O acidente vascular cerebral (AVC) é a primeira causa de morte em vários países e a principal causa de incapacitação física ou mental. O AVC pode ser definido como uma alteração no fornecimento de sangue a uma determinada área do cérebro, causando a perda ou diminuição de suas funções. Um AVC pode ser classificado em:

• acidente vascular cerebral isquêmico: quando ocorre a obstrução de um vaso sanguíneo ou redução do fluxo de sangue no corpo, causando a interrupção da irrigação sanguínea em determinada área cerebral – aproximadamente 80% dos AVCs são isquêmicos;
• acidente vascular cerebral hemorrágico: ocorre quando há rompimento de um vaso sanguíneo no cérebro e o sangue é extravasado na região ao redor do vaso rompido.

Imagens obtidas por tomografia computadorizada de raios-x (CT, do inglês Computed Tomography) são rotineiramente usadas na avaliação de pacientes com AVC, com o objetivo principal de confirmar a ocorrência de um AVC. Se ele for isquêmico nas primeiras horas da sua instalação, então existe a possibilidade de tratamento para o paciente através de drogas trombolíticas (rtPA, recombinant tissue plasminogem activator), que buscam restaurar o fluxo sanguíneo nas regiões afetadas, e, assim, reverter os sintomas. Embora outras técnicas de imagem, como a ressonância magnética (RM), forneçam imagens até melhores para a confirmação desses casos, a CT é geralmente a técnica escolhida: além de possuir menor custo, o exame de CT é bem mais rápido que o de RM, e cada minuto economizado conta para a eficácia do tratamento. Isso porque o sucesso da trombólise geralmente depende de que sua aplicação seja feita dentro de uma janela de até 4 horas meia após o início dos sintomas do AVC, antes de que as porções não irrigadas do cérebro, devido ao entupimento do vaso, sofram dano irreversível, e para diminuir o risco de hemorragia cerebral, proveniente da aplicação do medicamento.

No entanto, em imagens de CT obtidas nas primeiras horas da instauração dos sintomas de AVC, as alterações que aparecem são sutis, o que torna bastante difícil a confirmação de AVC isquêmico através de uma análise visual pura e simples das imagens. Embora os médicos radiologistas ou neurologistas sigam protocolos bem definidos para a inspeção das imagens – como a avaliação específica de dano à artéria cerebral média –, vários trabalhos têm mostrado que a concordância entre especialistas sobre as possíveis alterações nas imagens deixa a desejar.

Por outro lado, as imagens de CT possuem muito mais informação do que aquela que o olho humano é capaz de perceber. Isso se deve ao fato de que essas imagens, que são digitais, são compostas de números que variam, geralmente, de 0 a 4.095, ou seja, elas possuem informação para discriminar entre aproximadamente 4000 diferentes níveis (ou tons) de cinza. Já o olho humano distingue, para uma mesma condição de luminosidade (ou mesma abertura da pupila), entre aproximadamente 64 tons de cinza. É fácil entender, então, que uma análise matemática, ou computacional, dessas imagens, pode ser capaz de obter informações que passam despercebidas por um ser humano.

Aqui, descrevemos algumas técnicas de processamento das imagens de CT, que podem auxiliar na avaliação de pacientes com AVC. O processamento de imagens digitais é uma área da computação relacionada ao tratamento computacional (matemático) de imagens, com o objetivo de alterar as características de uma imagem – como no caso das operações realizadas com softwares como o Photoshop –, ou de extrair informações dela de forma automática ou semi-automática – como no caso de softwares que leem automaticamente as placas de automóveis ou que reconhecem faces ou impressões digitais. Muitas das operações aqui descritas já vêm implementadas no próprio software dos scanners de CT; algumas, entretanto, ainda existem somente em nível de pesquisa.

