Algoritmo de segmentação de ECO2D dinâmica
Transcrição
Algoritmo de segmentação de ECO2D dinâmica
CMNE/CILAMCE 2007 Porto, 13 a 15 de Junho, 2007 © APMTAC, Portugal 2007 ALGORITMO DE SEGMENTAÇÃO DE ECO2D DINÂMICA DURANTE UM CICLO COMPLETO Bruno Luiggi Macchiavello Espinoza1, Marcelino Monteiro de Andrade 1, Francisco Assis de Oliveira Nascimeto1*, Hervaldo Sampaio Carvalho 2, Daniel Vasconcelos 2, Adson Ferreira da Rocha 1 e Salvador Alves de Melo Júnior1 1: Grupo de Processamento Digital de Sinais - GPDS Departamento de Eengenharia Elétrica – Faculdade de Tecnologia Universidade de Brasília UnB – Brasília, Brasil e-mail: [email protected], web: http://www.ene.unb.br/gpds 2: Departamento de Clínica Médica Faculdade de Medicina Universidade de Brasília UnB – Brasília, Brasil e-mail: {andrade, assis, hervaldo,adson}@unb.br web: http://www.ene.unb.br/gpds Palavras-chave: filtragem de reforço de borda, minimização de ruídos, transformada de wavelets, ecocardiografia dinâmica Resumo. Um método semi-automático de segmentação do ventrículo esquerdo durante um ciclo cardíaco completo utilizando ecocardiograma bidimensional (ECO2D) dinâmico é apresentado. Com base na região segmentada nos diversos quadros constrói-se a curva de variação da área do ventrículo esquerdo durante um ciclo cardíaco completo. Isto permite a avaliação da dinâmica cardiovascular e a identificação de parâmetros clínicos importantes. O algoritmo é constituído de diversos módulos independentes. Para se realizar a avaliação de desempenho as simulações computacionais foram contrapostas com resultados implementados por cardiologiastas do Hospital Universitário da UnB e a avaliação foi considerada muito positiva. Bruno Luiggi. Macchiavello Espinoza, Marcelino Monteiro de Andrade, Francisco Assis Oliveira Nascimeto, Hervaldo Sampaio Carvalho, Daniel Vasconcelos, Adson Ferreira da Rocha e Salvador Alves de Melo Júnior 1. INTRODUÇÃO A ecocardiografia bidimensional (ECO2D) permite a avaliação das estruturas cardíacas e de seus movimentos, de tal modo que características anatômicas e funcionais possam ser obtidas [1]. A análise da função ventricular esquerda é de elevada importância no exame ecocardiográfico, já que inúmeros diagnósticos clínicos se baseiam no desempenho desta câmara [1]. O trabalho proposto apresenta uma evolução de técnica de segmentação de imagens de ecocardiografia 2D [18]. É apresentada uma abordagem para a ecocardiografia dinâmica de forma que se possa avaliar e extrair parâmetros durante um ciclo cardíaco completo. O processo se baseia em um conjunto de imagens ECO2Db dinâmicas colhidas por meio de exame compreendendo alguns ciclos cardíacos completos. A segmentação de diversas imagens dinâmicas permite a construção automática da Curva de Variação da Área (CVA) do ventrículo esquerdo durante um ciclo cardíaco, possibilitando a identificação de inúmeros parâmetros clínicos, entre os quais se ressalta a Fração de Variação de Área (FVA). A técnica proposta apresenta como vantagens a característica não ser invasiva e, a abordagem automática dos algoritmos desenvolvidos, permitindo se avaliar as funções sistólica e diastólica ventricular esquerda, já que são entidades fundamentais para o diagnóstico de inúmeras patologias cardiovasculares [1]. O processo permite a identificação automática das áreas do ventrículo esquerdo em imagens sucessivas, descrevendo dinamicamente, o ciclo cardíaco completo. Nos exames que originaram as seqüências de imagens de ecocardiografia bidimensional (ECO2D) foram utilizados o corte transtorácico apical de eixo longo de quatro câmaras. Entretanto, a técnica também pode ser utilizada em imagens apicais de eixo curto e de eixo longo de duas câmaras. Os algoritmos propostos se baseiam na combinação e adaptação de técnicas apresentadas em literatura científica recente [18], associadas a outras técnicas clássicas para processamento computacional de ECO2D [2]. O artigo é organizado da seguinte maneira, na Seção 2 é apresentado o protocolo de aquisição das imagens de ECO2D e o algoritmo de obtenção da CVA. Na Seção 3 apresentaremos os resultados do algoritmo e na Seção 4 faremos uma discussão sobre a intervenção do usuário no método. 2. MATERIAIS E MÉTODOS 2.1. Protocolo de Aquisição e Sujeitos O banco de imagens dinâmicas foi contruído por especialistas do serviço de cardiologia do Hospital Universitário de Brasília (HUB) pertencente a Universidade de Brasília (UnB). O equipemento de obtenção do ECO2D dinâmico é conectado por meio de rede ETHERNET a um servidor de rede de imagens médicas. Os exames realizados são transportados por meio da infra-estrutura lógica da rede e armazenados em memória de massa para processamento off-line. O quantitativo de sujeitos foi de 6 indivíduos, sem diagnóstico de patologia cardíaca, com a idade foco de 40±15 anos e índice de massa corporal de 25±4 Kg/m2. As aquisições correspondem de 6 2 Bruno Luiggi. Macchiavello Espinoza, Marcelino Monteiro de Andrade, Francisco Assis Oliveira Nascimeto, Hervaldo Sampaio Carvalho, Daniel Vasconcelos, Adson Ferreira da Rocha e Salvador Alves de Melo Júnior