Fisical Imaging - Cap 1 (Trad)

Machine Translated by Google
1 Características gerais da imagem,

aquisição de dados e reconstrução de imagens
1.1 Introdução
Um médico que faz um diagnóstico com base em imagens médicas procura vários tipos
diferentes de indicações. Estas podem ser alterações na forma, por exemplo, aumento
ou encolhimento de uma estrutura específica, alterações na intensidade da imagem
dentro dessa estrutura em comparação com o tecido normal e/ou o aparecimento de
características como lesões que normalmente não são vistas. Um diagnóstico completo
pode ser baseado em informações de diversas modalidades de imagem, que podem ser
correlativas ou aditivas em termos de conteúdo de informação.
Todos os anos há avanços significativos na engenharia que levam a melhorias na
instrumentação em cada uma das modalidades de imagens médicas abordadas neste
livro. Deve-se ser capaz de avaliar de forma quantitativa as melhorias introduzidas por
tais projetos. Essas medidas quantitativas também devem estar diretamente relacionadas
aos parâmetros que são importantes para o diagnóstico do médico. Os três critérios mais
importantes são a resolução espacial, a relação sinal-ruído (SNR) e a relação contraste-
ruído (CNR). Por exemplo, a Figura 1.1(a) mostra uma imagem de ressonância magnética
com duas lesões muito pequenas na substância branca indicadas pelas setas. A
resolução espacial nesta imagem é alta o suficiente para detectar e resolver as duas
lesões. Se a resolução espacial fosse quatro vezes pior, como mostrado na Figura 1.1(b),
então apenas a maior das duas lesões seria agora visível. Se a SNR da imagem fosse
quatro vezes menor, ilustrada na Figura 1.1 (c), então apenas a mais brilhante das duas
lesões seria quase invisível. Finalmente, se o CNR entre as lesões e a substância branca
circundante for reduzido, como mostrado na Figura 1.1(d), então nenhuma lesão poderá
ser discernida.
Embora o ideal seja adquirir imagens com a maior SNR, CNR e resolução espacial
possíveis, muitas vezes há compensações entre os três parâmetros em termos de design
do instrumento e técnicas de aquisição de dados, e escolhas cuidadosas devem ser
feitas para o melhor diagnóstico. Este capítulo aborda os aspectos quantitativos da
avaliação da qualidade da imagem, algumas das compensações entre SNR, CNR e
resolução espacial e como os dados medidos podem ser digitalizados, filtrados e armazenados.
No final deste capítulo, os dois algoritmos essenciais para reconstrução de
2 Características gerais da imagem
b c d
Figura 1.1
(a) Imagem de RM mostrando duas pequenas lesões na substância branca indicadas pelas setas.
Imagens correspondentes adquiridas com (b) resolução espacial quatro vezes pior, (c) SNR quatro vezes
menor e (d) CNR reduzido entre as lesões e o tecido saudável circundante. As setas apontam para lesões
que podem ser detectadas.
são introduzidas imagens médicas, nomeadamente a transformada de Fourier e a

retroprojecção filtrada.
1.2 Especificidade, sensibilidade e curva característica de operação do

receptor (ROC)
A precisão dos diagnósticos clínicos depende criticamente da qualidade da imagem; quanto

maior a qualidade, mais preciso será o diagnóstico. As melhorias nas técnicas de imagem e
na instrumentação revolucionaram o diagnóstico precoce e o tratamento de diversas
condições patológicas. Cada nova técnica de imagem ou mudança na instrumentação deve
ser cuidadosamente avaliada em termos do seu efeito na precisão do diagnóstico. Por
exemplo, embora a mudança do filme planar de raios X
3 1.2 Especificidade, sensibilidade e curva ROC
Embora a radiografia digital tenha claramente muitas vantagens práticas em termos de armazenamento
e mobilidade de dados, não teria sido implementada clinicamente se a qualidade diagnóstica dos
exames tivesse diminuído. A avaliação quantitativa da qualidade diagnóstica é geralmente relatada
em termos de especificidade e sensibilidade, conforme descrito no exemplo abaixo.
Considere um estudo de imagem para determinar se um grupo de pacientes de meia-idade tem

indicação precoce de esclerose múltipla. Sabe-se que esta doença é caracterizada pela presença de
lesões na substância branca do cérebro.
No entanto, também se sabe que pessoas saudáveis desenvolvem tipos de lesões semelhantes à
medida que envelhecem, mas que o número de lesões não é tão elevado como nos casos de
esclerose múltipla. Ao analisar as imagens de um determinado paciente, existem quatro resultados
possíveis para o radiologista: um verdadeiro positivo (onde o primeiro termo 'verdadeiro' se refere a
um diagnóstico correto e o segundo termo 'positivo' ao paciente com esclerose múltipla), um
verdadeiro negativo, um falso positivo ou um falso negativo. As quatro possibilidades podem ser
registradas em formato tabular ou gráfico, conforme mostrado na Figura 1.2. A curva característica de
operação do receptor (ROC) representa o número de verdadeiros positivos no eixo vertical versus o
número de falsos positivos no eixo horizontal, conforme mostrado à direita da Figura 1.2. Qual critério
o radiologista utiliza para fazer seu diagnóstico? Neste exemplo simples, suponha que o radiologista
simplesmente conte o número de lesões detectáveis na imagem. O número relativo de verdadeiros
positivos, verdadeiros negativos, falsos positivos e falsos negativos depende do número específico
de lesões que o radiologista decide como sendo o limite para diagnosticar um paciente com esclerose
múltipla. Se este número limite for muito alto, por exemplo 1000, então não haverá falsos positivos,
mas também não haverá verdadeiros positivos. À medida que o número limite é reduzido, o número
de verdadeiros positivos aumentará a uma taxa maior do que os falsos positivos, desde que as
imagens forneçam uma contagem precisa do número de lesões realmente presentes. À medida que
o critério para o número de lesões é reduzido ainda mais, o número de falsos positivos e verdadeiros
positivos aumenta a uma taxa mais igual. Finalmente, se o critério for reduzido para um número muito
pequeno, então o número de falsos positivos aumenta muito mais rapidamente do que os verdadeiros
positivos. O efeito líquido é produzir uma curva mostrada na Figura 1.2.
Três medidas são comumente relatadas na análise ROC:
(i) acurácia é o número de diagnósticos corretos dividido pelo número total de

diagnósticos;
(ii) sensibilidade é o número de verdadeiros positivos dividido pela soma dos verdadeiros
positivos e falsos negativos; e (iii)
especificidade é o número de verdadeiros negativos dividido pela soma do número de verdadeiros
negativos e falsos positivos.
noitcarf evitisop eurT

0,1 x
x
noitautis lautcA x x
x
yhtlaeHsisorelcs elpitluM
sisongaiD
x
M sisorelcs elpitlu rT evitisop eslaFevitisop eu 5,0
x
yhtlaeH evitagen eurTevitagen eslaF
x
x
0
0 5,0 0,1
eslaF p noitcarf evitiso
Figura 1.2
A curva característica de operação do receptor. (esquerda) A tabela 2 3 2 mostrando os quatro resultados

possíveis do diagnóstico clínico. (direita) Uma curva ROC real (linha sólida), com a curva ideal também mostrada
(linha pontilhada).
O objetivo do diagnóstico clínico é maximizar cada um dos três números, com um valor ideal
de 100% para todos os três. Isto é equivalente a um ponto na curva ROC dado por uma fração
verdadeiro positivo de 1 e uma fração falso positivo de 0. A curva ROC correspondente é mostrada
como a linha pontilhada na Figura 1.2. Quanto mais próxima a curva ROC real chegar dessa
curva ideal, melhor, e a integral sob a curva ROC fornece uma medida quantitativa da qualidade
do procedimento diagnóstico.
Vários factores podem influenciar a forma da curva ROC, mas do ponto de vista da tecnologia
de imagiologia médica, a questão relevante é: 'que fracção de lesões verdadeiras é detectada
utilizando a técnica de imagiologia específica?'. Quanto mais lesões faltarem na imagem,
intuitivamente pior será o diagnóstico resultante. Podem ocorrer 'lesões faltantes', referindo-se à
Figura 1.1, devido a SNR, CNR ou resolução espacial deficientes. Por sua vez, estes levarão a
uma diminuição da precisão percentual, sensibilidade e especificidade do procedimento diagnóstico.
Exemplo 1.1 Suponha que um critério utilizado para o diagnóstico não esteja, de facto, completamente relacionado
com a condição médica real, por exemplo, como um exemplo trivial, tentar diagnosticar uma
doença cardíaca através da contagem do número de lesões no cérebro. Desenhe a curva ROC
para esta situação específica.
Solução Como o critério utilizado para diagnóstico é independente da condição real,