Visualização da imagem de CT

Das técnicas já encontradas na maioria dos softwares que acompanham os scanners modernos de CT, podemos citar as de melhoramento da imagem para a sua visualização e as de reformatação multiplanar, reprojeção e renderização 3D. As técnicas para melhoramento da imagem incluem a detecção de bordas, o melhoramento do contraste, o realce de detalhes e a redução de ruído, entre outras. Já as técnicas de reformatação, reprojeção e renderização são métodos que permitem diferentes visualizações dos mesmos dados. As imagens de CT costumam ser adquiridas em planos axiais (perpendiculares à direção pés-cabeça), e juntas formam uma imagem 3D, ou um volume (pois geralmente mais de uma fatia é adquirida). A reformatação multiplanar consiste em reapresentar os dados dos volumes de CT através de cortes em qualquer direção, e não necessariamente a direção axial em que os dados foram adquiridos. Para isso, é necessária a interpolação dos dados. Outra forma de apresentar os dados de CT é através da projeção do volume em alguma direção (reprojeção), como ocorreria com uma radiografia convencional. Nesse caso, é necessário utilizar o rastreamento de raios através do volume CT, e para constituir a projeção, pode-se utilizar uma média dos valores do volume ao longo do raio, ou simplesmente usar o valor máximo, técnica conhecida como MIP (maximum intensity projection). Finalmente, a renderização 3D dos dados consiste em converter o volume de CT em imagens 2D que dão uma impressão 3D, isto é, que dão uma noção de profundidade. Para renderizar uma cena, é necessário, entre outras coisas, definir um tipo de textura para os objetos existentes, sua cor, transparência e reflexão, localizar um ou mais pontos de iluminação e um ponto de vista sob o qual os objetos serão visualizados. Ao renderizar, o programa calcula a perspectiva do plano, as sombras e a luz dos objetos. Em seguida, é feito um cálculo da aparência 3D desses dados, vistos de um dado ângulo e com uma dada luminosidade.

Segmentação e/ou localização de objetos

A “segmentação” de um objeto numa imagem consiste em reconhecer e, subsequentemente, delinear o objeto na imagem. É um procedimento que associa a pixels da imagem um rótulo que indica que aqueles pixels pertencem a um dado objeto. Isto é muito útil para efetuar outros tipos de processamento nos pixels rotulados. Por exemplo, no caso 3D, em que cada pixel está associado a um voxel (volume element), é possível estimar o volume do objeto em questão contando o número de pixels pertencentes a esse objeto (e sabendo o volume do voxel correspondente). Isso pode ser utilizado, por sua vez, para descobrir se uma determinada estrutura anatômica possui volume dentro dos limites esperados.

Exemplos de segmentação de uma lesão de AVC hemorrágico em imagem de CT:
(a) manual. (b) automática. Note-se, nesse caso, a dificuldade do algoritmo em delinear precisamente a região lesionada.

A segmentação de objetos em imagens médicas, como estruturas anatômicas ou lesões, é feita em sua maioria manualmente (como na imagem da esquerda). Isso significa que o usuário, geralmente médico ou técnico radiologista, carrega a imagem digital em algum software de visualização, e com o mouse, delineia, ou marca pontos, no contorno do objeto de interesse. Existem processos semi-automáticos nos quais o usuário apenas seleciona com o mouse alguns pontos dentro e fora da estrutura de interesse (os “marcadores”), e esta é automaticamente segmentada. Esses processos geralmente são interativos; se a segmentação resultante é sub-ótima, o operador pode selecionar mais pontos ou apagar alguns dos pontos previamente selecionados, de modo a refinar a segmentação. Os métodos interativos costumam ser os mais indicados para a segmentação de estruturas em imagens médicas. Isso porque a grande variedade e irregularidade de formas, cores e texturas de estruturas anatômicas e lesões torna difícil o desenvolvimento de algoritmos gerais que resultem em boas segmentações automáticas. A imagem da direita, na ilustração acima, mostra um exemplo da utilização (sem muito sucesso) de um algoritmo geral de segmentação para o delineamento de uma lesão de AVC hemorrágico.

Corregistro de imagens

Tanto em aplicações de diagnóstico quanto de pesquisa, a interpretação de imagens do cérebro humano é simplificada quando diferentes conjuntos de dados podem ser comparados por inspeção visual de planos anatômicos equivalentes. No entanto, cortes planares adquiridos durante sessões distintas, muitas vezes, diferem em suas posições e orientações relativas. O corregistro de duas imagens (ou dois volumes) consiste em determinar a transformação geométrica que melhor mapeie características correspondentes de um dos conjuntos no outro. Essa transformação é usada para alinhar geometricamente esses conjuntos, de forma que características morfológicas de ambos os conjuntos são atribuídas à mesma localização espacial.

