajuste, dos parmetros de entrada empregues nos algoritmos
usadosparaoalinhamento.
O uso de transformaes nolineares bastante atractivo porque permite modelizar de
forma mais realista os fenmenos encontrados. Mesmo necessitando de procedimentos de
validao mais eficazes, do estudo experimental efectuado, no se consegui perceber uma
clara superioridade de um dado algoritmo sobre os restantes, visto todos eles apresentaram
resultadostidocomorazoveis.Assim,osalgoritmosassentesemtransformaesnorgidas,
no demonstraram clara predominncia sobre os baseados em transformaes rgidas, no
entanto, estes ltimos evidenciaram melhores tempos de processamento porque processam
transformaesmenoscomplexas.
Evidentemente que no mbito de uma aplicao especfica, sempre possvel considerar
que o resultado de um algoritmo superior ao apresentado por outro, isto em termos dos
parmetros da transformao, dos critrios de similaridade, do mtodo de optimizao, do
tempo de processamento, etc.. Podese ento concluir que o desfecho do processo
experimentaldealinhamentodeestruturasemimagensmdicassofreinflunciasdeinmeros
factores e que a sua qualidade depende muito da aplicao subjacente. Assim, essencial
definir um equilbrio entre o tempo de processamento e a qualidade de alinhamento, bem
como, um compromisso entre os diversos parmetros envolvidos no processo. Tal porque,
umatcnicafuncionacomdeterminadostiposdedesalinhamentosecondies,masasimples
alterao num desses parmetros, frequentemente no permite produzir os resultados
pretendidos.
Pgina188de200
CAPTULOVIConsideraesfinaisePerspectivasfuturas

