Breast Cancer on MRI

1. Introdução

Neste trabalho é apresentado um novo sistema integrado para a análise automatizada de mamografias de ressonância magnética com o intento de possibilitar uma detecção do câncer de seio no seu estágio inicial.

O presente sistema foi desenvolvido em cooperação com a Gemeinschaftspraxis für Radiologie und Nuklearmedizin, Kaiserslautern e com o Departamento de Radiologia do Hospital Universitário de Bonn. O sistema opera em imagens adquiridas pelo método de mamogr afia de ressonância magnética com contraste dinamico. Regiões com uma absorção de contraste suspeita são automaticamente marcadas, dirigindo a atenção do usuário para as mesmas (Fig.1). Este sistema de auxílio ao diagnóstico é baseado em um novo algoritmo de adaptação de imagens com base nos mapas auto-organizantes (SOM), o qual possibilita ao sistema operar também em seqüências de imagens fortemente deformadas por movimentos respiratórios das pacientes.

O controle e a parametrização do processo de análise das seqüências de imagens são realizados por um sistema especialista para análise de imagens baseada em conhecimento, o sistema Cyclops [VW96]. O presente enfoque encontra-se atualmente em uma fase de v alidação, na qual uma análise de dados em larga escala e uma comparação de resultados de análise de imagens com dados histológicos está planejada.

2. Background Radiológico

O presente sistema, chamado MAMMALYZER (mr-MAMMography anALYZER), é um sistema de análise automatizada de imagens para o auxílio ao diagnóstico, o qual realiza um préprocessamento de mamografias de ressonância magnética com contraste dinamico (MRM) com a finalidade de possibilitar uma análise mais fácil, rápida e exata por parte de uma equipe médico-radiológica.

A técnica de tomografia de ressonância magnética para a análise da mama, sobre a qual este trabalho baseia, é uma técnica para detecção de cancer de seio relativamente recente [Heyw90] [Kaiser93]. Ela baseia-se na característica dos tumores malignos, de necessitarem de uma perfusão muito superior à do tecido sadio. Além de uma perfusão elevada, tecido canceroso caracteriza-se também por um efeito de ,frenagem” no transporte sangüíneo, acarretado por malformações e rugosidades nas paredes dos vasos, que s urgem em função do crescimento desorganizado do tumor. Através da utilização de um agente de contraste baseado em gadolínio, como o Gd-DTPA, é possível quantificar-se a necessidade de uma perfusão mais elevada aliada à malfomações dos vasos através de uma análise das taxas de acumulação e de liberação do agente de contraste. A comparação das taxas de absorção de agente de contraste de regiões correspondentes entre diferentes volumes de tomografias permite predizer a existência de tecido canceroso. O exame é realizado com um tomógrafo de ressonância magnética convencional, onde a paciente é deitada de bruços e a focalização dos seios é realizada através de uma bobina adicional, que envolve os seios (Fig. 2).

Durante o exame da paciente são tomados diversos volumes de tomografias, um dos quais é o volume de referência (nativo), cujas imagens não contém agente de contraste. Após a injeção do agente de contraste (Gd-DTPA), volumes subseqüentes são tomados após 20 seg., 1 min. e depois em intervalos de 1 min. Uma região suspeita de ser cancerosa pode ser definida como uma região (ou volume) de imagem apresentando um acréscimo de sinal significante, que neste caso é um acréscimo relativo de sinal de mais de 90% d urante o primeiro minuto.

Para o radiologista, a análise destas imagens é um processo cansativo e sujeito a erros, uma vez que volumes de tomografias realizados com um tomógrafo atual constituem-se de 30 ou mais imagens por volume e de um total de 5 a 10 volumes. Todas as imagens necessitam ser comparadas com as imagens nativas correspondentes. Uma automatização deste processo reduziria significantemente a carga de trabalho e por conseguinte os erros do pessoal médico.

Durante os estudos para a realização de um sistema para propiciar essa automatização, foram constatados dois problemas básicos:-por um lado, há a existência de disparidades entre as imagens nativas e as posteriores (Gd-DTPA), acarretadas por deslocamentos de tecido em função principalmente dos movimentos respiratórios das pacientes.

Por outro lado existe o problema do elevado nível de ruído existente em imagens tomadas por este método em tomógrafos convencionais.

