Classificação semiautomática de fraturas vertebrais benignas e malignas em imagens de ressonância magnética

• Ano de defesa: 2016
• Autor(a) principal: Pereira, Lucas Frighetto
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Computer aided diagnosis; Diagnóstico auxiliado por computador; Fratura vertebral por compressão; Image processing; Imagens de ressonância magnética; Magnetic resonance imaging, Vertebral compression fractures; Processamento de imagens
• Link de acesso: http://www.teses.usp.br/teses/disponiveis/17/17142/tde-07062017-100712/

Propósito: Fraturas vertebrais por compressão (FVCs) são caracterizadas por colapso parcial de corpos vertebrais. Elas tipicamente ocorrem na população idosa de forma não traumática ou por trauma de baixa energia, podendo ser secundárias a fragilidade causada pela osteoporose (FVCs benignas) ou metástases vertebrais (FVCs malignas). Nosso trabalho tem o objetivo de detectar a presença de FVCs e de classifica-las como FVC maligna ou FVC benigna utilizando técnicas de processamento de imagens e aprendizado de máquinas em imagens ponderadas em T1 obtidas em ressonância magnética (RM). Materiais e Métodos: Foram utilizados os planos sagitais medianos das RMs da coluna lombar de 63 pacientes (38 mulheres e 25 homens) previamente diagnosticados com FVCs. Os corpos vertebrais lombares foram segmentados manualmente. Atributos de análise de níveis de cinza foram calculados do histograma dos corpos vertebrais. Foram extraídos também atributos de textura para analisar a distribuição dos níveis de cinza e atributos de forma para analisar o formato dos corpos vertebrais. No total, 102 FVCs lombares (53 benignas e 49 malignas) e 89 corpos vertebrais lombares foram analisados. Após a aplicação de métodos de seleção de atributos nos vetores de características, foram realizadas classificações com os classificadores k-nearest-neighbor (k-NN), uma rede neural artificial com função de base radial (RBF network), naïve Bayes, J48 e Support Vector Machine (SVM). O padrão de referência para calcular o desempenho diagnóstico do sistema desenvolvido foi uma classificação obtida do prontuário médico eletrônico com o diagnóstico final de cada caso, incluindo no mínimo informações a respeito de xxi biópsia para as FVC lesões malignas e acompanhamento clínico e laboratorial para as FVCs benignas. Três radiologistas classificaram os mesmos casos analisando as mesmas regiões de interesse (ROIs) que os classificadores e uma comparação entre classificadores e radiologistas foi realizada. Resultados: Os resultados obtidos pelos classificadores mostraram uma área abaixo da curva receiver operating characteristic (AUROC) de 0,984 para distinguir entre corpos vertebrais com FVC e normais e AUROC de 0,930 para discriminar entre FVC benigna e FVC maligna. Conclusão: Nosso método alcançou ótimos resultados na classificação de corpos vertebrais sem fratura, corpos vertebrais com fratura por osteoporose e corpos vertebrais com fraturas secundárias a doença metastática. Nossos resultados foram estatisticamente equivalentes ao de médicos radiologistas e se mostraram promissores na assistência em diagnóstico de FVCs.