Alinhamento de imagens de esclerose múltipla

4º CONGRESSO NACIONAL DE BIOMECÂNICA L. Roseiro, M. Augusta et al (Eds) Coimbra, Portugal, 4 e 5 de Fevereiro, 2011 ALINHAMENTO DE IMAGENS DE ESCLEROSE MÚLTIPLA Frederico L. Jacob 1, Ana Mafalda Reis 2 e João Manuel R. S. Tavares 3 1 Departamento de Física, Instituto Superior de Engenharia do Porto (ISEP); [email protected] 2 Serviço Médico de Imagem Computorizada (SMIC); [email protected] 3 Departamento de Engenharia Mecânica, Faculdade de Engenharia da Universidade do Porto (FEUP) / Instituto de Engenharia Mecânica e Gestão Industrial (INEGI); ta[email protected] PALAVRAS-CHAVE: ITK, Imagem Médica, Imagem por Ressonância Magnética RESUMO: Nos doentes com esclerose múltipla (EM), a imagiologia por Ressonância Magnética (RM), apesar de não ser uma técnica imagiológica específica para esta doença, permite melhorar a capacidade de diagnóstico e acompanhar a evolução das lesões associadas. Assim, os médicos especialistas são frequentemente confrontados com diversas imagens por RM, quer obtidas em instantes distintos quer adquiridas segundo condições diferentes, para avaliar e comparar cargas de lesões. Contudo, nas avaliações e comparações manuais, além de demoradas e tediosas, residem sempre numerosas fontes de erro, o que origina resultados não confiáveis e repetíveis. Desta forma, para melhorar a análise das imagens, é frequente proceder ao seu alinhamento prévio. O principal objectivo deste trabalho consiste em avaliar o desempenho de dois algoritmos no alinhamento automático das estruturas representadas em imagens cerebrais de doentes com EM, obtidas através de RM, para o acompanhamento do progresso das lesões associadas. 1 INTRODUÇÃO As imagens médicas são cada vez mais empregues no âmbito de cuidados de saúde, tanto no auxílio ao diagnóstico como na decisão terapêutica e no seguimento de doenças. Para explorar adequadamente as informações presentes nas imagens, e dessa forma comparar com precisão regiões anatómicas equivalentes, é útil obter todas as imagens num referencial comum. No processamento de imagens médicas, uma das principais tarefas prende-se com o estudo e o tratamento de diversas imagens num referencial comum [1], sendo este problema conhecido por alinhamento de imagens. Este consiste essencialmente em determinar a transformação a aplicar a uma imagem, de modo a que as estruturas representadas na mesma estejam conforme com as homólogas existentes numa segunda imagem [2]. Devido ao crescente interesse neste domínio, facilmente verificado pelos exaustivos relatórios existentes sobre o estado da arte [2-10], variados métodos de alinhamento de imagens médicas, dedicados ao cérebro humano ou mais especificamente à esclerose múltipla, têm sido propostos [11-22]. De realçar que para serem clinicamente úteis, os algoritmos de alinhamento de imagens devem ser precisos, robustos, isto é, adaptáveis a diferentes graus de desalinhamento, e flexíveis, ou seja, aplicáveis a diversas situações [23]. Os métodos de alinhamento de imagens podem basear-se em características geométricas (extraindo-se das imagens primitivas, como superfícies, pontos ou curvas) ou nas intensidades das imagens [7, 18]. Frederico L. Jacob, Ana Mafalda Reis e João Manuel R. S. Tavares Para alinhar duas imagens é necessário conhecer a transformação (ܶ) que relaciona a posição dos elementos existentes nestas, Fig. 1, sendo que o desempenho de um algoritmo de alinhamento também depende da eficácia da função considerada para deformar uma imagem de uma geometria numa outra [24]. As transformações são usualmente divididas em rígidas, para lidar com diferenças de rotação e translação entre as imagens, e em não-rígidas, geralmente tidas como essenciais para lidar com discrepâncias locais [2, 9]. Fig. 1 Representação esquemática do conceito de transformação no alinhamento (retirado de [25]). O alinhamento de imagens médicas de um mesmo doente (intra-paciente) obtidas em distintos instantes tem problemas específicos ligados às diferenças na sua postura. Assim, neste artigo, descreve-se os resultados da aplicação de dois algoritmos no alinhamento das estruturas representadas em imagens do cérebro de doentes com esclerose múltipla. Estes algoritmos estão implementados na biblioteca computacional Insight Toolkit (ITK) [25, 26] e consideram duas transformações de tipo distinto. A EM, é uma enfermidade neurológica crónica, de causas ainda pouco conhecidas, com sintomas que podem limitar a qualidade de vida dos doentes, sendo bastante disseminada em jovens adultos nos países ocidentais [27]. É ainda a doença inflamatória/desmielinizante crónica mais comum do sistema nervoso central [28]. 