Pgina190de200
Pgina191de200
6.1. Introduo
OtemacentraldestaDissertaoinseresenodomniodaanlisedeimagem,ouseja,do
alinhamento de estruturas presentes em imagens mdicas; mais especificamente, na
colocaoemcorrespondnciaderepresentaesdedoentesatingidosporesclerosemltipla
(EM). Assim, o principal propsito desta Dissertao foi o estudo, anlise, descrio, ensaio e
desenvolvimentodeferramentascomputacionaistendoemvistaoapoioactividadeclnica.
Dos captulos anteriores podese concluir que a rea mdica lida frequentemente com as
particularidades, anatmicas ou funcionais, que cada modalidade de imagem fornece,
tentandodessamaneiraassistireficazmenteosmdicosnacompreensodasestruturasedos
processosfisiolgicosdosdoentes,propiciandoassimmelhoresdiagnsticoseteraputicas.As
informaes transmitidas pelas vrias modalidades de imagem mdica so usualmente
complementares entre si, logo, o alinhamento dos diversos dados fornecidos pelas mesmas
possibilita a obteno de informao adicional sobre a estrutura em estudo. A evoluo dos
mtodos de alinhamento de imagens permite que uma tarefa originalmente efectuada
manualmente,possaactualmenteserautomtica,robustaerpida.
Aolongodesteprojecto,almejousealcanarosobjectivosinicialmentedelineadosparao
mesmo.Assim,assucessivasetapas/tarefasqueconduziramaoresultadofinalforamdescritas
nosrestantescaptulosdestaDissertao.Destes,podeserealar:
O captulo IV no qual se verificou o crescente interesse desta rea da anlise de
imagem, demonstrado pela elevada quantidade de publicaes existentes e pela
grande diversidade de mtodos existentes. Contudo, verificouse que vrias
questes ainda precisam de melhores solues e que, no obstante a vasta gama
deaplicaespossveis,noexisteummtodouniversalaplicvelatodososcasos
existentes;
O captulo V, onde, para resolver o problema do alinhamento de estruturas em
imagens mdicas de doentes com EM, foram ensaiados vrios algoritmos da
biblioteca computacional de domnio pblico Insight ToolKit (ITK) e proposto um
queproporcionaumalinhamentomaisrpidoemaisprximodoptimo.
Nas prximas seces, so estabelecidas as consideraes finais sobre os resultados
experimentais obtidos, e posteriormente so indicadas as perspectivas de possveis
desenvolvimentosfuturos.
6.2. Consideraesfinais
O alinhamento de estruturas em imagens mdicas est a tornarse um componente cada
vez mais relevante num grande nmero de aplicaes, em particular na rea mdica. No
entanto, para um algoritmo ser til clinicamente, deve ser exacto, preciso, robusto, isto ,
adaptvel a diferentes graus desalinhamento e flexvel, ou seja, aplicvel a diferentes
situaes.
Pgina192de200
A obteno de uma soluo de alinhamento de imagens no uma tarefa trivial, sendo
particularmente difcil de conceber para os algoritmos com base em transformaes no
rgidas. O trabalho desenvolvido e apresentado nos captulos anteriores mostrou que, para o
apoio ao diagnstico ou mesmo o acompanhamento clnico de doentes, uma correcta
colocao em correspondncia das caractersticas presentes em cada imagem crucial.
Contudo, dos testes experimentais realizados ao longo do captulo V desta Dissertao,
verificouse que o alinhamento no uma tarefa possvel de ser realizada de forma a obter
sempre resultados eficientes e satisfatrios, dependendo de diversos factores, como, da
naturezadasimagensenvolvidas.
Notasequeoprocessodealinhamentodeimagensnoumatarefaexacta,portantono