efetivamente, temos chances exatamente iguais de um verdadeiro positivo ou falso positivo,
independentemente do número de lesões encontradas no cérebro. Portanto, a curva ROC é uma
linha reta formando um ângulo de 45º com os eixos principais, conforme mostrado abaixo.
5 1.3 Resolução espacial
1.3 Resolução espacial
A resolução espacial de um sistema de imagem está relacionada ao menor recurso que pode
ser visualizado ou, mais especificamente, à menor distância entre dois recursos, de modo
que os recursos possam ser resolvidos individualmente, em vez de aparecerem como uma
forma maior. As duas medidas mais comuns no domínio espacial são a função de propagação
de linha (LSF) e a função de propagação de ponto (PSF). Estas medidas podem ser
representadas por uma função de transferência de modulação equivalente (MTF) no domínio
da frequência espacial. O conceito de frequência espacial é muito útil na caracterização da
resolução espacial e é explicado na seção seguinte.
1.3.1 Frequências espaciais
Um exemplo familiar de frequências espaciais é um teste oftalmológico padrão. Em um teste,

os pacientes são solicitados a observar uma série de linhas pretas sobre um fundo branco e,
em seguida, informar ao oftalmologista se conseguem resolver as linhas quando uma série
de lentes com diferentes dosagens é usada. Conforme mostrado na Figura 1.3, as linhas
têm espessuras e separações diferentes. A frequência espacial de uma grelha específica de
linhas é medida como o número de linhas/mm, por exemplo 5 mm21 para linhas espaçadas
de 200 lm entre si. Quanto mais próximas estiverem as linhas, maior será a frequência
espacial e melhor será a resolução espacial do sistema de imagem para resolver cada linha individual.
Para cada modalidade de imagem médica, vários fatores afetam o poder de resolução.
Pode-se simplificar a análise considerando apenas dois componentes gerais: primeiro a
instrumentação usada para formar a imagem, e segundo a quantidade de dados que são
adquiridos, ou seja, o tamanho da matriz de dados da imagem. Tomando o exemplo cotidiano
de uma câmera digital, a lente e os componentes eletrônicos associados ao detector de
dispositivo de carga acoplada (CCD) formam a instrumentação, e o número de pixels
(megapixels) da câmera determina a quantidade de dados que são adquiridos. A contribuição
relativa de cada componente para a resolução espacial geral é importante em uma situação ideal.
a b c
Figura 1.3
Padrões de grade com frequências espaciais crescentes indo de (a) a (c).

design de engenharia. Não há vantagem em termos de qualidade de imagem em aumentar

o tamanho da matriz CCD de 10 megapixels para 20 megapixels se as características da
lente forem fracas, por exemplo, se não estiver bem focada, produzir desfoque ou tiver
aberração cromática. Da mesma forma, se a lente for extremamente bem feita, então
seria abaixo do ideal ter um CCD com capacidade de apenas 1 megapixel, e a qualidade
da imagem seria melhorada ao ser capaz de adquirir um número muito maior de pixels.
1.3.2 A função de propagação de linha
O método mais simples para medir a resolução espacial de um sistema de imagem é

realizar o equivalente ao teste do oftalmologista. Uma única linha fina ou conjunto de
linhas é visualizada, com a estrutura relevante feita do material apropriado para cada
modalidade de imagem diferente. Os exemplos incluem uma tira de chumbo para uma
varredura de raios X, um tubo fino de radioatividade para imagens de medicina nuclear ou
um fio fino embutido em gel para uma varredura de ultrassom. Como o sistema de imagem
não é perfeito, ele introduz algum grau de desfoque na imagem e, portanto, a linha na
imagem não parece tão nítida quanto a sua forma física real. O grau de desfoque pode
ser representado matematicamente por uma função de propagação de linha (LSF), ilustrada na Figura 1
O LSF de um sistema de imagem é estimado medindo uma projeção unidimensional,
conforme mostrado na Figura 1.4, com y definido como a direção horizontal. A largura do
LSF é geralmente definida por um parâmetro conhecido como largura total na metade do
máximo (FWHM). Como o nome sugere, este parâmetro é a largura da função específica
em um ponto que é metade do valor máximo do eixo vertical. Do ponto de vista prático, se
duas pequenas estruturas do corpo são
LSF(y)
sim
Figura 1.4
O conceito da função de propagação de linha. Um objeto fino é fotografado usando três sistemas de imagem diferentes.
O sistema à esquerda tem o LSF mais nítido, conforme definido pela projeção unidimensional medida ao longo da linha
pontilhada e mostrada acima de cada imagem. O sistema do meio produz uma imagem mais desfocada e possui
um LSF mais amplo, com o sistema da direita produzindo a imagem mais desfocada com o LSF mais amplo.
FSL
MHWF MHWF
eu sou ge
Figura 1.5
Resultados de imagem produzidos por dois sistemas diferentes com uma área relativamente estreita (esquerda) e ampla (direita).
LSF. No caso à esquerda, duas pequenas estruturas dentro do corpo (topo) possuem uma separação ligeiramente maior que o
FWHM do LSF, e assim a imagem resultante mostra as duas estruturas diferentes. No caso da direita, o FWHM do LSF é
maior que a separação das estruturas e assim a imagem aparece como uma grande estrutura.
separados por uma distância maior que o FWHM do LSF, então eles podem ser resolvidos como
estruturas separadas em oposição a uma estrutura maior, como mostrado na Figura 1.5.
O LSF para muitas técnicas de imagem é bem aproximado por um Gaussiano

função, definida como:
2
1 ðe y0 º
LSF yð Þ 5 ffiffiffiffiffiffiffiffi
experiência ð1:1Þ
2pr2 p 2r2 !;
onde r é o desvio padrão da distribuição e y0 é o centro da

função. O FWHM de uma função gaussiana é dado por:
ffiffiffiffiffiffiffiffi
FWHM 5 2 2 em 2 pr ffi 2:36r: ð1:2Þ
Portanto, se a separação física entre duas estruturas for maior que 2,36 vezes o desvio padrão
da função gaussiana que define o LSF do sistema de imagem, então as duas estruturas poderão
ser resolvidas.
1.3.3 A função de dispersão de pontos
O LSF descreve o desempenho do sistema em uma dimensão. No entanto, em algumas modalidades

de imagem, por exemplo na medicina nuclear, a resolução espacial torna-se pior quanto mais
profunda for a localização dentro do paciente a partir da qual o sinal é recebido.
Portanto, uma descrição completa da resolução espacial de um sistema de imagem requer
x
Objeto
sim
um bcd
Figura 1.6
(topo) Objeto pontual pequeno sendo fotografado. (a)-(d) Imagens produzidas com diferentes funções de dispersão de pontos.
(a) Um PSF acentuado em todas as três dimensões. (b) Um PSF que é significativamente mais amplo em x do que em y ou z. (c) Uma
PSF que é mais amplo na dimensão y. (d) Um PSF que seja amplo em todas as três dimensões.
uma formulação tridimensional: o equivalente tridimensional do LSF é

denominada função de spread de pontos (PSF). Como o nome sugere, o PSF descreve
a imagem adquirida de uma 'fonte pontual' muito pequena, por exemplo, uma pequena esfera de
água para ressonância magnética. Exemplos de PSFs espacialmente simétricos e assimétricos são mostrados
na Figura 1.6.
Matematicamente, a imagem tridimensional (I) e o objeto (O) estão relacionados por:
eu xðÞ;
você; z 5 O xðÞ ; você;
xð Þzh
; você; z ; ð1:3Þ
onde * representa uma convolução e h(x,y,z) é o PSF tridimensional. Em um
sistema de imagem perfeito, o PSF seria uma função delta em todas as três dimensões,
nesse caso, a imagem seria uma representação perfeita do objeto. Na prática,
o PSF geral de um determinado sistema de imagem é uma combinação de instrumentação de
detecção e amostragem de dados (abordada na Seção 1.7) e pode ser calculado pelo
convolução de todos os componentes individuais.
1.3.4 A função de transferência de modulação
A medida mais comumente usada da resolução espacial de uma imagem

