Busca avançada
Ano de início
Entree

Segmentação de placas de esclerose múltipla em imagens 3D de ressonância magnética do cérebro usando atlas anatômicos probabilísticos e máquinas de Vetores Suporte para uma classe

Processo: 15/06702-2
Linha de fomento:Bolsas no Brasil - Iniciação Científica
Vigência (Início): 01 de setembro de 2015
Vigência (Término): 31 de dezembro de 2015
Área do conhecimento:Engenharias - Engenharia Biomédica - Bioengenharia
Pesquisador responsável:Ricardo José Ferrari
Beneficiário:Fábio Henrique Clug
Instituição-sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
Assunto(s):Esclerose múltipla   Diagnóstico por imagem

Resumo

A Esclerose Múltipla (EM) é uma doença inflamatória que afeta o sistema nervoso central e causa a destruição da mielina, que é uma proteína fundamental na transmissão do impulso nervoso. As áreas desmielinizadas assumem um aspecto de placas, que posteriormente esclerosam (endurecem). Estas lesões (ou placas) causam sinais e sintomas neurológicos intermitentes que, com a evolução da doença, podem agravar-se progressivamente. Atualmente, o exame por ressonância magnética (RM) é utilizado como uma técnica subsidiária na confirmação do diagnóstico e acompanhamento da evolução da doença e sua terapia. Estudos utilizando RM apoiam a hipótese de que as perturbações cognoscitivas nos doentes com EM têm correlação com a carga lesional. O método convencional de medição do volume das lesões (carga lesional) de EM é o delineamento manual das lesões em imagens 3D de RM. Tal procedimento, além de consumir muito tempo do radiologista, é propenso a uma grande variabilidade inter e intra observadores. Nesse contexto, esse projeto de iniciação científica tem por objetivo o desenvolvimento de uma técnica computacional automática para a segmentação de placas de EM em imagens 3D de RM. A abordagem a ser investigada usará atlas anatômicos probabilísticos para auxiliar na seleção de amostras da matéria cinzenta (Gray Matter - GM) e líquido cefalorraquidiano (Cerebral Spinal Fluid - CSF), que serão então usadas para treinar uma máquina de vetores suporte para uma classe (GM + CSF = classe "positiva"). Os voxels pertencentes a segunda classe, correspondendo à matéria branca (White Matter - WM) e lesões (WM + lesões = classe "negativa"), serão processados posteriormente por um detector de outliers para a separação das lesões. A técnica desenvolvida será analisada quantitativamente usando imagens da base de dados MICCAI-2015.