O desenvolvimento de um processo de análise cuidadoso se faz necessário, para proporcionar uma diferenciação entre acréscimos de intensidade de sinal provenientes de ruído e de deslocamentos de tecido (artefatos de movimento) e acréscimos de intensi dade de sinal provenientes de uma absorção patológica de agente de contraste. Ambos os problemas não haviam sido adequadamente levados em consideração em enfoques realizados até o presente momento. Trabalhos semelhantes foram realizados neste campo por ou tros autores, mas estes se restringiram a imagens de alto contraste sem disparidades [Makabe94] ou apresentaram metodologias de correção insatisfatórias [Dalton88].

3. Concepção de um Sistema de Suporte ao Diagnóstico

Uma análise do problema realizada em conjunto com radiologistas da citada clínica em Kaiserslautern levou à definição de uma série de objetivos a serem satisfeitos pelo modelo:

O sistema deve propiciar suporte ao diagnóstico, deixando a decisão final por conta do pessoal médico. Regiões suspeitas da mama (que apresentam um acréscimo de sinal superior a 90% no primeiro minuto) devem ser marcadas, de maneira a dirigir a atenção do usuário para estes pontos. Uma interface de usuário gráfica deve permitir ao lado de uma análise automatizada, também uma análise interativa dos volumes de imagens. A avaliação automatizada das imagens de uma paciente deve ser possível de ser realizada em no máximo meia hora, afim de reduzir a sobrecarga psicológica da paciente a espera pelo diagnóstico.

Os dados a serem analisados pelo sistema consistem de volumes de imagem tetradimensionais de uma paciente, incluindo volumes tridimensionais completos aos 0 seg. (nativo) e 20 seg., 60 seg. e de 2 até 5 min. após aplicação de agente de contraste. As image ns são codificadas em tons de cinza, em 8 ou 16 bits/pixel.

4. Propósito e Estrutura do Sistema

Com o propósito de operar com imagens apresentando ruído e deformações, uma ferramenta semiautomática de análise de mamografias chamada MAMALYZER foi desenvolvida.

O MAMMALYZER é estruturado como uma série de seqüências de diferentes filtros de processamento de imagens controlada por uma interface gráfica. Este sistema pode ser interativamente contrtolado pelo médico, que escolhe uma dentre duas seqüências de processamento (vide fig. 3). A escolha dentre uma das duas seqüências de métodos (FAST ou ACCurate) é realizada dependente de quão extensas são as disparidades causadas pelos movimentos da paciente entre as imagens a serem comparadas.

A escolha dos parâmetros para a análise também pode ser realizada interativamente. Alternativamente, o usuário pode escolher o modo Automatic, onde tanto a evaluação dos artefatos de movimento quanto a escolha, parametrização e controle dos filtros são re alizadas pelo sistema especialista Cyclops (vide seção 8). Imagens nativa e Gd-DTPA podem ser selecionadas online diretamente da base de dados de pacientes.

Região de Interesse (ROI)

O módulo de região de interesse (ROI) restringe as regiões da imagem a serem examinadas àquelas correspondentes às mamas, por conseguinte reduzindo o tamanho das imagens que serão submetidas às operações subseqüentes.

Este método opera em quatro passos, encontrando todos os pontos indicados na fig. 4 utilizando simples mecanismos de comparação de tons de cinza e de procura de linhas, como é indicado pelas setas.

Matcher /Adaptador de Imagens

O módulo de casamento de imagens (matcher) compensa disparidades nas imagens causadas pelos movimentos da paciente. Este módulo opera em dois modos: bi- e tridimensional. Ele toma duas imagens ou dois volumes de imagens, dependendo do modo de operação, um sendo o nativo e o outro um volume-Gd-DTPA ou a imagem-Gd-DTPA correspondente à imagem nativa escolhida e computa uma imagem ou um volume correspondente através de deformações locais iterativas até que uma alta taxa de correspondência entre imagem nativa e a Gd-DTPA seja atingida. Esta imagem ,casada” resultante serve então para uma comparação pixel-a-pixel afim de detectar o acréscimo de sinal de cada ponto do tecido, uma vez que ela representa a imagem nativa transformada de acordo com os movimentos da paciente. Dessa forma, comp utações posteriores podem ser realizadas sem que os movimentos da paciente tenham de ser levados em consideração.

Uma vez que este módulo representa a componente mais importante dentre as utilizadas nas duas seqüências de análise de mamografias, uma discussão mais detalhada deste módulo e do algoritmo utilizado será encontrada na próxima seção.