sistema é a função de transferência de modulação (MTF). Isso mede a resposta
de um sistema para frequências espaciais baixas e altas. Um sistema ideal tem um
MTF constante para todas as frequências espaciais, ou seja, reproduz exatamente tanto a fina
estrutura (altas frequências espaciais) e áreas de sinal relativamente uniforme
intensidade (baixas frequências espaciais). Na prática, como visto anteriormente, os sistemas de

imagem têm uma resolução espacial finita, e as altas frequências espaciais devem, em algum valor,
começar a ser atenuadas: quanto maior a atenuação, pior a resolução espacial. Matematicamente,
o MTF é dado pela transformada de Fourier do PSF:
MTF kx; ky; kz 5 F PSF

f ð Þx
g ; você; z ; ð1:4Þ
onde kx, ky e kz são as frequências espaciais medidas em linhas/mm correspondentes às

dimensões espaciais x, y e z medidas em mm. As propriedades da transformada de Fourier estão
resumidas na Seção 1.9. A relação entre um MTF unidimensional (para simplificar) e um PSF é
mostrada na Figura 1.7. O MTF ideal, independente da frequência espacial, corresponde a um PSF
que é uma função delta. Quanto mais amplo for o PSF, mais estreito será o MTF e maior será o grau
de perda da informação de alta frequência espacial.
Como o PSF e o MTF estão relacionados pela transformada de Fourier, e uma convolução em
um domínio é equivalente à multiplicação no outro (Seção 1.9.2), o MTF geral do sistema de imagem
pode ser calculado multiplicando-se os efeitos de todos os os componentes contribuintes.
tcejbo
)y(FSP k(FTMy )
sim
a ky
k(FTMy )
)y(FSP
b
sim
ky
k(FTMy )
)y(FSP
c
sim
ky
Figura 1.7
(topo) O objeto sendo fotografado corresponde a um conjunto de linhas com frequência espacial crescente
da esquerda para a direita. (a) Um PSF ideal e o MTF correspondente produzem uma imagem que é
uma representação perfeita do objeto. (b) Um PSF ligeiramente mais amplo produz um MTF que perde a
informação de frequência espacial muito alta e a imagem resultante fica desfocada. (c) O PSF mais amplo
corresponde ao MTF mais estreito e à maior perda de informação de alta frequência espacial.
1.4 Relação sinal-ruído
Em todos os sinais medidos ou gravados há alguma contribuição do ruído. O estalo no rádio

ou no celular é talvez o fenômeno mais familiar.
Ruído refere-se a qualquer sinal que é gravado, mas que não está relacionado com o sinal
real que se está tentando medir (observe que isso não inclui artefatos de imagem, que são
considerados separadamente na Seção 1.8). Nos casos mais simples, o ruído pode ser
considerado como um sinal aleatório que se sobrepõe ao sinal real.
Uma vez que é aleatório, o valor médio é zero, o que não dá nenhuma indicação do nível de
ruído e, portanto, a medida quantitativa do nível de ruído é convencionalmente o desvio
padrão do ruído. É importante no projeto de instrumentação de imagens médicas que o sinal
gravado seja o maior possível para obter a maior relação sinal-ruído (SNR). Um exemplo dos
efeitos do ruído na qualidade da imagem é mostrado na Figura 1.8. À medida que o nível de
ruído aumenta, o conteúdo de informação e a utilidade diagnóstica da imagem são reduzidos
significativamente.
Os fatores que afetam a SNR para cada modalidade de imagem são descritos
detalhadamente nas seções relevantes de cada capítulo. No entanto, dois casos gerais são
resumidos aqui. Se o ruído for verdadeiramente aleatório, como na ressonância magnética,
então o SNR da imagem pode ser aumentado repetindo uma varredura várias vezes e depois
somando as varreduras. O sinal verdadeiro é o mesmo para cada varredura e, portanto, soma-
se 'coerentemente': para N varreduras co-adicionadas, o sinal total é N vezes maior que o de
uma única varredura. No entanto, o ruído em cada pixel é aleatório, e a teoria básica do sinal
determina que o desvio padrão de uma variável aleatória aumenta apenas como a raiz
quadrada do número de varreduras co-adicionadas. Portanto, o SNR geral aumenta como a
raiz quadrada do número de varreduras. Um exemplo de ressonância magnética, no qual
essa “média de sinal” é comumente usada, é mostrado na Figura 1.9. A compensação na
média do sinal é o tempo adicional necessário para a aquisição de dados, o que significa que
a média do sinal não pode ser usada, por exemplo, em situações de varredura dinâmica.
Na imagem ultrassônica a situação é mais complicada, uma vez que a principal contribuição
do ruído do speckle é coerente e, portanto, a média do sinal não aumenta o SNR. Entretanto,
se as imagens forem adquiridas com o transdutor orientado em ângulos diferentes em relação
ao paciente, uma técnica conhecida como imagem composta (abordada na Seção 4.8.4),
então o pontilhado em imagens diferentes será apenas parcialmente coerente. A média das
imagens, portanto, dá um aumento na SNR, mas por um fator menor que a raiz quadrada do
número de imagens.
No segundo caso geral, conforme discutido detalhadamente nos Capítulos 2 e 3, a SNR
em raios X e medicina nuclear é proporcional à raiz quadrada do número de raios X e raios C,
respectivamente, que são detectados. Este número depende de muitos fatores, incluindo a
dose de saída do tubo de raios X ou a quantidade de
11 1.4 Relação sinal-ruído
Figura 1.8
Os efeitos do ruído na qualidade da imagem de uma imagem de RM. À medida que o desvio padrão (r) do ruído
aumenta (de cima para baixo), as características da imagem tornam-se indistinguíveis.
a b c d
Figura 1.9
Média de sinal para melhorar o SNR da imagem. (a) imagem de RM adquirida em uma única varredura, (b) duas
varreduras idênticas em média, (c) quatro varreduras e (d) dezesseis varreduras.
elemento radioativo injetado e quanta radiação é absorvida pelo corpo.

O limite final do SNR é a dose de radiação para o paciente, com limites que são
controlados por diversas diretrizes governamentais em todo o mundo. As imagens
de raios X em geral têm SNR muito alta, mas para exames de medicina nuclear o número
de raios C detectados é muito menor e, portanto, o tempo de varredura é prolongado em comparação

para exames de raios X, com o tempo total limitado pelo conforto do paciente.
1.5 Relação contraste-ruído
Mesmo que uma imagem específica tenha uma SNR muito alta, ela não é útil para diagnóstico
a menos que haja um CNR suficientemente elevado para poder distinguir entre diferentes
tecidos e, em particular, entre tecidos saudáveis e patológicos. Existem várias definições de contraste
de imagem, sendo as mais comuns:
CAB 5 jj SASB _ ; ð1:5Þ
onde CAB é o contraste entre os tecidos A e B, e SA e SB são os sinais

dos tecidos A e B, respectivamente. O CNR entre os tecidos A e B é definido em
termos dos respectivos SNRs dos dois tecidos:
TÁXI 5
jj SASB _
CNRAB 5 5 jj SNRA SNRB ; ð1:6Þ
RN RN
onde rN é o desvio padrão do ruído.

Além do contraste intrínseco entre tecidos específicos, o CNR claramente
depende tanto do SNR da imagem quanto da resolução espacial. Por exemplo, na Figura 1.1,
uma resolução espacial diminuída na Figura 1.1 (b) reduziu o CNR da imagem devido a
efeitos de 'volume parcial'. Isto significa que o contraste entre a lesão e
o tecido saudável é diminuído, uma vez que os voxels (pixels volumétricos) contêm contribuições
tanto da lesão de alto contraste, mas também do tecido circundante devido à
PSF ampliado. A Figura 1.1 (c) e a Equação (1.6) mostram que uma SNR reduzida também
reduz o CNR.
1.6 Filtragem de imagens
Após os dados terem sido adquiridos e digitalizados e as imagens reconstruídas,

melhorias adicionais podem ser feitas filtrando as imagens. Este processo é semelhante
ao disponível em muitos produtos de software para fotografia digital. O particular
O filtro usado depende da modalidade de imagem e das características da imagem que
a maioria precisa ser melhorada.
Os tipos mais simples de filtro são passa-alta ou passa-baixa, referindo-se à sua