existeumresultadocorrecto.Tudoseresumequalidadequesequeredequantotempode
processamento e de desenvolvimento se vai disponibilizar para a obter. O resultado que
satisfaz uma determinada aplicao deve ser obtido pelo consenso entre os diferentes
parmetrosqueregulamoalinhamentodasimagensenvolvidas.
Possivelmenteaformadecontornarosproblemasassociadosaoalinhamentodeimagens
reside na mudana de estratgia; isto , em vez de se optar por mtodos de colocao em
correspondncia baseados nas intensidades das imagens a emparelhar, devese seleccionar
mtodos que empreguem as caractersticas das representaes, como contornos, centros de
massas,etc.,sendoentooresultadoobtidoporumaassociaodetcnicasdesegmentao
deimagemedealinhamentodeimagens.
Os maiores obstculos a uma generalizao da utilizao dos algoritmos de alinhamento
de imagens, especialmente dos que consideram transformaes norgidas, esto
relacionadoscomostemposdeprocessamentoecomasdificuldadesemvalidarosresultados
desseprocesso.Noentanto,destaDissertaoficademonstradoquegrandesesforosestoa
serrealizadosnestasreasparaatendercrescenteprocuradetaissolues.
6.3. Perspectivasfuturas
A explorao de tcnicas de alinhamento de estruturas em imagens de doentes com
esclerose mltipla tendo por base algoritmos computacionais, objecto de estudo desta
Dissertao, oferece inmeras oportunidades para futuros desenvolvimentos. Isto sucede
porque, qualquer contribuio que vise melhorar o diagnstico mdico pode resultar numa
utilizao mais inteligente e racional dos recursos presentes nos sistemas de sade, e
consequentemente,reflectirsenumamelhorianaqualidadedevidadosdoentesatingidospor
umadeterminadapatologia.
Apesar da abordagem global adoptada e implementada ao longo desta Dissertao ter
produzido resultados interessantes e promissores, a mesma pode ser enriquecida e
melhorada,nomeadamente,nosseguintesaspectos:
Elaborar regras para ajustar os parmetros de entrada do processo de
alinhamento;
Pgina193de200
Construir uma interface grfica com as ferramentas Qt Designer
22
ou FLTK
23
(Fast
LightToolkit),demodoapossibilitaraqualquerutilizador,ofcilusodasoluode
alinhamentodesenvolvida;
Aumentar a quantidade de imagens e de sujeitos da amostra, visando ampliar a
representatividade das anlises estatsticas e substituir as representaes
bidimensionaisconsideradas(2D)porvolumes(3D);
Proceder fuso de imagens de diferentes modalidades, de forma a promover a
obtenodemelhoresresultados;
Validarocdigodesenvolvidocomumprofissionaldareamdicaemodularizara
ferramenta de forma a permitir a sua integrao, por exemplo, em solues
desenvolvidasparasegmentaodeimagensmdicas;
Aplicaralgoritmosqueempreguemascaractersticasdasestruturaspresentesnas
imagenseposteriormentecompararcomosresultadosobtidosnesteestudo;
EmpregarnocdigofontedosalgoritmosdoITK,mecanismosparalevaramtrica
para muito prximo do seu valor ptimo, bem como, para desactivar a
amostragemeparausartodosospxeispresentesnaimagemfixa;
Formar uma base de dados de imagens de casos de doentes atingidos por
esclerosemltipla;
Testar e comparar os algoritmos empregues no alinhamento de imagens com as
soluescomputacionaisanalisadasnocaptuloIV.
Outro aspecto a ter em conta em possveis trabalhos futuros relacionase com a forma
como os resultados dos critrios de similaridade so afectados pelo mtodo de optimizao
usado.