2 ITK Esta biblioteca computacional, criada com o objectivo de prover recursos de processamento de dados médicos multidimensionais, consiste num opensource toolkit originalmente desenvolvido pela National Library of Medicine of the National Institutes of Health(USA) [26] e é composta por algoritmos e estruturas de representação de dados com duas principais finalidades: a segmentação e o alinhamento de imagens, em particular, das médicas. No ITK, onde se explora principalmente os métodos de alinhamento baseados em intensidades, o processo de colocação em correspondência das imagens pode ser analisado como sendo um problema de optimização [25], como indicado pelo pipeline da Fig. 2. Fig. 2 Pipeline geral do I TK para o alinhamento de imagens (adaptado de [25]). Na Fig. 2, considerando na entrada do pipeline dois conjuntos de dados, uma imagem alvo (consiste na estrutura que tem de ser correspondida, ou seja, na que não sofre transformações) e uma imagem fonte (estrutura a alinhar), verifica-se que para efectuar o alinhamento, o ITK necessita de vários componentes, isto é, de uma transformação, de uma métrica, ou critério de similaridade, e de um optimizador, ou método de optimização. Todo o processo repete-se até alcançar um extremo ou mediante a definição de um critério de paragem,  (como, um número máximo de iterações, um valor para a métrica, etc.). De salientar que, devido a uma arquitectura modular, a biblioteca computacional ITK é uma excelente plataforma para desenvolver e ensaiar novos métodos, tanto de alinhamento como de segmentação de imagens médicas. 3 I MPLEMENTAÇÃO 3.1 M ÉTODOS DO ITK O ITK dispõe de uma vasta quantidade de algoritmos pré-codificados e testados. Para o alinhamento 2D de imagens por RM de doentes com EM, foram comparados neste trabalho dois algoritmos do ITK, que Frederico L. Jacob, Ana Mafalda Reis e João Manuel R. S. Tavares divergem nas transformações empregues, isto é, rígida e não-rígida. Os vários componentes do ITK usados na implementação desses dois algoritmos são [25, 26]: A) Com transformação rígida - CenteredSimilarity2DTransform: Transformação especificada como uma mudança de escala homogénea e rígida no espaço 2D, de uma rotação em torno de um centro arbitrário, sendo seguida de uma translação. - Mean Squares: Esta métrica, com uso limitado a imagens de uma mesma modalidade, pressupõe que os píxeis relativos às mesmas regiões devem ter semelhantes intensidades, logo, calcula o quadrado da diferença do valor do píxel para cada píxel respectivo nos conjuntos de dados. - Linear: Interpolação utilizada para achar o valor de um píxel num ponto dado através das grandezas dos píxeis mais próximos desse, assumindo que a intensidade é linear entre posições da grelha. - Regular Step Gradient Descent: Este tipo de optimizador tenta calcular o gradiente local no espaço dos parâmetros e segue-o, sendo que, cada passo iniciase com o mínimo obtido na etapa anterior e prossegue na direcção descendente do gradiente naquele ponto. B) Com transformação não-rígida - BSplineDeformableTransform: Assente numa transformação que gera um campo de deslocamento com um vector de deformação atribuído a cada posição, sendo que estes vectores são calculados por interpolação B-spline numa série de pontos de controlo localizados numa grelha. - Mean Squares. - Linear. - LBFGSB Optimizer: Optimizador que minimiza uma função não-linear ݂ሺݔሻ de ݊ variáveis sujeitas a restrições de limite. 