características no domínio da frequência espacial, ou seja, um filtro passa-alta acentua
os componentes de alta frequência espacial na imagem e vice-versa. Alta espacial
13 1.6 Filtragem de imagens
as frequências correspondem a pequenos objetos e bordas nas imagens e, portanto, são 'aprimoradas'
por meio de um filtro passa-alta, melhorando assim a resolução espacial.
Porém, o ruído presente na imagem, por ter uma variação aleatória pixel a pixel, também corresponde
a frequências espaciais muito altas, e assim a SNR de uma imagem filtrada passa-alta diminui,
conforme mostrado na Figura 1.10. Um filtro passa-alta é adequado, portanto, para imagens com
SNR intrínseca muito alta, nas quais o objetivo é captar detalhes muito finos.
Em contraste, um filtro passa-baixa atenua o ruído, aumentando assim o SNR na imagem filtrada.
A desvantagem é que outras características da imagem que também são representadas por altas
frequências espaciais, por exemplo, características pequenas, são suavizadas por este tipo de filtro.
Filtros passa-baixa são normalmente aplicados a imagens com SNR intrinsecamente baixo e
resolução espacial relativamente baixa (que não é substancialmente degradada pela aplicação do
filtro), como medicina nuclear planar.
varreduras.
Filtros especializados também podem ser usados para detectar bordas em imagens, por exemplo.
Este processo é muito útil se o objetivo for segmentar imagens em diferentes compartimentos
teciduais. Como as bordas têm um gradiente acentuado na intensidade do sinal de um pixel para o
pixel adjacente, pode-se considerar que a abordagem básica é medir a inclinação
MTF(k)
Filtro passa-baixa
MTF(k)
Filtro passa-alta
Figura 1.10
Os efeitos da filtragem passa-baixa e passa-alta. Os filtros passa-baixa melhoram o SNR às custas de uma
perda na resolução espacial: os filtros passa-alta aumentam a resolução espacial, mas reduzem o SNR.
da imagem realizando uma derivada espacial. Como a detecção de bordas também amplifica
o ruído em uma imagem, o processo geralmente é seguido por alguma forma de filtragem
passa-baixa para reduzir o ruído.
Um exemplo muito simples de como as imagens podem ser filtradas na prática é a
convolução da imagem com um 'kernel' de filtro especificado. Eles podem ser representados
por uma pequena matriz, cujo tamanho típico é 3 3 3. No exemplo unidimensional mostrado
na Figura 1.11, o processo de convolução da imagem envolve deslizar o kernel pela imagem,
multiplicando cada pixel pelo componente correspondente do kernel e substituindo o pixel
central pela soma desses valores. O kernel é então deslocado por um pixel na dimensão
horizontal e o processo é repetido até que o kernel tenha sido aplicado a todos os pixels
nesta dimensão horizontal. No exemplo da Figura 1.11, a imagem original possui um pixel
com um valor particularmente alto (32) em comparação com os pixels circundantes. Após a
filtragem, a diferença é muito menor, mostrando os efeitos do filtro passa-baixo de
suavização. Para filtragem bidimensional, o processo acima é repetido para a próxima linha
de pixels até que toda a imagem seja coberta.
egami lanigiro retif egami deretlif
351 645 21/121/121/1 351 645
2334 965 21/121/421/1 ba4 9 CC
4016 788 21/121/121/1 4016 788
/4()3(+)21/1()4(+)21/1()3(+)21/1()5(+)21/1()1(=a 4,6=)21/1 ()4(+)21/1()01(+)21/1()6(+)21/1()23(+)21
/4()23(+)21/1()3(+)21/1()5(+)21/1()3(+)21/1()5(=b 3,41=)21/1 ()8(+)21/1()4(+)21/1()01(+)21/1()5(+)21
/4()5(+)21/1()23(+)21/1()4(+)21/1()5(+)21/1()3(=c 5,7=)21/1 ()8(+)21/1()8(+)21/1()4(+)21/1()6(+)21
/4()6(+)21/1()5(+)21/1()6(+)21/1()4(+)21/1()5(=d 3,6=)21/1 ()7(+)21/1()8(+)21/1()8(+)21/1()9(+)21
351 645
3.414.64 96.35.7 egami deretlif
4016 788
Figura 1.11
Exemplo numérico mostrando a aplicação de um kernel de convolução passa-baixa. A imagem original é filtrada,
sendo as intensidades de imagem 3, 32, 5 e 6 (sombreadas) substituídas por a, b, c e d, respectivamente, na
imagem filtrada. Esses valores são calculados conforme mostrado pelos termos entre parênteses para fornecer
os valores mostrados na grade inferior.
15 1.7 Aquisição de dados: conversores analógico-digitais
Esta é uma demonstração muito simples de filtragem. Na prática, abordagens matemáticas

muito mais sofisticadas podem ser usadas para otimizar o desempenho do filtro, dadas as
propriedades da imagem específica. Isto é especialmente verdadeiro se o MTF do sistema for
conhecido, caso em que podem ser utilizadas técnicas de filtragem 'combinada' ou deconvolução.
1.7 Aquisição de dados: conversores analógico-digitais
Durante muitos anos, todas as imagens médicas foram visualizadas e armazenadas em filme
fotográfico. Hoje em dia, todos os hospitais modernos estão na “era digital”, em que as imagens
são adquiridas e armazenadas digitalmente. Elas podem ser pós-processadas e filtradas para
maximizar a qualidade do diagnóstico, as imagens adquiridas em momentos diferentes podem
ser comparadas quantitativamente para determinar a eficácia de uma terapia e as imagens
também podem ser transferidas automaticamente para outro hospital se o paciente mudar de local.
Independentemente do sistema de imagens médicas específico, o requisito comum para a
produção de imagens digitais é um conversor analógico-digital, que recebe uma tensão de
entrada analógica do sistema de imagens médicas e produz uma saída digital. Com exceção
da ressonância magnética, os sinais de entrada da maioria das modalidades de imagens
médicas não são tensões em si e, portanto, devem ser convertidos em tensões utilizando um
detector apropriado. Um esquema geral de fluxo de dados para produzir uma saída digital é
mostrado na Figura 1.12.
Radiografia plana
Tomografia computadorizada saída
digital
raios X
Medicina nuclear
ESPECTO, ANIMAL DE ESTIMAÇÃO
Tensão saída
Detector
analógica digital
-raios Conversor
Amplificador analógico
para digital
Ultrassom saída
digital
Ondas de pressão
ressonância magnética
saída
Tensão digital
Figura 1.12
Fluxo de dados de diferentes modalidades de imagens médicas para produzir uma saída digital.
1.7.1 Faixa dinâmica e resolução
O conversor analógico-digital (ADC) ideal converte um sinal de tensão contínua em um

sinal digital com a maior fidelidade possível, ao mesmo tempo que introduz o mínimo de
ruído possível. As especificações importantes de um ADC são a faixa dinâmica, a faixa de
tensão (máximo ao mínimo), a frequência máxima de amostragem e a largura de banda de
frequência.
O conceito de faixa dinâmica é familiar na fotografia digital e em dispositivos de áudio,
como CDs. Por exemplo, a faixa dinâmica de uma fotografia pode ser expressa como o
número de níveis de cor ou o número de níveis de tons de cinza. Quanto maior o número,
mais precisamente as diferenças sutis de cor ou tons de cinza podem ser reproduzidas. A
Figura 1.13 mostra um exemplo de imagem médica que é digitalizada com um número
diferente de níveis de tons de cinza: claramente quanto maior o número de níveis, maior
será a qualidade da imagem.
Da mesma forma, para um dispositivo de áudio, a faixa dinâmica descreve a diferença nos
níveis de som que podem ser reproduzidos com precisão, de muito alto a muito baixo. Se a
faixa dinâmica for muito pequena, sons muito suaves poderão ser muito baixos para serem
detectados.
Para um ADC, a faixa dinâmica é medida em bits e especifica o número de valores
diferentes que a saída do ADC pode ter. Para um ADC de N bits, o número de valores de
saída diferentes é dado por 2N. Por exemplo, um ADC de 8 bits pode ter valores de 1 a 255
(28 =256), enquanto um ADC de 16 bits pode fornecer valores de 1 a 65535. A diferença
entre esses níveis é chamada de resolução, e seu valor é dado pela faixa de tensão do
ADC dividida pelo número de níveis.
256 níveis 16 níveis 4 níveis
Figura 1.13
Representação de uma imagem de RM com no máximo 256, 16 e 4 níveis de tons de cinza, correspondendo a
ADCs de 8, 4 e 2 bits. A qualidade da imagem já foi significativamente reduzida em 16 níveis.
Exemplo 1.2 Qual é a diferença mínima de tensão que pode ser medida por um circuito de 5 volts e 12 bits?
ADC?
Solução Existem 4096 níveis diferentes que podem ser medidos pelo ADC, com valores de 25 a 5 volts
(observe que a tensão máxima do ADC refere-se a valores positivos e negativos). Portanto,
a diferença mínima de tensão é dada por 10/4096 = 2,44 mV.
Mesmo ADCs com resolução muito alta não conseguem reproduzir perfeitamente um
sinal analógico. A diferença entre o sinal de entrada analógico verdadeiro e a saída
digitalizada é chamada de erro de 'quantização', e esse erro torna-se menor quanto maior o
número de bits, conforme mostrado na Figura 1.14. Na Figura 1.14, também pode ser /2 do
1
visto que os valores do erro de quantização ficam entre 0 e 6 de resolução. ADC
Para minimizar a contribuição relativa dos erros de quantização, portanto, a tensão de