22
QtDesigner:http://doc.trolltech.com/3.3/.DispedeumpluginquepermiteasuafcilintegraocomoVTK.
23
FLTK:http://www.fltk.org/.
Pgina194de200
REFERNCIAS
Pgina195de200
REFERNCIAS
Besl, P. J. and N. D. McKay (1992). "A Method for Registration of 3D Shapes." IEEE
TransactionsonPatternAnalysisandMachineIntelligence14(2):239256.
Bondiau, P. Y., G. Malandain, et al. (2004). "Traitement des images et radiothrapie = Image
processingandradiotherapy."Cancerradiothrapie8(2):120129.
Bookstein, F. L. (1989). "Principal Warps: ThinPlate Splines and the Decomposition of
Deformations." IEEE Transactions on Pattern Analysis and Machine Intelligence 11(6):
567585.
Bosc, M., F. Heitz, et al. (2003). "Automatic change detection in multimodal serial MRI:
applicationtomultiplesclerosislesionevolution."NeuroImage20(2):643656.
Bricq, S., C. Collet, et al. (2008). "Unifying framework for multimodal brain MRI segmentation
basedonHiddenMarkovChains."MedicalImageAnalysis12(6):639652.
Brown, L. G. (1992). "A survey of image registration techniques." ACM Computing Surveys
24(4):325376.
Cachier, P., J.F. Mangin, et al. (2001). Multisubject Nonrigid Registration of Brain MRI Using
Intensity and Geometric Features. MICCAI 2001 Medical Image Computing and
ComputerAssisted Intervention. Utrecht Holland, SpringerVerlag Berlin Heidelberg:
734742.
Camara, O., O. Colliot, et al. (2004). Apport de contraintes anatomiques au recalage non
linairedimagesTDMetTEPdanslesrgionsthoraciquesetabdominales.RFIA2004
ReconnaissancedesFormesetIntelligenceArtificielleToulouse,France:797806.
Cherik, S., H. Mouhadjer, et al. (2007). Fusion dImage Mdicale Multimodal (IRM, TEP). 4th
InternationalConferenceonComputerIntegratedManufacturingCIP2007
Chui,H.andA.Rangarajan(2003)."Anewpointmatchingalgorithmfornonrigidregistration."
ComputerVisionandImageUnderstanding89(23):114141.
Clanet,M.andO.LyonCaen(1998).Lasclroseenplaques,JohnLibbeyEurotext.
Crum,W.R.,T.Hartkens,etal.(2004)."Nonrigidimageregistration:theoryandpractice."The
BritishJournalofRadiology77(2):140153.
Doyon,D.,E.A.Cabanis,etal.(2004).IRM:imagerieparrsonancemagntique,Masson.
DugasPhocion,G.,M.A.Gonzlez,etal.(2004).HIERARCHICALSEGMENTATIONOFMULTIPLE
SCLEROSISLESIONSINMULTISEQUENCEMRI.InternationalSymposiumonBiomedical
Imaging:FromNanotoMacro(ISBI'04).IEEE.Arlington,VA,USA.24,25.
Elsen, P. A. v. d., E.J. D. Pol, et al. (1993). "Medical Image Matching A Review with
Classification."IEEEEngineeringinMedicineandBiology12(4):2639.
Ganser,K.A.,H.Dickhaus,etal.(2004)."Adeformabledigitalbrainatlassystemaccordingto
TalairachandTournoux."MedicalImageAnalysis8:322.
Pgina196de200
Gefen, S., O. Tretiak, et al. (2004). "Surface Alignment of an Elastic Body Using a
Multiresolution Wavelet Representation." IEEE Transactions on Biomedical
Engineering51(4):12301241.
Grimaud,J.,Y.M.Zhu,etal.(2002)."Lestechniquesd'analysequantitativedesIRMcrbrales
:applicationlasclroseenplaques."Revueneurologique158(3):381389.
Guziec,A.P.,X.Pennec,etal.(1997)."MedicalImageRegistrationusingGeometricHashing."
IEEEComputationalScience&Engineering4(4):2941.
Hajnal,J.V.,D.L.G.Hill,etal.(2001).Medicalimageregistration,CRCPress.
Hartkens,T.,D.L.G.Hill,etal.(2002).Usingpointsandsurfacestoimprovevoxelbasednon
rigid registration. MICCAI 2002 Medical Image Computing and ComputerAssisted
InterventionTokyoJapan,SpringerVerlagBerlinHeidelberg:565572.
Hellier,P.andC.Barillot(2003)."Couplingdenseandlandmarkbasedapproachesfornonrigid
registration."IEEETransactionsonMedicalImaging22(2):217227.
Hellier, P., C. Barillot, et al. (2003). "Retrospective Evaluation of Intersubject Brain
Registration."IEEETransactionsonMedicalImaging22(9):11201130.
Hermosillo, G., C. ChefdHotel, et al. (2002). "Variational Methods for Multimodal Image
Matching."InternationalJournalofComputerVision50(3):329343.
Hill, D. L. G., P. G. Batchelor, et al. (2001). "Medical image registration." Physics in Medicine
