Segmentação de displasias corticais focais em imagens de ressonancia magnetica do cerebro humano

Orientador: Alexandre Xavier Falcão

Nível de Acesso:openAccess
Publication Date:2008
Main Author: Bergo, Felipe Paulo Guazzi, 1978-
Orientador/a: Falcão, Alexandre Xavier, 1966-
Banca: Furuie, Sergio Shiguemi, Traina, Agma Juci Machado, Cendes, Fernando, Lotufo, Roberto de Alencar
Format: Tese
Language:por
Published: [s.n.]
Universidade Estadual de Campinas. Instituto de Computação
Programa: Programa de Pós-Graduação em Ciência da Computação
Assuntos em Português:
Assuntos em Inglês:
Online Access:http://repositorio.unicamp.br/jspui/handle/REPOSIP/276092
Citação:BERGO, Felipe Paulo Guazzi. Segmentação de displasias corticais focais em imagens de ressonancia magnetica do cerebro humano. 2008. 104 p. Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Computação, Campinas, SP. Disponível em: <http://www.repositorio.unicamp.br/handle/REPOSIP/276092>. Acesso em: 10 ago. 2018.
Resumo Português:Resumo: O diagnóstico médico por imagem é uma tarefa complexa, que depende da avaliação subjetiva de um grande volume de dados. Diversas possibilidades de patologia não são consideradas por limitação de tempo e especialização dos profissionais da área médica, mesmo quando os exames adequados estão disponíveis. O desenvolvimento de técnicas automáticas de auxílio ao diagnóstico é um avanço importante para simplificar a tarefa do médico, descartando um grande número de patologias ou indicando as localizações mais prováveis de eventuais anormalidades patológicas. Displasias corticais focais (FCDs) estão associadas à epilepsia, e são uma das causas mais comuns de casos de epilepsia refratária, em que o tratamento medicamentoso não é suficiente para controlar as crises. As FCDs são lesões que geram variações locais e sutis na aparência do tecido em imagens de ressonância magnética (RM). Seu diagnóstico é em geral uma tarefa difícil e subjetiva. Detecção e localização de eventuais lesões de FCD são passos fundamentais para o planejamento do tratamento do paciente. Neste trabalho propomos um método para segmentação automática de FCDs em imagens de ressonância magnética (RM) tri-dimensional do cérebro humano. Desenvolvemos novas técnicas de segmentação e análise de imagens, automatizamos uma técnica previamente interativa (reformatação curvilinear) e, através de classificação por aprendizado supervisionado, obtivemos detecção de 100% das lesões, com cobertura de 76,9% dos voxels lesionais. Este resultado é um pouco melhor que o estado da arte, embora ainda não seja uma solução ideal, solidamente validada, para o problema
Resumo inglês:Abstract: Medical diagnosis from imaging techniques is a complex task that depends on subjective evaluation of a large volume of data. Many pathologies are often not considered due to time and experience restrictions of the medical crew, even when the imaging data are readily available. The development of computer-aided diagnosis techniques greatly simplify the physician¿s work, by discarding a large number of pathologies and/or pointing out the most probable locations of pathological abnormalities. Focal cortical displasia (FCDs) are associated to epilepsy, and are one of the most common causes of refractory epilepsy, where drug-based treatment does not eliminate the seizures. FCDs are lesions that lead to subtle, localized appearance variations of brain tissue in magnetic resonance (MR) imaging. Their diagnosis is difficult, tedious and subjective. Detection and localiation of FCD lesions are key steps for treatment planning. In this work we propose a method for automatic segmentation of FCDs in tridimensional magnetic MR images of the human brain. We developed new image segmentation and image analysis techniques, automated a previously interactive technique (curvilinear reformatting) and, through classification by supervised learning, achieved detection of 100% of the lesions, with 76,9% coverage of the lesional voxels. This result is slightly better than the state-of-the-art, even though it still is has not been thoroughly validated on a large data base and can still be improved.