entrada para o ADC deve ser a maior possível, sem 'saturar', ou seja, ultrapassar o valor
máximo do ADC (o que leva a artefatos). .
Como as tensões na saída dos vários detectores podem ser bastante pequenas, da ordem
de micro ou milivolts, é utilizado um amplificador com ganho suficiente para dar um sinal
para preencher o ADC.
a b
c d
Figura 1.14
Faixa dinâmica e erro de quantização. (a) O sinal analógico senoidal que deve ser digitalizado. (b) O sinal
registrado por um ADC de três bits (linha escura) e o erro de quantização (linha tracejada). (c) Gráfico
correspondente para um ADC de cinco bits e (d) um ADC de seis bits.
1.7.2 Frequência de amostragem e largura de banda
O segundo conjunto importante de especificações para o ADC é a frequência máxima que

pode ser amostrada e a largura de banda na qual as medições devem ser feitas. O
teorema de Nyquist afirma que um sinal deve ser amostrado pelo menos duas vezes mais
rápido que a largura de banda do sinal para reconstruir a forma de onda com precisão,
caso contrário, o conteúdo de alta frequência será aliasado a uma frequência dentro do
espectro de interesse [1;2].
Antes da digitalização, os dados recebidos passam por um filtro analógico passa-baixa
ou passa-banda para remover componentes de ruído fora da largura de banda do sinal,
conforme mostrado na Figura 1.15. Adquirir uma largura de banda maior do que o
necessário não é ideal, pois o nível de ruído é proporcional à raiz quadrada da largura de
banda do receptor. Se a largura de banda de medição for menor
do que a faixa de frequências que está sendo digitalizada, o sinal fora da largura de banda
de medição será desviado de volta para o espectro, como mostrado na Figura 1.15.
Cada ADC específico tem uma taxa de amostragem máxima especificada na qual pode
atingir sua resolução mais alta: por exemplo, muitos ADCs usados para sistemas de
imagens médicas podem amostrar a 80 MHz com uma resolução de 14 ou 16 bits, mas
acima dessa taxa a resolução cai significativamente . Se o sinal a ser digitalizado tiver
uma frequência maior que a frequência máxima de amostragem do ADC, ele deverá ser
convertido para um valor inferior antes de ser alimentado no ADC.
htdiwdnab htdiwdnab
eugolana Langis Desaila

retlife
01 51 02 01 51 02
erf q cneu y )zHk( )zHk( ycneuqerf
Figura 1.15
(esquerda) Um conjunto de sinais entre 10 e 20 kHz é adquirido definindo a frequência central do ADC para 15
kHz com largura de banda de 10 kHz. (direita) Se um sinal inesperado estiver presente fora da largura de banda
em 22 kHz, ele será alterado de volta para o espectro. Como o sinal é parcialmente filtrado pelo filtro analógico,
a intensidade do sinal com alias é reduzida em comparação com a sua verdadeira intensidade.
1.7.3 Sobreamostragem digital
Existem vários problemas com o esquema de amostragem simples descrito na seção anterior.
Primeiro, os filtros analógicos não podem ser absolutamente 'nítidos' (e têm outros problemas,
como atrasos de grupo e mudanças de fase dependentes da frequência, que não são discutidos
aqui). Em segundo lugar, a resolução de um ADC de 14 ou 16 bits pode não ser suficiente para
evitar ruído de quantização, mas ADCs de resolução mais alta normalmente não têm taxas de
amostragem suficientemente altas e são extremamente caros. Felizmente, existe um método,
denominado sobreamostragem, que pode aliviar ambos os problemas [3].
A sobreamostragem, como o nome sugere, envolve a amostragem do sinal em uma frequência
muito mais alta do que a exigida pelo teorema de Nyquist. O processo é ilustrado na Figura 1.16.
Como a largura de banda da tensão digitalizada é muito maior que a largura de banda real dos
sinais de interesse, as bordas do filtro analógico são colocadas bem distantes dos sinais reais e
a nitidez dos filtros não é mais um problema (os outros problemas de atrasos de grupo e
mudanças de fase também desaparecem).
Um filtro digital é agora aplicado aos dados amostrados para selecionar apenas a largura de
banda de interesse: um filtro digital pode ser projetado para ter uma transição extremamente nítida. No
retlif ssap-wol eugolana ,langis lanigirO

htdiwdnab hgih yrev a htiw dezitigid si langiS
retlifssapdnab latigid a fo noitacilppA
noitamiceD
s laniF p murce
Figura 1.16
Uma ilustração da sobreamostragem digital. O primeiro passo é aplicar um filtro passa-baixa analógico para
remover componentes espectrais e de ruído em frequências muito superiores à largura de banda do sinal. Os
dados são amostrados em uma frequência muito maior que a frequência de Nyquist. Um filtro passa-banda digital
é usado para selecionar apenas a largura de banda de interesse. Finalmente, o processo de dizimação (média de
pontos de dados adjacentes) é utilizado para reduzir o ruído de quantização do espectro final.
neste estágio, os dados filtrados têm N vezes mais pontos de dados (onde N é o fator de
sobreamostragem) do que teriam sido adquiridos sem sobreamostragem, e a etapa final é 'dizimar'
os dados, em que os pontos de dados sucessivos são calculados em média juntos . Como o erro de
quantização em pontos de dados alternativos é considerado aleatório, o ruído de quantização no
conjunto de dados dizimado é reduzido. Para cada fator de quatro na sobreamostragem, a resolução
equivalente do ADC aumenta em 1 bit.
1.8 Artefatos de imagem
O termo “artefato” refere-se a qualquer sinal em uma imagem que é causado por um fenômeno
relacionado ao processo de imagem, mas que distorce a imagem ou introduz uma característica
aparente que não tem contrapartida física. Existem muitos exemplos específicos para cada modalidade
de imagem: por exemplo, movimento na ressonância magnética, múltiplos reflexos na ultrassonografia
e artefatos induzidos por metal na tomografia computadorizada e na ressonância magnética de implantes.
Reconhecer as causas de tais artefatos é uma tarefa importante para quem interpreta as imagens.
Alguns exemplos são mostrados na Figura 1.17: muitos outros são abordados detalhadamente nos
capítulos relevantes.
1.9 Transformadas de Fourier
A transformada de Fourier é parte integrante do processamento de imagens para todas as

modalidades de imagens abordadas neste livro. Na ressonância magnética, o sinal é adquirido no
domínio da frequência espacial e os sinais passam por um Fourier inverso multidimensional.
a b c
Figura 1.17
Exemplos de artefatos de imagem. (a) O movimento na ressonância magnética faz com que linhas extras apareçam na imagem
(seta), (b) o sombreamento acústico no ultrassom produz um buraco negro na imagem (seta) e (c) um implante de metal causa
'artefatos com listras' em um Imagem de tomografia computadorizada.
21 1,9 transformadas de Fourier
transformar para produzir a imagem. Em CT, SPECT e PET, algoritmos de retroprojeção

filtrados são implementados usando transformadas de Fourier. Na imagem ultrassônica,
os gráficos Doppler espectrais são o resultado da transformação de Fourier dos sinais
Doppler demodulados no domínio do tempo. Esta seção resume a matemática básica e
as propriedades da transformada de Fourier, com ênfase nas propriedades relevantes
para as modalidades de imagem abordadas.
1.9.1 Transformação de Fourier do tempo e do espaço