3.2 M ETODOLOGIA Para realizar os testes, foi usado um conjunto de imagens por RM de um doente de sexo feminino, Fig. 3. Nesta figura, os círculos a tracejado vermelho, assinalam evidências da presença de EM. (A) (B) (C) (D) (E) (F) Fig. 3 I magens u sadas nos testes experimentais desenvolvidos. Na Fig. 3, a representação em (A) ilustra a imagem alvo e as restantes, as imagens a alinhar. Nomeadamente, a imagem em (B) é do mesmo doente mas adquirida 26 meses após a imagem em (A), enquanto, as imagens em (C), (D), (E) e (F) resultam da aplicação de transformações geométricas à imagem em (A), constituídas de, respectivamente: - Rotação de 10º; - Rotação de -15º; - Translação de x = -5 mm e y = 15 mm; - Translação de x = 10 mm e y = 45 mm. 4 R ESULTADOS Nesta secção apresenta-se uma visão geral sobre os resultados obtidos do alinhamento entre a imagem em (A) e as restantes imagens (B-F) da Fig. 3, para cada um dos dois algoritmos do ITK comparados. Para quantificar o processo de alinhamento, na Fig. 4, apresenta os resultados obtidos do uso do algoritmo que considera uma transformação de alinhamento do tipo rígido, as imagens em: - (B1), (C1), (D1), (E1) e (F1), mostram o alinhamento da imagem fonte; Frederico L. Jacob, Ana Mafalda Reis e João Manuel R. S. Tavares - (B2), (C2), (D2), (E2) e (F2) expõem as discrepâncias entre as imagens alvo e fonte, antes do alinhamento; - (B3), (C3), (D3), (E3) e (F3), exibem as diferenças entre as imagens alvo e fonte alinhada. (B1) (B2) (B3) (C1) (C2) (C3) (D1) (D2) (D3) (E1) (E2) (E3) (F1) (F2) (F3) Fig. 4 Resultados obtidos com o algoritmo que considera uma transformação rígida. A Fig. 5 mostra os resultados segundo a mesma ordem da Fig. 4, mas usando o algoritmo do ITK que considera uma transformação de alinhamento do tipo nãorígido. (B1) (B2) (B3) (C1) (C2) (C3) (D1) (D2) (D3) (E1) (E2) (E3) (F1) (F2) (F3) Fig. 5 R esultados obtidos com o algoritmo que considera uma transformação não-rígida. Para avaliar a qualidade do alinhamento, também foram determinados os valores de alinhamento da métrica optimizada, Tab. 1. T ab. 1 R esultados da métric a optimizada. A lgoritmo com transformação rígida Algoritmo com transformação nãorígida (B1) 224.209 219.65 (C1) 5.08176 403.686 (D1) 5.15947 458.534 (E1) 0 39.5744 (F1) 2.42825x10 -5 3311.27 Um alinhamento perfeito produz uma imagem de diferença nula entre as imagens alvo e fonte alinhada, bem como, um valor do critério de similaridade, idealmente, de Frederico L. Jacob, Ana Mafalda Reis e João Manuel R. S. Tavares zero. Desta forma, dos resultados da Tab. 1, pode-se concluir que: - O algoritmo do ITK que considera a transformação de alinhamento do tipo rígido alcançou valores bastante satisfatórios, em particular quando as imagens estão desalinhadas devido a translações geométricas; - O algoritmo do ITK que considera a transformação de alinhamento do tipo nãorígido originou resultados, relativamente aos esperados, com algumas discrepâncias, ocasionando situações (imagens em (D1) e (F1)) em que se tornou difícil identificar as lesões de EM presentes. 5 CONCLUSÕES Neste artigo, apresentaram-se e comparamse os resultados de dois algoritmos do ITK no alinhamento de imagens por ressonância magnética do cérebro de doentes com esclerose múltipla. Os resultados obtidos demonstraram a eficácia dos dois algoritmos da biblioteca ITK considerados para o alinhamento de imagens médicas de uma mesma modalidade. Mesmo com o crescente interesse existente, o desenvolvimento de algoritmos para o alinhamento de imagens médicas continua a ser complexo de concretizar de forma totalmente automática, fiável e reprodutível. Os trabalhos futuros irão focar-se na colocação de marcadores reconhecíveis (pontos de referência anatómicos) nas imagens, de forma a melhor avaliar quantitativamente os métodos de alinhamento considerados. AGRADECIMENTOS Este trabalho foi parcialmente desenvolvido no âmbito do projecto “Metodologias para Análise de Órgãos a partir de Imagens Médicas Complexas – Aplicações à Cavidade Pélvica Feminina”, com a referência PTDC/EEA-CRO/103320/2008, financiado pela Fundação para a Ciência e a Tecnologia (FCT). REFERÊNCIAS [1] Klein, S., M. Staring, et al., elastix: A Toolbox for Intensity-Based Medical Image Registration, IEEE Transactions on Medical Imaging, 29(1): 196-205, 2010. [2] Hajnal, J. V., D. J. Hawkes et al., Medical image registration, CRC Press, 2001. [3] Brown, L. G., A survey of image registration techniques, ACM Computing Surveys, 24(4): 325-376, 1992. [4] Van Den Elsen, P. A., E.