Marker/Marcador

O módulo marcador realiza o ,diagnóstico” propriamente dito. Este módulo computa o acréscimo relativo de sinal pixel-a-pixel ou voxel-a-voxel entre os pontos correspondentes das imagens nativa e Gd-DTPA. A presença de ruído é levada em consideração atrav és da representação do marcador basicamente como um operador sobre uma vizinhança local. Ao contrário dos operadores de vizinhança convencionais em processamento de imagens, este operador trabalha em duas imagens simultâneamente. O pixel/voxel ,mais adequ ado” em uma vizinhança é utilizado para o cálculo do acréscimo de sinal de acordo com uma regra especialmente desenvolvida (vide fig. 5). A determinação deste pixel/voxel ,mais adequado” é realizada através de uma comparação de similaridades de contextos. Para este fim é selecionado um ponto na imagem nativa e, na vizinhança das coordenadas correspondentes a este ponto na imagem Gd-DTPA, é selecionado o ponto ,mais similar”. Esta medida de similaridade pode ser definida pelo usuário e, no caso mais simple s, é puramente o ponto dentro da vizinhança com tom de cinza mais próximo. Ela pode ser extendida até até ser equivalente à definição de contexto de vetores de gradientes utilizada no módulo de casamento de imagens (vide seção 5 e 6).

Interface de Usuário Gráfica (GUI)

A interface de usuário (vide fig. 1) permite ao médico folhear através da base de dados de pacientes, anotar históricos, protocolos e anamneses, ver todas as imagens relacionadas e controlar o processo de análise de imagens. Existem basicamente dois modos interativos de análise de MRM oferecidos, os quais diferem em um ponto. O modo fast omite o módulo de casamento de imagens e é, por conseguinte, somente praticável quando as tomografias praticamente não apresentam disparidades e deslocamentos entre corte s nativos e com contraste. O modo accurate inclui o casamento de imagens a se distingue por marcar regiões suspeitas de forma confiável mesmo em presença de material distorcido. O usuário tem a possibilidade de calcular e inspecionar os artefatos de movim ento e assim decidir qual seqüência de análise e quais parâmetros utilizar. O usuário pode também delegar a função de escolher a seqüência mais adequada e os respectivos parâmetros a um sistema especialista (vide seção 8 e [VW96]).

A próxima seção descreve o módulo de casamento de imagens (matcher) em detalhes, uma vez que este representa o aspecto mais inovador e importante da funcionalidade deste enfoque apresentado aqui.

5. Compensação Automática dos Movimentos da Paciente

A definição de problema colocada para o módulo de casamento de imagens (matcher) pode ser resumida como a necessidade de deformar localmente um corte ou volume nativo de forma a maximizar a correspondência entre esta deformação (match) e o corte ou volume com contraste [HuRaVW96]. Determinadas premissas podem ser estabelecidas acerca da natureza das deformações encontradas em MRM:

Deformações são de natureza local, Deformações preservam a topologia do tecido, Deformações podem ser não-lineares.

Artefatos de movimento em MRM. Uma subtração de imagens entre cortes nativo e Gd-DTPA mostra que os movimentos respiratórios da paciente causam disparidades entre as posições da mama. Em razão disso, o módulo de casamentode imagens teve de satisfazer os seguintes objetivos.

O matcher deveria encontrar um mapeamento pixel-a-pixel (ou voxel-a-voxel) ótimo, o qual não basiea somente em informção acerca de bordas de objetos, mas sim, considera toda a superfície de subimagens.

Ele deveria se tolerante a falhas, no sentido de encontrar uma transformação capaz de preservar a toplogia, mesmo em presença de variações inomogêneas de tons de cinza em função de ruído ou de uma absorção desigual de agente de contraste por diferent es tipos de tecido.

O MAMMALYZER difere de outros enfoques em grande parte pela realização do módulo de casamento de imagens. Através do uso de uma rede neuronal densa baseada nos mapas auto-organizantes de Kohonen (SOM) [Koho90], foi possível criar-se uma transformação rápi da com conservação topológica. A consistência do mapeamento é adquirida pelo processo iterativo de aprendizado da carta.

Pares de pontos correspondentes são determinados através de um operador de interesse e de uma nova regra de aprendizagem. O casador é inicializado com um mapeamento de um para um de cada pixel/voxel de uma tomografia nativa para um neurônio. Os pesos da rede são inicialmente setados de maneira a descrever as características de cada pixel/voxel, como tom de cinza e gradientes. Em um segu nd passo, cada ponto da imagem com contraste que não se encontra em um platô (vetores de gradientes não nulos) é apresentado à rede em uma ordem arbitrária. A aplicacão de regras de aprendizagem especiais resulta então em uma tomografia nativa adaptada (vide fig. 6). O cálculo da absorção de agente de contraste pode então ser realizado.

