Segmentação de imagens fetais com potencial para desenvolvimento de ferramentas de apoio ao diagnóstico

Abstract

Durante uma gravidez é aconselhável a realização de 3 exames ecográficos. O primeiro, e reconhecido pelos especialistas como mais importante, é o do primeiro trimestre. Neste exame, realizado entre as 11 e as 14 semanas, é possível avaliar a idade gestacional, o desenvolvimento fetal e, mais importante, as anomalias fetais. Na avaliação das anomalias fetais incluem-se as cromossómicas, que são detetáveis a partir da observação da medida da Translucência da Nuca mas que deve ser cruzada com a medida da Distância Crânio-Caudal e a idade materna. As medidas são retiradas manualmente e os seus valores variam com a disponibilidade física e a motivação do operador, pelo que os resultados mostram variabilidade intra e inter-operador. As imagens recolhidas pelos sistemas de aquisição baseados em ultrassons apresentam pouco detalhe, baixo contraste, baixa relação sinal/ruído e grande variabilidade morfológica que dificulta a tarefa de segmentação e, consequentemente, o desenvolvimento de sistemas de medição automáticos. Como tal, o seu tratamento exige a utilização de técnicas que reúnam características adequadas e que permitam o desenvolvimento de sistemas robustos. Este trabalho trata a questão da extração automática da medida da Distância Crânio-Caudal (DCC) a partir das imagens de ultrassons habitualmente usadas para este fim. Para tal, propõe a utilização de técnicas de Fuzzy Clustering, de Contornos Ativos e de Aprendizagem Máquina, nomeadamente SVMs, para a segmentação das imagens com vista à identificação do corpo do feto. Estas abordagens potenciaram a formulação de novos modelos que permitem enfrentar as dificuldades inerentes ao tratamento deste tipo de imagens. São também propostas metodologias automáticas de extração da medida DCC, sendo que algumas delas dependem dos processos de segmentação sugeridos. Os resultados obtidos para a medida da DCC apresentam um erro absoluto médio relativo dentro dos intervalos de variabilidade inter-operador referidos na literatura.

During pregnancy it is advisable to conduct 3 ultrasound examinations. The first and most important is performed in the first trimester. In this exam, done between the 11th and 14th week, the gestational age, the fetal development and, most importantly, the fetal abnormalities can be assessed. The assessment of fetal anomalies include chromosomal, which are detectable from observation measuring the nuchal translucency size. However it should be crossed with a measure of the crown-rump length and the maternal age. These measures are manually performed and their values vary with the physical availability and motivation of the operator, so the results show intra and inter-operator variability. The images collected by acquisition systems based on ultrasounds have little detail, low contrast, low signal/noise ratio and great morphological variability which difficult the segmentation task and the development of automatic measuring systems. Because of these reasons, ultrasound image processing requires the use of techniques that meet appropriate characteristics and that enable the development of robust systems. This work treats the subject of automatic extraction of the crown-rump length from ultrasound images commonly used for this purpose. It uses Fuzzy Clustering, Active Contours and Machine Learning techniques for the segmentation of images in order to identify the fetal body. These approaches promoted the development of new models that allow face the inherent difficulties in treating this type of images. Methods for the crown-rump length automatic measurement are also proposed, some of which depend on the suggested segmentation methods. The results obtained for the crown-rump length presented a relative mean absolute error within inter-operator variability ranges reported in the literature.