Segmentação do tecido tumoral cerebral em imagens de ressonância magnética

Abstract

Atualmente, a facilidade de acesso aos cuidados de saúde, aliada a uma melhoria nas técnicas de diagnóstico, permite uma maior e melhor identificação de problemas de saúde de difícil tratamento. Dentro destes problemas destaca-se o cancro, cuja expressão tem vindo a aumentar gradualmente. O cancro é das principais causas de morte em todo o mundo, onde os tumores cerebrais se evidenciam por apresentarem uma das taxas de sobrevivência mais baixa. A identificação e classificação precoce dos diferentes tecidos tumorais existentes é fundamental, para que a intervenção cirúrgica de ressecção tumoral seja possível. Mesmo em tumores num estado avançado, a segmentação tem também relevo para um correto planeamento médico do tratamento e respetiva monitorização. O procedimento de segmentação manual é um procedimento demorado, que requer bastantes recursos humanos, e sujeito a uma variabilidade inter- e intra-especialista. Por outro lado, métodos de segmentação automática ainda não são uma prática comum em ambiente clínico. Assim, na presente dissertação tem-se como finalidade desenvolver uma metodologia automática de segmentação de tumores cerebrais nos seus diferentes tipos de tecidos: necrose, edema, região ativa contrastante e região ativa não contrastante, com recurso à informação providenciada pelas imagens de ressonância magnética. Vários autores, ao longo dos últimos 20 anos, projetaram diferentes abordagens na área de segmentação de tumores cerebrais. Ao longo deste tempo, com o surgir de novas ideias de pensar o problema, a evolução dos algoritmos permitiu que algumas das metodologias mais recentes apresentassem resultados robustos e com capacidade de generalização. Recentemente, a tendência das metodologias de segmentação assenta na utilização de classificadores supervisionados, capazes de assegurar uma classificação de múltiplas classes em simultâneo. O método proposto nesta dissertação é também baseado numa classificação supervisionada. Neste tipo de classificação um conjunto de características, extraídas através das imagens de ressonância magnética, procura discriminar os diferentes tipos de tecido a segmentar. Dada a variabilidade associada à técnica de ressonância magnética, etapas prévias de pré-processamento dos dados são implementadas, com o intuito de assegurar uma uniformização da informação presente nas imagens. Através da computação de características locais, de vizinhança e de contexto é treinada uma floresta de decisão (classificador), que posteriormente, na fase de teste, permite a obtenção da segmentação de um paciente, ou até um conjunto de pacientes. A realização dos testes à metodologia proposta recorreu-se da base de dados pública (NCI-MICCAI Grand Challenge BraTS 2013, que permitiu também a validação dos resultados realizada pela sua plataforma online Virtual Skeleton Database. Desde a extração das características até à fase de pós-processamento foram testadas várias configurações, procurando sempre otimizar os resultados prévios. A melhor configuração, testada no conjunto de Challenge, do método de segmentação projetado obteve um valor de Dice de 0,85 para o Tumor Completo, 0,79 para o Tumor Central e 0,75 para a região ativa contrastante. Pela mesma ordem, a métrica Positive Predictive Value obteve valores de 0,87, 0,85 e 0,71. Complementarmente, a sensibilidade obtida foi de 0,84, 0,75 e 0,72 para o Tumor Total, Tumor Central e região ativa contrastante respetivamente. Estes resultados permitiram alcançar a 5ª posição, em 35 métodos, no conjunto de dados Challenge. Em suma, o método proposto é capaz de obter resultados competitivos, comparando com métodos presentes na literatura e na plataforma de avaliação providenciada pela base de dados utilizada.

Nowadays, the easy access to medical care, as well as the improvements in medical imaging techniques, ensure a better diagnosis capability and also a better identification of health problems of difficult treatment, being cancer among them. Cancer is one of the major causes of death all over the world, where brain tumours stand out by having one of the lowest rates of survival. In this kind of tumour, an early detection and evaluation of the different types of tumorous tissues are key factors in order to guarantee the appropriate treatment planning or the correct surgical intervention (for cancer resection). Therefore, this kind of information is only possible with access to brain tumour segmentation. Even for brain tumours in an advanced stage, tissue segmentation plays an important role in treatment and motorization processes. Over the past years, automatic brain tumour segmentation, despite not being used as a common practice in clinical routines, has proven to be a viable and robust method to overcome the large costs of human resources and the intra- and inter-rater variabilities associated with manual segmentation. Therefore, this masters thesis' goal is to develop an automatic brain tumour segmentation method capable of distinguishing the different brain tumour tissues: necrosis, oedema, enhanced region and non-enhanced region, based upon the information provided by magnetic resonance images. Several authors, over the past 20 years, have proposed different approaches in the brain tumour segmentation field. Along this period, the evolution of algorithms and the arise of new ways of thinking allowed the appearance of methods capable of assuring robustness and generalization. Recently, the proposed methods tend to apply supervised classifiers with the capability of multi-label classification. The proposed method is also based on a supervised classifier. The chosen classifier (Extra-Trees) was trained and tested with a set of features (local features, context features and neighbouring features), extracted from magnetic resonance images in order to differentiate the different types of brain tissue present. Due to the high variability of magnetic resonance images, previous to feature extraction, pre-processing stages are implemented in order to assure an uniformity in the analysed information. The method was tested with the publicly available database from NCI-MICCAI Grand Challenge BraTS 2013 allowing also an evaluation performed by its online platform Virtual Skeleton Database. From the feature extraction to the post-processing stage, several approaches were tested, with the main goal of improving the previous results. For the Challenge dataset, the best configuration of the proposed method obtained a Dice score of 0.85 for the complete tumour, 0.79 for the core and 0.75 for the enhanced tumor. The positive predictive value achieved a score of 0.87, 0.85 and 0.71 for the complete tumor, core tumor and the enhanced tumor, respectively. In the same order, the sensitivity was 0.84, 0.75 and 0.82. The results previously presented achieved the 5th among 35 for the Challenge dataset. To sum up, the method proposed achieved competitive results, being among the top 5 methods in the three different evaluation sets of BraTS 2013, concluding that the method is capable of providing good generalization.