sinais no domínio da frequência
A transformada direta de Fourier de um sinal no domínio do tempo, s(t), é dada por:
'
coloque j2pftdt: ð1:7Þ
SðfÞ 5ð
'
A transformada inversa de Fourier de um sinal no domínio da frequência, S(f), é dada por:
1 '
sessão 5 ð1:8Þ
2pð SðfÞe1j2pftdf:
'
A transformada direta de Fourier de um sinal de domínio espacial, q(x), tem a forma:
'
sðxÞej2pkxx dx: ð1:9Þ
SðkÞ 5ð
'
A transformada inversa de Fourier correspondente de um domínio de frequência espacial
sinal, S(k), é dado por:
'
SðkÞe1j2pkxx dk: ð1:10Þ
sðxÞ 5ð
'
Alguns pares de Fourier úteis são mostrados na Figura 1.18: cada uma das funções
específicas ocorre em múltiplas instâncias nas modalidades de imagens médicas
abordadas aqui.
Na imagem, os sinais são claramente adquiridos em mais de uma dimensão, e a reconstrução
da imagem requer então uma transformação de Fourier multidimensional. Por exemplo, a
ressonância magnética adquire intrinsecamente dados bidimensionais do espaço k, para os
quais os pares de Fourier são dados por:
Figura 1.18
Três pares de transformada de Fourier comumente usados em reconstrução de imagem e espectral.
' '
Þ kxx 1
kyy dxdy ; ð1:11Þ
Sðkx; kyÞ 5ð ð sexo; você j2pð
' '
' '
S kx; ky e dkxdky : ð1:12Þ
sexo; sim 5 ð ð 1j2pð Þ kxx 1 kyy
' '
Para aquisição de dados tridimensionais de ressonância magnética, é necessária uma
transformada inversa de Fourier tridimensional correspondente do espaço k para o domínio espacial.
Essas transformadas de Fourier de dimensão superior são normalmente implementadas como
transformadas unidimensionais sequenciais ao longo das respectivas dimensões. Por exemplo, isso
significa que uma transformada de Fourier bidimensional de uma função f(x,y) pode ser implementada
realizando primeiro uma transformada de Fourier unidimensional ao longo do eixo x e, em seguida,
uma segunda transformada de Fourier ao longo do eixo y- eixo. Algoritmos computacionais
altamente eficientes tornam a transformada de Fourier uma das transformações matemáticas mais rápidas de realiz
1.9.2 Propriedades úteis da transformada de Fourier
Para compreender muitos aspectos da imagem médica, tanto em termos da

resolução espacial inerente à modalidade de imagem específica como também da
23 1,9 transformadas de Fourier
efeitos do pós-processamento de imagem, uma série de propriedades matemáticas da

transformada de Fourier são muito úteis. Os exemplos mais relevantes estão listados abaixo,
com exemplos específicos das modalidades de imagem abordadas neste livro.
(a) Linearidade. A transformada de Fourier de duas funções aditivas é aditiva:
as1ðtÞ 1 bs2ðtÞ5aS1ðfÞ 1 bS2ðfÞ ,

ð1:13Þ
aS1ðxÞ 1 bS2ðxÞ5as1ðkxÞ 1 bs2ðkxÞ
onde 5 representa a transformação direta de Fourier da esquerda para a direita e

a transformada inversa de Fourier da direita para a esquerda. Este teorema mostra
que quando o sinal adquirido é, por exemplo, a soma de uma série de diferentes
funções senoidais, cada uma com uma frequência e amplitude diferentes, então as
amplitudes relativas desses componentes são mantidas quando os dados são
transformados em Fourier, como mostrado na
Figura 1.19. (b) Convolução. Se dois sinais são multiplicados juntos, então o sinal
no domínio de Fourier é dado pela convolução dos dois componentes individuais
da transformada de Fourier, por exemplo
s1ð Þt s2ð Þt 5S1ð Þ f S2ð Þf ,

ð1:14Þ
s1ð Þ kx s2ð Þ kx 5S1ð Þ x S2ð Þx
onde * representa uma convolução. Essa relação é mostrada na Figura 1.20.
A convolução, f(x), de duas funções p(x) e q(x) é definida como:

'
p xð Þ s qð Þs ds: ð1:15Þ
f xð Þ 5 p xð Þ q xð Þ 5 ð
'
f1
+ TF
=
f2
+ f1 f2 f3
f3
emitir ycneuqerf
emitir
Figura 1.19
Um sinal no domínio do tempo (centro) é composto por três sinais diferentes no domínio do tempo (esquerda). O
espectro de frequência transformado de Fourier (à direita) produz sinais para cada uma das três frequências com
as mesmas amplitudes dos dados no domínio do tempo.
….. …..
tempo tempo tempo tempo
frequência frequência frequência frequência
Figura 1.20
A correspondência entre multiplicação em um domínio (tempo no topo) com convolução no

domínio de Fourier correspondente (frequência na parte inferior). O sinal no domínio do tempo no canto superior esquerdo pode ser
representado como uma onda senoidal infinitamente longa multiplicada por um período de amostragem finito (retângulo) e um
função exponencial. Exemplos deste tipo de função são um sinal de RM ou um pulso de ultrassom. No
domínio da frequência, a função Lorenziana (canto inferior esquerdo) é dada pela convolução de uma função delta, uma
função sinc e outra função Lorenziana que são as transformadas de Fourier do correspondente
funções no domínio do tempo.
Em geral, a imagem pode ser representada pelo objeto real envolvido com o
PSF para a modalidade de imagem específica usada. Três exemplos de convolução
abordados neste livro são os efeitos de uma largura de feixe finita em imagens de ultrassom,
falta de nitidez geométrica nas imagens de raios X e valores curtos de T2 na ressonância
magnética. A convolução também é parte integrante dos algoritmos de filtragem de imagem e retroprojeção.
(c) Lei de escala. Se um sinal no domínio do tempo ou no domínio espacial for escalonado por um
fator b nesse domínio específico, ou seja, esticado ou comprimido, então é Fourier
a transformação é escalonada pelo fator inverso, ou seja:
1 f
sðbtÞ5 S
jjb b
ð1:16Þ
1 kx
sðbxÞ5 S :
jjb b
Existem numerosos exemplos abordados neste livro. Já está delineado o

relação entre o PSF e o MTF, e o LSF e o unidimensional
FTM. Como os parâmetros estão relacionados por uma transformada de Fourier, quanto mais amplo for o
LSF, por exemplo, mais estreito é o MTF, e vice-versa, como mostra a Figura 1.21.
1.10 Retroprojeção, sinogramas e retroprojeção filtrada
Reconstrução de uma imagem bidimensional a partir de uma série de imagens unidimensionais

projeções são necessárias para CT, SPECT e PET. Um grande número de um-
25 1.10 Retroprojeção, sinogramas e retroprojeção filtrada
LSF FTM
distância frequência espacial
Figura 1.21
A relação entre o LSF e o MTF de um sistema de imagem é governada pela lei de escala de Fourier, na qual
uma função ampla em um domínio corresponde a uma função estreita no outro.
Figura 1.22
O objeto sendo fotografado é representado como f(x,y) onde xey representam as coordenadas da imagem.
Neste exemplo, valores mais altos de f(x,y) são representados por cores mais escuras. A projeção traça
a intensidade da projeção em função de r: portanto, os valores mais altos correspondem a linhas que passam
pelas áreas mais escuras em forma de disco.
projeções dimensionais, p1, p2... .pn, são adquiridas com o detector orientado em
diferentes ângulos em relação ao objeto, conforme mostrado na Figura 1.22. A 'imagem'
específica que se está tentando reconstruir depende da modalidade de imagem, ou seja,
na TC a imagem corresponde às unidades Hounsfield (relacionadas ao coeficiente de
atenuação dos raios X), no SPECT e PET a imagem representa a biodistribuição do
radioativo injetado agente. Se considerarmos um único corte do paciente, o parâmetro
relevante no paciente pode ser expresso matematicamente como uma função f(x,y), em
que os valores espacialmente dependentes de f correspondem à distribuição do
radiofármaco no SPECT ou PET, ou coeficientes de atenuação em tomografia
computadorizada de raios X. Em geral, o detector está em um ângulo de u graus em relação ao eixo x
medição, com u tendo valores entre 0 e 360. A projeção medida

em cada ângulo você é denotado por p (r, você).
1.10.1 Retroprojeção
Após todas as projeções terem sido adquiridas, a reconstrução da imagem usando