O corregistro pode ser separado em dois casos: o “intra-sujeito”, que consiste na superposição de imagens tomográficas – que podem ser de diferentes modalidades ou não – correspondendo a um só paciente; e o “inter-sujeitos”, no qual imagens, em geral da mesma modalidade, porém correspondendo a sujeitos diferentes, são sobrepostas. O corregistro intra-sujeito pode ser usado para diagnóstico clínico, planejamento de terapia, detecção de mudanças anatômicas na comparação com imagens adquiridas em sessões anteriores etc. Já o corregistro inter-sujeitos é útil, principalmente, na comparação entre grupos de indivíduos normais e portadores de alguma patologia neurológica, por exemplo, associada à atrofia cerebral localizada ou difusa etc. Medidas diretas e comparação pixel a pixel (ou voxel a voxel) somente são possíveis quando as imagens (volumes) estão corregistradas apropriadamente.

Em geral, o casamento de diferentes imagens de um mesmo indivíduo já não é uma tarefa trivial, devido tanto aos diferentes parâmetros usados – como, por exemplo, espessura do corte, tamanho do pixel, angulação, resolução etc – quanto aos diferentes posicionamentos do paciente durante os scans. O problema se torna ainda mais complicado no caso do casamento de imagens de indivíduos distintos, devido às diferenças entre tamanhos e formas dos cérebros. Em estudos que envolvem a comparação de grandes números de imagens de diferentes indivíduos, se torna necessário o uso de um sistema de coordenadas padrão, no qual vários indivíduos possam ser comparados independentemente do tamanho, posição ou orientação dos dados originais. Nesses estudos, o primeiro passo a ser dado com a imagem a ser analisada é o seu corregistro num espaço padrão, referido como “espaço estereotáxico”. Existem algumas variações na definição de espaços estereotáxicos, mas em geral eles são definidos através do posicionamento de marcos anatômicos no cérebro. A utilização do espaço estereotáxico também permite a comparação pixel a pixel de duas ou mais imagens trazidas para esse espaço.

Análise de textura

Textura é uma característica visual de um objeto ou de sua imagem, que depende de sua estrutura. Intuitivamente, a textura, numa imagem, se refere à distribuição de níveis de cinza nessa imagem e a conceitos como linearidade e regularidade. Técnicas de análise de textura avaliam as características de posição espacial e intensidade de sinal dos pixels (ou voxels) na imagem digital. As características de textura são, na realidade, parâmetros estatísticos calculados a partir da distribuição dos pixels, que caracterizam o tipo de textura e, consequentemente, a estrutura dos tecidos mostrados na imagem. Imagens médicas contêm muita informação de textura relevante para aplicações clínicas. Em princípio, alterações histo-patológicas presentes em algumas doenças poderiam acarretar mudanças de textura na imagem de CT, não visíveis a “olho nu”, porém detectáveis através da análise de textura.

(a) Imagem cerebral de CT de uma pessoa normal, com duas regiões de aspecto similar selecionadas.
(b) Histograma de níveis de cinza da região vermelha.
(c) Histograma de níveis de cinza da região verde.

Um exemplo desse tipo de técnica é o cálculo do histograma de níveis de cinza da imagem. O histograma de níveis de cinza é um gráfico de número de pixels versus nível de cinza; ele nos diz quantos pixels na imagem possuem um dado tom de cinza. A ilustração acima mostra um exemplo de uma imagem cerebral de CT, a partir da qual foram calculados os histogramas para as regiões vermelha e verde da imagem, que possuem aproximadamente o mesmo número de pixels. Embora, numa primeira inspeção, essas regiões sejam bastante similares, vemos imediatamente que os histogramas diferem. Na região vermelha, o valor médio de cinza está em torno de 128, enquanto para a região verde, esse valor está em torno de 160. Portanto, através do histograma, é possível calcular um único número (valor médio de cinza) que diferencia essas duas regiões. Esse seria um exemplo de uma característica, ou “parâmetro”, de textura.