6. Metodologia de Compensação de Deformações Tissulares

Nova regra de aprendizagem SOM

A característica básica em deformações elásticas de tecidos vivos é da de apresentarem deslocamentos locais aproximadamente paralelos. Este processo pode ser simulado em redes de Kohonen (SOM) [Koho90] através de alterações na regra de aprendizado. A fim de evitar a clusterização (formação de agrupamentos) de pontos de imagem semelhantes, a regra de aprendizado foi modificada no sentido de propiciar uma adaptação dos pesos da vizinhança do ,vencedor” em sentido paralelo à adaptação deste [HuRaVW96] [HuVW 96]. Este método simula deslocamentos e deformações locais que ocorrem em função de movimentos respiratórios. A fig. 8 mostra as diferenças entre o processo de aprendizagem sugerido por Kohonen e o método implementado no módulo de casamento de imagens no MAMMALYZER.

Determinação dos pontos de imagem (pixel ou voxel) correspondentes entre cortes/volumes nativo e Gd-DTPA

Para que o ,aprendizado” dos deslocamentos de tecido seja possível, foi necessário também que se alterasse a regra proposta por Kohonen para a escolha do ,neurônio vencedor” na determinação da vizinhança para a adaptação dos pesos. O enfoque extremamente simples de detecção do ,vencedor” através do cálculo da distância euclidiana entre um padrão apresentado e os pesos de entrada do neurônio foi extendido no MAMMALYZER afim de representar contextos locais de imagem. O módulo de casamento de imagens utiliza um operador de interesse [HuVW96] que calcula uma medida de similaridade de contextos tissulares afim de determinar o vencedor. Este operador de interesse pode ser definido pelo usário. Experimentos demonstraram que uma soma ponderada dos seguintes parâ metros de interesse serve como medida de similaridade de contextos adequada [HuVW96]:

Distância de tons de cinza

Distância média de tons de cinza . É calculada através da média de todos os tons de cinza em uma janela centrada respectivamente nas posições do neurônio enfocado e do ponto enfocado no padrão de treinamento.

Distância espacial. Refere-se à distância euclidiana entre a posição do ponto em questão no padrão de treinamento e do neurônio x,y observado.

Distância da norma dos gradientes Angulo entre os vetores de gradiente do neurônio e do ponto . Calculado como produto escalar dos vetores de gradiente normalizados.

A seguinte fórmula expressa esta medida de similaridade (os Fi são constantes que dependem de parâmetros da imagem):

O neurônio que, dentro de uma determinada janela, apresenta distância mínima do pixel /voxel apresentado como padrão de entrada, segundo a medida acima, é o ,vencedor”.

7. Resultados

O MAMMALYZER foi testado em conjuntos de dados de diferentes patientes de ambos os hospital e clínica citados utilizando o modo de processamento bidimensional (comparação unicamente de cortes correspondentes). Resultados obtidos com MAMMALYZER corresponde ram àqueles obtidos pelo pessoal médico. Os dados do Hospital Universitário de Bonn, por apresentarem 21 cortes de 4 mm de espessura por volume, permitiram também uma análise tridimensional. O casamento de imagens volume a volume permite uma eliminação ma is exata dos artefatos de movimento. Os dados de Kaiserslautern, por apresentarem somente 10 cortes de 7 mm de espessura por volume, não permitem este tipo de processamento, o que limita o tamanho de tumores detectáveis em imagens desta qualidade a 3 ou 4 mm. Um exemplo do resultado de uma seqüência de análise pode ser encontrado na fig. 9. Por razões de impressão, a região suspeita marcada é branca e encontra-se rodeada por um círculo branco. Na interface de usuário (GUI), regiões suspeitas são marcadas em ve rmelho. O tempo de processamento bidimensional gira em torno de 20 seg./volume (10 cortes a 256×256) com o método FAST e 6 min./volume com ACCurate em uma estação Sun SPARC 5 convencional.