andBiology46:R1R45.
Ibnez,L.,W.Schroeder,etal.(2005).TheITKSoftwareGuide,ITK.
Jannin, P., C. Grova, et al. (2001). "Fusion de donnes en imagerie medicale : revue
mthodologiquebasesurlecontexteclinique."ITBMRBM22(4):196215.
Jiang, T., Y. Liu, et al. (2008). "Multimodal Magnetic Resonance Imaging for Brain Disorders:
AdvancesandPerspectives."BrainImagingandBehavior2(4):249257.
Johnson, H. J. and G. E. Christensen (2002). "Consistent Landmark and IntensityBased Image
Karaali, B. (2007). "Information Theoretic Deformable Registration Using Local Image
Information."InternationalJournalofComputerVision72(3):219237.
Karaali, B. and C. Davatzikos (2004). "Estimating Topology Preserving and Smooth
DisplacementFields."IEEETransactionsonMedicalImaging23(7):868880.
Klein, A., J. Andersson, et al. (2009). "Evaluation of 14 nonlinear deformation algorithms
appliedtohumanbrainMRIregistration."NeuroImage46(3):786802.
Klein, S., M. Staring, et al. (2010). "elastix: A Toolbox for IntensityBased Medical Image
Kutzelnigg,A.,C.F.Lucchinetti,etal.(2005)."Corticaldemyelinationanddiffusewhitematter
injuryinmultiplesclerosis."Brain128(11):27052712.
Kybic,J.andM.Unsery(2003)."FastParametricElasticImageRegistration."IEEETransactions
onImageProcessing12(11):14271442.
Lecoeur,J.,S.P.Morissey,etal.(2008).MultipleSclerosisLesionsSegmentationusingSpectral
Gradient and Graph Cuts. MICCAI Workshop on Medical Image Analysis on Multiple
Sclerosis(validationandmethodologicalissues),NewYorkCity,USA.
Loeckx,D.,P.Slagmolen,etal.(2010)."NonrigidImageRegistrationUsingConditionalMutual
Information."IEEETransactionsonMedicalImaging29(1):1929.
Loi,G.,M.Dominietto,etal.(2008)."AcceptanceTestofaCommerciallyAvailableSoftwarefor
Automatic Image Registration of Computed Tomography (CT), Magnetic Resonance
REFERNCIAS
Pgina197de200
Imaging (MRI) And
99m
Tcmethoxyisobutylisonitrile (MIBI) SinglePhoton Emission
Computed Tomography (SPECT) Brain Images." Journal of Digital Imaging 21(3): 329
337.
Maes, F., A. Collignon, et al. (1997). "Multimodality Image Registration by Maximization of
MutualInformation."IEEETransactionsonMedicalImaging16(2):187198.
Maes, F., D. Vandermeulen, et al. (1999). "Comparative evaluation of multiresolution
optimizationstrategiesformultimodalityimageregistrationbymaximizationofmutual
information."MedicalImageAnalysis3(4):373386.
Maintz,J.B. A.and M.A. Viergever (1998). "Asurveyofmedicalimageregistration."Medical
ImageAnalysis2(1):136.
Moore,J.andG.Zouridakis(2004).BiomedicalTecnologyandDevidesHandbook,CRCPress.
Mnch, D., B. Combs, et al. (2010). A modified ICP algorithm for normalguided surface
registration Proceedings of SPIE Medical Imaging 2010: Image Processing, San Diego,
USA.
multsclerosis. (2008). "All About Multiple Sclerosis " Retrieved 20080901, from
http://www.multsclerosis.org/.
Murray,T.J.(2005).MultipleSclerosis:TheHistoryofaDisease,DemosMedicalPublishing.
Nikou, C., F. Heitz, et al. (1999). "Mesures de similarit robustes pour le recalage d'images
mdicalesvolumiquesmultimodales=Robustsimilaritymetricsfortheregistrationof
3Dmultimodalmedicalimages."Traitementdusignal16(3):255272.
Noblet, V., C. Heinrich, et al. (2005). "3D Deformable Image Registration: A Topology
PreservationSchemeBasedonHierarchicalDeformationModelsandIntervalAnalysis
Optimization."IEEETransactionsonImageProcessing14(5):553565.
Ourselin, S., A. Roche, et al. (2000). Block Matching: A General Framework to Improve
Robustness of Rigid Registration of Medical Images. MICCAI 2000 Proceedings of
Third International Conference on Medical Image Computing and ComputerAssisted
InterventionPittsburgh,Pennsylvania,USA.
Pennec, X., N. Ayache, et al. (2008). LandmarkBased Registration Using Features Identified
ThroughDifferentialGeometry.HandbookofMedicalImageProcessingandAnalysis.I.
B.Editor,NewEdition,AcademicPress.:565578.