Mas o histograma é uma estatística simples, conhecida como “estatística de 1ª ordem”: ele fornece informação apenas sobre a quantidade de pixels com um dado valor de cinza, mas não fornece informação sobre como eles estão distribuídos. Para obter uma informação extra sobre a distribuição espacial dos níveis de cinza, usa-se a matriz de co-ocorrência de níveis de cinza, ou estatística de 2ª ordem. Dadas uma distância fixa entre pixels na imagem e uma direção (por exemplo, horizontal), essa matriz é calculada contando-se quantas vezes encontramos dois pixels com níveis de cinza i e j, separados por essa distância e nessa direção. Ou seja, para cada distância e direção definidas, temos uma matriz de co-ocorrência, em que cada elemento (i,j) nos dá a contagem de pares de pixels na imagem com intensidades de cinza i e j, separados por aquela distância naquela direção. A ilustração à esquerda, acima, mostra um exemplo de uma imagem digital simples de tamanho 5  5, com 8 tons de cinza (0 a 7). A representação numérica dessa imagem está mostrada na figura (b). As imagens (b) e (c) mostram dois exemplos de matrizes de co-ocorrência obtidas da imagem (a), calculadas respectivamente para uma distância de dois pixels na direção horizontal e um pixel na direção vertical.

Mas para que servem essas matrizes? Da mesma forma que podemos calcular o valor médio de nível de cinza a partir do histograma de uma imagem, é possível calcular uma série de parâmetros úteis a partir das matrizes de co-ocorrência de níveis de cinza, que se referem a como os diferentes valores de cinza que os pixels podem assumir estão distribuídos pela imagem. Esses parâmetros permitem classificar regiões de interesse de uma imagem através de uns poucos números, e permitem tomar decisões sobre se a textura de duas regiões é ou não similar, mesmo que a “olho nu” ela pareça igual. Exemplos de parâmetros que podem ser obtidos das matrizes de co-ocorrência são o contraste da imagem, o segundo momento angular (que é uma medida da homogeneidade da imagem), o momento diferencial inverso (que dá uma ideia da suavidade da imagem), a soma dos quadrados (que é como a variância da matriz mede o quanto seus elementos se afastam da média), entre outros.

(a) Imagem digital de 5 x 5 pixels, com 8 tons de cinza.
(b) Representação numérica da imagem em (a): os 8 tons de cinza são representados por números de 0 a 7.
(c) Matriz de co-ocorrência de níveis de cinza da imagem em (a), para uma distância de dois pixels na direção horizontal.
(d) Matriz de co-ocorrência da imagem em (a), para uma distância de um pixel na direção vertical.

Localização de lesões

Outro processo que pode ser automatizado é a localização de lesões específicas. Dependendo do tipo e sutileza da lesão, a localização ou detecção da mesma, através da inspeção de filmes radiográficos ou mesmo cortes bidimensionais no computador, pode ser praticamente impossível. Devido à diversidade de aparência de diferentes tipos de lesões em imagens de CT, os softwares desenvolvidos, em geral, são específicos para o tipo de lesão, e utilizam diferentes técnicas para localizá-las. Esses métodos variam desde a aplicação de limiares, a utilização de medidas de textura, até comparações entre sujeitos normais e afetados, que são feitas através do corregistro estereotáxico dos scans de CT correspondentes.

Conclusões

Descrevemos, aqui, algumas técnicas tradicionais de processamento de imagens, que poderiam, em princípio, ser utilizadas para auxílio na avaliação de imagens de CT de pacientes com AVC. Técnicas de visualização, redução de ruído, segmentação de algumas estruturas e localização de alguns tipos específicos de lesões, geralmente, acompanham o software de controle dos scanners de CT mais modernos. Já para realizar corregistro, algumas segmentações específicas e a análise de textura, geralmente, são necessários softwares específicos ou desenvolvimento de softwares próprios. Acreditamos que a análise de textura, em particular, é um método com bastante potencial para o auxílio na detecção de alterações de imagens de CT de pacientes com AVC isquêmico, nos primeiros momentos da instalação dos sintomas, e que poderia, portanto, ser bastante útil na rotina clínica nesses casos.

Gabriela Castellano é professora do Instituto de Física Gleb Wataghin da Unicamp e possui pós-doutorado na área de processamento de imagens cerebrais de RM na Unicamp. E -mail: gabriela@ifi.unicamp.br. Márcia Silva de Oliveira é doutoranda do Instituto de Física Gleb Wataghin da Unicamp, com trabalhos em análise de textura em imagens cerebrais e neurofísica. Li Li Min é professor do Departamento de Neurologia da Faculdade de Ciências Médicas da Unicamp.