8. Utilização do Sistema Especialista Cyclops para o Controle do Processo de Análise

Um dos problemas associados ao presente enfoque está relacionado ao fato de que a maioria dos parâmetros dos módulos de casamento de imagens e de marcação de absorção de contraste depende fortemente de características das imagens em si, como tempo de eco (TE), tempo de relaxação (TR), espessura de corte, campo de visão e resolução de imagem. O conjunto de parâmetros definidos para geração de um volume de tomografias é chamado de protocolo de aquisição. Nós desenvolvemos um conjunto de parâmetros estandard izados que opera de forma estável com as seqüências convencionais de MRM efetuadas nos tomógrafos marca Picker de 1.0 Tesla da citada clínica em Kaiserslautern. Esses parâmetros necessitam de ser fortemente modificados se se utilizam imagens efetuadas em aparelhos de características diferentes ou efetuadas com um protocolo de aquisição de imagem diferente. Se esta adaptação de parâmetros tem de ser efetuada manualmente pelo usuário com fins de processar imagens de uma outra clínica, por exemplo, isto pode levar a um demorado processo de tentavia e erro que, além disso, ainda pode levar a resultados de processamento incorretos. Ademais, não se espera que um sistema desenvolvido para ser utilizado por radiologistas de forma simples e intuitiva requeira, par a o seu uso, conhecimentos especializados sobre processamento de imagens. Um outro fator importantíssimo na parametrização da análise é também a extensão dos artefatos de movimento. Estes necessitam de ser levados em conta durante a parametrização do módu lo de casamento de imagens (matcher).

Por esta razão, as seqüências de análise de mamografias do MAMMALYZER foram modeladas sob o sistema de análise de imagens baseado em conhecimento Cyclops [VW96], o qual é um sistema especialista desenvolvido na Universidade de Kaiserslautern que utiliza t écnicas de IA de configuração e planejamento para efetuar uma combinação ótima de operadores de imagens e de seus conjuntos de parâmetros para o processamento de um conjunto determinado de imagens baseado em parâmetros das próprias imagens, em conheciment o sobre processamento de MRM e em resultados previamente obtidos através de processamentos anteriores.

Um dos objetivos principais para a modelagem da análise de MRM sob o sistema especialista supracitado foi o de possibilitar a utilização automatizada dos resultados do cálculo da extensão das disparidades inter-volume (quantificação automatizada dos artef atos de movimento, vide fig. 6) e de co-nhecimentos acerca de interrelacionamentos entre parâmetros de imagem e parâmetros de módulos (operadores de imagens) para uma escolha ótima de sequências de análise de de parâmetros de operadores. Desta forma, o us uário não tem de realizar o processo de escolha entre as seqüências de análise FAST e ACCurate nem tem de se preocupar com a escolha dos parâmetros adequados, uma vez que a seqüência de análise é planejada, parametrizada e tem sua execução controlada pelo sistema especialista Cyclops o qual comunica com o MAMMALYZER.

A fig.10 mostra a solução parcial do configurador de Cyclops em um estado adiantado de configuração. Tanto a quantificação dos artefatos de movimento (preprocessamento) como a análise de imagem propriamente dita são planejadas e executadas pelo sistema es pecialista.

9. Trabalho Futuro

O próximo passo no trabalho futuro é a realização de um estudo de validação extensivo do MAMMALYZER com um grande conjunto de pacientes. A comparação dos resultados obtidos com a análise de imagens com dados histlógicos também está planejada. Nós estamos atualmente entrando em contato com outros hospitais que também estejam interessados em prover dados. Um experimento utilizado MAMMALYZER no quotidiano radiológico já foi iniciado com a portação do sistema para estações DEC Alpha e a instalação a título ex perimental do sis-tema na Clínica Radiológica Budenbrook & Blasinger em Mainz. Uma base de dados de pacientes segundo o padrão DICOM 3.0 encontra-se também em desenvolvimento.

10. Referências

Dalton B.L. and Boulay G. (1988). Medical Image Matching. SPIE Vol. 914 Medical Imaging II, 456-464.

Heywang-Köbrunner, Sylvia H.: Contrast-Enhanced MRI of the Breast. Kärger/Schering, Basel, 1990.

Huwer, S., v.Wangenheim, A.: MAMMA-LYZER: An Approach for Automatic Detection of Breast Cancer by Analyzing Contrast-Enhanced MRI-Mamographs. AIM-96 – Symposium on Artificial Intelligence in Medicine. Stanford University, March, 1996.

Huwer, S., Rahmel, J., v.Wangenheim, A.: Data-Driven Registration for Local Deformations. Pattern Recognition Letters. North-Holland, 1996 (no prelo).

Kaiser, Werner, Diedrich, K., Reiser, M. und Krebs, D.; Moderne Diagnostik der Mamma. Geburts- u. Frauenheilkunde, pp.1-14, 1993.

v. Wangenheim, Aldo: Cyclops: Ein Konfigurationsansatz zur Integration hybrider Systeme am Beispiel der Bildauswertung. Dissertação, Universität Kaiserslautern, 1996.