Pichler, B. J., M. S. Judenhofer, et al. (2008). "PET/MRI hybrid imaging: devices and initial
results."EuropeanRadiology18(6):10771086.
Pluim,J.P.W.,J.B.A.Maintz,etal.(2003)."Mutualinformationbasedregistrationofmedical
images:asurvey."IEEETransactionsonMedicalImaging22(8):9861004.
Pluim, J. P. W., J. B. A. Maintz, et al. (2004). "fInformation Measures in Medical Image
Radke,R.J.,S.Andra,etal.(2005)."ImageChangeDetectionAlgorithms:ASystematicSurvey."
IEEETransactionsonImageProcessing14(3):294307.
Rao,A.,R.Chandrashekara,etal.(2004)."SpatialTransformationofMotion andDeformation
FieldsUsingNonrigidRegistration."IEEETransactionsonMedicalImaging23(9):1065
1076.
Rey,D.,G.Subsol,etal.(2002)."Automaticdetectionandsegmentationofevolvingprocesses
in 3D medical images: Application to multiple sclerosis." Medical Image Analysis 6(2):
163179.
Pgina198de200
Roche, A., G. Malandain, et al. (1999). Unifying Maximum Likelihood Approaches in Medical
ImageRegistration,Technicalreport,SophiaAntipolis,INRIA.
Rousseau, F., S. Faisan, et al. (2007). Une approche a contrario pour la detection de
changementsdansdesimagesIRMmultimodales3D.21mecolloqueGRETSI.
Sorzano, C. . S., P. Thvenaz, et al. (2005). "Elastic Registration of Biological Images Using
VectorSplineRegularization."IEEETransactionsonBiomedicalEngineering52(4):652
663.
Studholme, C., D.L.G.Hill, et al. (1999). "An overlap invariant entropy measure of 3D medical
imagealignment."PatternRecognition32(1):7186.
Thirion, J.P. (1996). "New feature points based on geometric invariants for 3D image
registration."InternationalJournalofComputerVision18(2):121137.
Thirion, J.P. and G. Calmon (1997). Measuring Lesion Growth from 3D Medical Images. IEEE
NonrigidandArticulatedMotionWorkshopNAN'97
Viergever,M.A.,J.B.A.Maintz,etal.(2001)."Registration,segmentation,andvisualizationof
multimodal brain images." Computerized Medical Imaging and Graphics 25(2): 147
151.
Wattjes,M.P.andF.Barkhof(2009)."HighfieldMRIinthediagnosisofmultiplesclerosis:high
fieldhighyield?"Neuroradiology51(5):279292.
Wells, W. M., P. Viola, et al. (1996). "Multimodal volume registration by maximization of
mutualinformation."MedicalImageAnalysis1(1):3551.
West, J., J. M. Fitzpatrick, et al. (1997). "Comparison and Evaluation of Retrospective
Intermodality Brain Image Registration Techniques." Journal of Computer Assisted
Tomography21(4):554566.
Wu,G.,F.Qi,etal.(2006)."LearningBasedDeformableRegistrationofMRBrainImages."IEEE
TransactionsonMedicalImaging25(9):11451157.
Xia,M.andB.Liu(2004)."ImageRegistrationbySuperCurves."IEEETransactionsonImage
Processing13(5):720732.
Xie, Z. and G. E. Farin (2004). "Image Registration Using Hierarchical BSplines." IEEE
TransactionsonVisualizationandComputerGraphics10(1):8594.
Yoo, T. S. (2004). Insight Into Images Principles and Practice for Segmentation, Registration,
andImageAnalysis,AKPeters,Ltd.
Zagorchev,L.andA.Goshtasby(2006)."AComparativeStudyofTransformationFunctionsfor
NonrigidImageRegistration."IEEETransactionsonImageProcessing15(3):529538.
Zimmerman, R. A., W. A. Gibby, et al. (2000). Neuroimaging: Clinical and Physical Principles,
SpringerVerlag.
Zitov, B., J. Flusser, et al. (2005). Image Registration: A Survey and Recent Advances. The
InternationalConferenceonImageProcessingICIP'05.IEEE.Genoa,Italy:pp.12.
Pgina199de200
Pgina200de200

000148836

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

000148836

Enviado por

Direitos autorais:

Formatos disponíveis

M

Palavraschave: anlise de imagem, alinhamento, esclerose mltipla, ITK, imagens por

Keywords: image analysis, registration/alignment, multiple sclerosis, ITK, magnetic resonance

mensagens diferentes possveis, assumindo que no h regras de sintaxe. Deste modo, a

qual foi usa

No directrio da biblioteca ITK onde se encontram colocados estes algoritmos

Você também pode gostar