retroprojeção atribui um peso igual a todos os pixels que contribuem para cada
projeção. Este processo é repetido para todas as projeções e as intensidades dos
pixels são somadas para fornecer a imagem reconstruída. Um exemplo é mostrado na Figura
1.23. O objeto consiste em um cilindro simples com intensidade uniforme em todo
o disco e intensidade zero fora do disco. A projeção p1 é adquirida em um ângulo
u=0, projeção p2 em u=45, p3 em u=90 e assim por diante até p8. O processo de
a retroprojeção atribui um peso igual a todos os pixels na imagem reconstruída para
cada projeção, conforme mostrado na Figura 1.23(b). Soma de cada imagem individual
fornece o resultado da Figura 1.23 (c), que é a imagem retroprojetada.
^ Se o objeto for representado por f(x,y), a imagem reconstruída recebe o símbolo

fðx; yÞ, onde o circunflexo representa a imagem estimada, e é dado por:
1234
página 6
p5 pág.4
pág.7 pág.3
5678
p1 p2
pág.8
a b
Figura 1.23
O processo de retroprojeção. (a) A partir de um pequeno objeto redondo com intensidade de sinal uniforme, oito
projeções são obtidas com incrementos angulares de 45. As oito projeções são mostradas em (b) com o
áreas escuras correspondentes à intensidade de sinal mais alta. (c) O processo de retroprojeção envolve
somatório das imagens mostradas em (b). Um significativo 'artefato estelar' é visível devido ao pequeno número de
projeções.
Objeto N=8 N=30 N=90 N=360
Figura 1.24
O efeito de um número diferente de projeções (N) na imagem retroprojetada. O objeto é um quadrado

de intensidade de sinal uniforme (extrema esquerda). Com oito projeções há sinal significativo em áreas distantes
do objeto. À medida que o número de projeções aumenta a reconstrução melhora, com um resultado perfeitamente
reconstrução utilizável com 90 projeções e uma reconstrução quase perfeita com 360 projeções.
^ n
fðx; sim 5 + pðr;ujÞdu; ð1:17Þ

j51
onde n é o número de projeções. Claramente, uma importante aquisição de dados
parâmetro é o número de projeções que são adquiridas. Se houver poucas projeções
são adquiridos, então ocorrem artefatos de imagem significativos na reconstrução de dados: Figura
1.24 mostra exemplos desses chamados artefatos de “sequência”.
1.10.2 Sinogramas
Um método comum de exibição de dados de projeção é um sinograma, no qual as projeções são

plotadas em função do ângulo u. A fim de reduzir a dimensionalidade do gráfico, as projeções são
traçadas com a amplitude do sinal representada por
o brilho do sinograma, com uma alta amplitude correspondente a um brilho
pixel e uma baixa amplitude para um pixel escuro. Como mostrado na Figura 1.25, os sinogramas podem
ser usado para detectar a presença de movimento do paciente, que é visível como um sinal
descontinuidade. Tais movimentos podem causar artefatos graves nas imagens reconstruídas.
1.10.3 Retroprojeção filtrada
O processo de retroprojeção descrito até agora tem um problema inerente na

que resulta em intensidade de sinal fora do objeto real, conforme mostrado nas Figuras 1.23
e 1,24. Embora este efeito possa ser reduzido aumentando o número de projeções que são adquiridas
e processadas, mesmo o uso de um número muito grande de
projeções levam a algum desfoque da imagem. Este efeito é bem compreendido e
a análise matemática mostra que a aplicação de uma função de filtro apropriada para
cada projeção antes da retroprojeção pode reduzir esse desfoque [4]. O filtro é
aplicado via convolução: os efeitos em uma projeção muito simples são mostrados em
Figura 1.26.
p(r, ) p(r, )
0 0
90 90
180 180
270 270
360 360
Figura 1.25
Exemplos de sinogramas de um objeto que não se move durante a varredura (esquerda) e que se move
aproximadamente na metade da varredura (direita), sendo o movimento visto como um deslocamento no sinograma.
Figura 1.26
O efeito da convolução de uma projeção p(r,u) com a função de filtro espacial h(r). O lóbulo negativo na
projeção filtrada minimiza o “artefato estelar” na imagem reconstruída.
Intuitivamente, pode-se ver que o lóbulo negativo introduzido em torno das bordas da projeção
cancelará o sinal positivo indesejado de 'desfoque' em torno da borda do objeto. Do ponto de vista
prático, é importante que o processo de retroprojeção filtrada seja o mais eficiente computacionalmente
possível, uma vez que o processamento em tempo real de imagens médicas permite o planejamento
interativo da imagem enquanto o paciente está no scanner. Conforme descrito até agora, a projeção
é filtrada no domínio espacial, e a projeção filtrada resultante, p#(r,u), pode ser representada como:
p0ðÞr ; você 5 p rð Þ ;uh rð Þ: ð1:18Þ
Como o processo matemático de convolução é computacionalmente intensivo e, portanto, lento,

na prática a retroprojeção filtrada é realizada no domínio da frequência espacial usando métodos de
transformada rápida de Fourier. A convolução no domínio espacial é equivalente à multiplicação no
domínio da frequência espacial, e a multiplicação pode ser realizada muito mais rapidamente do que
a convolução. Cada projeção p(r,u) é transformada de Fourier ao longo da dimensão r para dar
P(k,u), e então P(k,u) é multiplicado por H(k), a transformada de Fourier de h(r), para dar P#(k,u):
H(k)
1
Figura 1.27
Funções usadas para retroprojeção filtrada. O filtro Ram-Lak [4] (linha pontilhada) representa um filtro
passa-alta, uma função de Hamming (linha fina) é um filtro passa-baixa e a combinação dos dois (linha
grossa) produz um filtro passa-faixa.
abc d e
Figura 1.28
O processo de retroprojeção filtrada. (a) O fantasma Shepp-Logan. (b) O sinograma produzido a partir do
fantasma Shepp-Logan usando 180 projeções. (c) Imagem reconstruída usando retroprojeção
simples sem filtragem. A imagem tem SNR muito alto, mas mostra desfoque significativo. (d) A imagem
reconstruída usando retroprojeção filtrada com filtro Ram-Lak aplicado. As arestas vivas no fantasma estão
bem representadas, mas o SNR é reduzido significativamente. (e) A reconstrução com um filtro passa-
faixa, mostrado na Figura 1.27, dá uma boa representação do objeto.
P0ðÞk ; você 5 P kð Þ ; você H kð Þ: ð1:19Þ
As projeções filtradas, P#(k,u), são transformadas inversamente por Fourier de volta ao

^
domínio espacial e retroprojetado para fornecer a imagem final, fðx; yÞ:
^ n
f xð Þ ; e 5 + F1P0k ; _ uj você: ð1:20Þ

j51
onde F21 representa uma transformada inversa de Fourier.

A forma geral de h(r) é mostrada na Figura 1.26, e vários exemplos de H(k)
no domínio da frequência espacial são mostrados na Figura 1.27.
Os efeitos da retroprojeção filtrada podem ser vistos na Figura 1.28, que usa um fantasma de
Shepp-Logan. Este é um objeto que contém características grandes e pequenas e é muito
comumente usado na avaliação de algoritmos de reconstrução de imagens.
As várias formas representam diferentes características do cérebro, incluindo o crânio, os

ventrículos e várias pequenas características que se sobrepõem a outras estruturas ou são
colocadas próximas umas das outras.
Exercícios
Especificidade, sensibilidade e ROC 1.1

Num estudo de pacientes para um novo teste para esclerose múltipla (EM), 32 dos 100 pacientes
estudados realmente têm EM. Para os dados fornecidos abaixo, complete as matrizes dois
por dois e construa um ROC. O número de lesões (50, 40, 30, 20 ou 10) corresponde ao
valor limite para designar a EM como diagnóstico.
50 lesões 40 lesões 30 lesões 20 lesões 10 lesões
20 8 1 16 3 22 6 28 12
1.2 Escolha uma condição médica e sugira um teste clínico que teria:
(a) Alta sensibilidade, mas baixa especificidade;
(b) Baixa sensibilidade, mas alta especificidade.
1.3. O que sugere uma curva ROC abaixo da linha aleatória? Poderia isso
ser útil em termos de diagnóstico?
Resolução espacial
1.4 Para os objetos unidimensionais O(x) e PSFs h(x) mostrados na Figura 1.29, desenhe as
projeções resultantes I(x). Anote se cada objeto contém
Boi) h(x) Eu(x)
Figura 1.29
Veja o Exercício 1.4.