-J. D. Pol, et al., Medical Image Matching - A Review with Classification, IEEE Engineering in Medicine and Biology, 12(4): 26-39, 1993. [5] Maintz, J. B. A. and M. A. Viergever, A survey of medical image registration, Medical Image Analysis, 2(1): 1-36, 1998. [6] Hill, D. L. G., P. G. Batchelor, et al., Medical image registration, Physics in Medicine and Biology, 46: R1-R45, 2001. [7] Crum, W. R., T. Hartkens, et al., Non-rigid image registration: theory and practice, The British Journal of Radiology, 77(2): 140-153, 2004. [8] Radke, R. J., S. Andra, et al., Image Change Detection Algorithms: A Systematic Survey, IEEE Transactions on Image Processing, 14(3): 294-307, 2005. [9] Zitová, B., J. Flusser, et al., Image Registration: A Survey and Recent Advances, The International Conference on Image Processing - ICIP'05, Genoa, Italy, 2005. [10] Klein, A., J. Andersson, et al., Evaluation of 14 nonlinear deformation algorithms applied to human brain MRI registration, NeuroImage, 46(3): 786-802, 2009. [11] Thirion, J.-P. and G. Calmon, Measuring Lesion Growth from 3D Medical Images, IEEE Nonrigid and Articulated Motion Workshop NAN'97, 1997. [12] Ourselin, S., A. Roche, et al., 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 Computer-Assisted Intervention, Pittsburgh, USA, 2000. [13] Rey, D., G. Subsol, et al., Automatic detection and segmentation of evolving processes in 3D medical images: Application to multiple sclerosis, Medical Image Analysis, 6(2): 163-179, 2002. [14] Kybic, J. and M. Unsery, Fast Parametric Elastic Image Registration, IEEE Transactions on Image Processing, 12(11): 1427-1442, 2003. [15] Dugas-Phocion, G., M. A. González, et al., Hierarchical Segmentation of Multiple Sclerosis Lesions in Multi-sequence MRI, International Symposium on Biomedical Imaging: From Nano to Macro, ISBI'04, Arlington, USA, 2004. Frederico L. Jacob, Ana Mafalda Reis e João Manuel R. S. Tavares [16] Karaçali, B. and C. Davatzikos, Estimating Topology Preserving and Smooth Displacement Fields, IEEE Transactions on Medical Imaging, 23(7): 868-880, 2004. [17] Xia, M. and B. Liu, Image Registration by “SuperCurves”, IEEE Transactions on Image Processing, 13(5): 720-732, 2004. [18] Xie, Z. and G. E. Farin, Image Registration Using Hierarchical B-Splines, IEEE Transactions on Visualization and Computer Graphics, 10(1): 85-94, 2004. [19] Noblet, V., C. Heinrich, et al., 3-D Deformable Image Registration: A Topology Preservation Scheme Based on Hierarchical Deformation Models and Interval Analysis Optimization, IEEE Transactions on Image Processing, 14(5): 553-565, 2005. [20] Wu, G., F. Qi, et al., Learning-Based Deformable Registration of MR Brain Images, IEEE Transactions on Medical Imaging, 25(9): 1145-1157, 2006. [21] Rousseau, F., S. Faisan, et al., Une approche a contrario pour la détection de changements dans des images IRM multimodales 3D, 21ème colloque GRETSI, 2007. [22] Lecoeur, J., S. P. Morissey, et al., Multiple Sclerosis Lesions Segmentation using Spectral Gradient and Graph Cuts, MICCAI - Workshop on Medical Image Analysis on Multiple Sclerosis (validation and methodological issues), New York City, USA, 2008. [23] Loi, G., M. Dominietto, et al., Acceptance Test of a Commercially Available Software for Automatic Image Registration of Computed Tomography (CT), Magnetic Resonance Imaging (MRI) And 99mTcmethoxyisobutylisonitrile (MIBI) Single-Photon Emission Computed Tomography (SPECT) Brain Images, Journal of Digital Imaging, 21(3): 329-337, 2008. [24] Zagorchev, L. and A. Goshtasby, A Comparative Study of Transformation Functions for Nonrigid Image Registration, IEEE Transactions on Image Processing, 15(3): 529-538, 2006. [25] Yoo, T. S., Insight Into Images - Principles and Practice for Segmentation, Registration, and Image Analysis, A K Peters, Ltd, 2004. [26] Ibánez, L., W. Schroeder, et al., The ITK Software Guide, ITK, 2005. [27] Kutzelnigg, A., C. F. Lucchinetti, et al., Cortical demyelination and diffuse white matter injury in multiple sclerosis, Brain, 128(11): 2705-2712, 2005. [28] Wattjes, M. P. and F. Barkhof, High field MRI in the diagnosis of multiple sclerosis: high field-high yield?, Neuroradiology, 51(5): 279-292, 2009.