31 exercícios
frequências espaciais altas, baixas ou ambas, e que é mais afetado pelo

ação de h(x).
1.5 Mostre matematicamente que o FWHM de uma função gaussiana é dado por:
ffiffiffiffiffiffiffiffi
FWHM 5 2 2 em 2 pr ffi 2:36r:
1.6 Trace o MTF em um único gráfico para cada um dos filtros de convolução mostrados
abaixo.
1 1 1 1 1 1 1 1 1
1 4 1 1 12 1 1 1 1
111 111 111
1.7 Que tipo de filtro é representado pelo seguinte kernel?
1 0 -1
1 0 -1
1 0 -1
1.8 Usando o filtro do Exercício 1.7 calcule a imagem filtrada usando o original
imagem da Figura 1.11.
Aquisição de dados
1.9 Um sinal de ultrassom é digitalizado usando um ADC de 16 bits a uma taxa de amostragem de 3
MHz. Se a imagem leva 20 ms para ser adquirida, quantos dados (em Mbytes) existem
em cada imagem de ultrassom. Se as imagens forem adquiridas continuamente durante 20 s, o que
é a saída total de dados da varredura?
1.10 Se um sinal for digitalizado a uma taxa de amostragem de 20 kHz centrada em 10 kHz, a que
frequência apareceria um sinal de 22 kHz?
1.11 Um sinal é amostrado a cada 1 ms durante 20 ms, com os seguintes valores reais de
a tensão analógica em tempos de amostragem sucessivos. Trace os valores do
tensão registrada por um ADC de 5 volts e 4 bits, assumindo que o nível de ruído é muito
menor que o sinal e, portanto, pode ser desprezado. No mesmo gráfico, trace o
erro de quantização.
x x
sim sim
Figura 1.30
Figura 1.31
SinalðvoltsÞ 5 4:3; 11:2; 0:6; 0:9; 13:4; 2:7; 14:3; 10:1; 3:2; 4:6; 11:8; 13:6; 12:4; 2:7; 10:5;
0:5; 3:7; 12:1; 4:1; 0:4
1.12 Usando o mesmo sinal do exercício 1.11, represente graficamente os valores da tensão e
do erro de quantização registrados por um ADC de 5 volts e 8 bits.
Transformadas de Fourier
1.13 Na Figura 1.20, trace os sinais no domínio do tempo e da frequência para o caso em que
o tempo de amostragem torna-se muito curto.
1.14 A Figura 1.30 mostra dois PSFs bidimensionais diferentes no domínio espacial (x,y).
Desenhe os MTFs bidimensionais correspondentes na dimensão de frequência espacial
(kx, ky ) e represente graficamente separadamente o MTF unidimensional vs.
33 Referências
p(r, )
0
90
180
Figura 1.32
Retroprojeção
1.15 Para a Figura 1.25, sugira uma forma possível que poderia ter produzido a
sinograma.
1.16 Para o objeto mostrado na Figura 1.31: (a) desenhe as projeções nos ângulos de 0, 45,
90 e 135, e (b) desenhe o sinograma do objeto. Suponha que uma área escura
corresponda a uma área de sinal alto.
1.17 É feita uma varredura em um paciente e uma área de radioatividade é encontrada. O
sinograma é mostrado na Figura 1.32. Supondo que a radioatividade seja uniforme
dentro da área alvo, qual é uma forma possível da área de radioatividade?
Referências
[1] Shannon CE. Comunicação na presença de ruído. Engenheiros de rádio Proc Inst
37, 10–21.
[2] Nyquist H. Certos tópicos da teoria da transmissão telegráfica. Trans AIEE 1928;47,
617–44.
[3] Ritchie CR, Candy JC e Ninke WH. Conversores interpolativos digital-analógico.
IEEE Trans Communications 1974;Com-22, 1797–806.
[4] Ramachandran GN e Lakshminarayanan V. Reconstrução tridimensional a partir de
radiografias e micrografias eletrônicas: aplicações de convoluções em vez de
transformadas de Fourier. Proc Natl Acad Sci EUA 1971;68, 2236–40.

Fisical Imaging - Cap 1 (Trad)

Enviado por

Dados do documento

Título original

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

Fisical Imaging - Cap 1 (Trad)

Enviado por

Direitos autorais:

Formatos disponíveis

Machine Translated by Google

1 Características gerais da imagem,

2 Características gerais da imagem

são introduzidas imagens médicas, nomeadamente a transformada de Fourier e a

1.2 Especificidade, sensibilidade e curva característica de operação do

A precisão dos diagnósticos clínicos depende criticamente da qualidade da imagem; quanto

3 1.2 Especificidade, sensibilidade e curva ROC

Considere um estudo de imagem para determinar se um grupo de pacientes de meia-idade tem

Três medidas são comumente relatadas na análise ROC:

(i) acurácia é o número de diagnósticos corretos dividido pelo número total de

4 Características gerais da imagem

noitcarf evitisop eurT

A curva característica de operação do receptor. (esquerda) A tabela 2 3 2 mostrando os quatro resultados

Solução Como o critério utilizado para diagnóstico é independente da condição real,

5 1.3 Resolução espacial

1.3 Resolução espacial

1.3.1 Frequências espaciais

Um exemplo familiar de frequências espaciais é um teste oftalmológico padrão. Em um teste,

Padrões de grade com frequências espaciais crescentes indo de (a) a (c).

6 Características gerais da imagem

design de engenharia. Não há vantagem em termos de qualidade de imagem em aumentar

1.3.2 A função de propagação de linha

O método mais simples para medir a resolução espacial de um sistema de imagem é

7 1.3 Resolução espacial

O LSF para muitas técnicas de imagem é bem aproximado por um Gaussiano

onde r é o desvio padrão da distribuição e y0 é o centro da

FWHM 5 2 2 em 2 pr ffi 2:36r: ð1:2Þ

1.3.3 A função de dispersão de pontos

O LSF descreve o desempenho do sistema em uma dimensão. No entanto, em algumas modalidades

8 Características gerais da imagem

uma formulação tridimensional: o equivalente tridimensional do LSF é

onde * representa uma convolução e h(x,y,z) é o PSF tridimensional. Em um

1.3.4 A função de transferência de modulação

A medida mais comumente usada da resolução espacial de uma imagem

9 1.3 Resolução espacial

intensidade (baixas frequências espaciais). Na prática, como visto anteriormente, os sistemas de

MTF kx; ky; kz 5 F PSF

onde kx, ky e kz são as frequências espaciais medidas em linhas/mm correspondentes às

10 Características gerais da imagem

1.4 Relação sinal-ruído

Em todos os sinais medidos ou gravados há alguma contribuição do ruído. O estalo no rádio

11 1.4 Relação sinal-ruído

elemento radioativo injetado e quanta radiação é absorvida pelo corpo.

12 Características gerais da imagem

de raios C detectados é muito menor e, portanto, o tempo de varredura é prolongado em comparação

1.5 Relação contraste-ruído

CAB 5 jj SASB _ ; ð1:5Þ

onde CAB é o contraste entre os tecidos A e B, e SA e SB são os sinais

onde rN é o desvio padrão do ruído.

1.6 Filtragem de imagens

Após os dados terem sido adquiridos e digitalizados e as imagens reconstruídas,

Os tipos mais simples de filtro são passa-alta ou passa-baixa, referindo-se à sua

13 1.6 Filtragem de imagens

14 Características gerais da imagem

egami lanigiro retif egami deretlif

351 645 21/121/121/1 351 645

2334 965 21/121/421/1 ba4 9 CC

4016 788 21/121/121/1 4016 788

/4()3(+)21/1()4(+)21/1()3(+)21/1()5(+)21/1()1(=a 4,6=)21/1 ()4(+)21/1()01(+)21/1()6(+)21/1()23(+)21

/4()23(+)21/1()3(+)21/1()5(+)21/1()3(+)21/1()5(=b 3,41=)21/1 ()8(+)21/1()4(+)21/1()01(+)21/1()5(+)21

/4()5(+)21/1()23(+)21/1()4(+)21/1()5(+)21/1()3(=c 5,7=)21/1 ()8(+)21/1()8(+)21/1()4(+)21/1()6(+)21

/4()6(+)21/1()5(+)21/1()6(+)21/1()4(+)21/1()5(=d 3,6=)21/1 ()7(+)21/1()8(+)21/1()8(+)21/1()9(+)21

3.414.64 96.35.7 egami deretlif