filmes. Sendo registrados em cada filme dois ciclos cardíacos de imagens de ECO2D transtorácica apical de quatro câmaras, com taxa de 44 frames/s, conjuntamente com os respectivos eletrocardiogramas, o que totalizou um quantitativo de 280 quadros por indivíduos. Os indivíduos que participarem do experimento foram submetidos ao exame clínico completo, e à análise do eletrocardiograma de superfície de 12 derivações, e nenhum deles apresentava sintoma de doença sistêmica com comprometimento cardiovascular ou de doença cardiovascular. Foram excluídos do estudo pacientes com sinais clínicos, eletrocardiográficos e/ou ecocardiográficos de comprometimento da anatomia e da função cardiovascular. O laboratório de informática médica do HUB, o equipamento de ECO2D e o protocolo associado experimento foram apresentados aos indivíduos antes da sua participação no mesmo, após o qual o paciente assinou o termo de consentimento pós-informado. O estudo foi aprovado pelo Comitê de Ética em Pesquisa da Universidade de Brasília. 2.2. Algoritmo de construção da Curva de Variação de Área do ventrículo esquerdo: Visão Geral A construção da Curva de Variação de Área (CVA) a partir do ECO2D dinâmico é implementada por um algoritmo computacional constituído de módulos principais de processamento: (1) Preprocessamento e (2) Segmentação e cálculo da área. O primeiro módulo, chamado de préprocessamento, objetiva adequar a imagem obtida pro meio da minimização de os ruídos espúrios. Neste contexto, são considerados o ruído de reverberação e o espalhamento, oriundo da onda de ultra-som quando essa colide com estruturas dos tecidos de dimensões próximas à resolução axial do aparelho [3]. O segundo módulo implementa a segmentação automática da região do ventrículo esquerdo, e calcula a área desejada. Para efeito de ilustração do resultado desejado, a Figura 1 apresenta uma CVA normalizada típica construída pelo algoritmo automático proposto. Na Figura 1 pode-se observar o valor discreto da área do ventrículo esquerdo em cada quadro e a curva contínua ajustada ao processo que aproxima o comportamento no decorrer de um ciclo cardíaco completo. A técnica desenvolvida para a construção da curva mostrada na Figura 1 utiliza diversos algoritmos que são discriminados no diagrama de blocos apresentado na Figura 2. Cada imagem do ECO2D dinâmico é apresentada como entrada do algoritmo, e como saída, tem-se a área do ventrículo esquerdo naquele respectivo instante de tempo. A única informação adicionada ao processo é a inserção, uma única vez, da barreira mitral. Esse assunto será discutido mais adiante, logo após se descrever o módulo de pre-processamento da técnica. 3 Bruno Luiggi. Macchiavello Espinoza, Marcelino Monteiro de Andrade, Francisco Assis Oliveira Nascimeto, Hervaldo Sampaio Carvalho, Daniel Vasconcelos, Adson Ferreira da Rocha e Salvador Alves de Melo Júnior Figura 1. Ilustração de uma CVA típica 4 Bruno Luiggi. Macchiavello Espinoza, Marcelino Monteiro de Andrade, Francisco Assis Oliveira Nascimeto, Hervaldo Sampaio Carvalho, Daniel Vasconcelos, Adson Ferreira da Rocha e Salvador Alves de Melo Júnior Figura 2. Diagrama de Blocos do Algoritmo de Aquisição da CVA. 2.3. Módulo de Pré -Processamento: de -noising invariante à translação, promediação e filtragem de auto-reforço O módulo de pre-processamento recebe a imagem de ECO2D no formato bruto a partir do banco de imagens e entrega ao módulo de segmentação um formato mais adequando para o processo de segmentação. O módulo de pré-processamento é subdividido em três etapas: prómediação, minimização de ruídos, e filtragem de auto-reforço LoG. Na primeira etapa do módulo de pré-processamento é implementado um filtro de promediação ou média temporal [4]. A média temporal procura minimizar ruídos espúrios não correlacionados com a informação de interesse e também não correlacionados consigo mesmo. O processo utiliza as propriedades do ruído branco presente em diversas imagens no sentido de se auto-cancelar. Esta técnica tem sido usada em diferentes publicações anteriores [4][5][6]. Em nosso trabalho é proposta uma pequena modificação: a media temporal é calculada sobre conjuntos de 4 (quatro) imagens, sendo essas oriundas de dois ciclos cardíacos consecutivos. Inicialmente a promediação é feita sobre duas imagens sucessivas em cada um dos dois ciclos. Essas imagens de ciclos distintos são sincronizadas através do sinal temporal do eletrocardiograma (mediante o complexo QRS) para a realização da média final de quatro imagens. Este processo pode ser expresso pela equação 1. f ( x, y ) = { 1 1 f k +1 ( x , y ) + f k1 ( x , y ) + f k2+1 ( x , y ) + f k2 ( x, y ) 4 } (1) onde k é o número do frame, f km(x,y) é o valor do pixel (x,y) do quadro k no ciclo m e f(x,y) é o valor resultante. A figura 3 ilustra como o sinal de ECG é associado para sincronizar imagens de um ciclo cardíaco com as imagens do ciclo imediatamente sucessivo. Neste caso se inferiu que imagens sucessivas em um mesmo ciclo cardíaco são muito correlacionadas face à inércia do processo. Similarmente, sabe-se que o fenômeno apresenta periodicidade, assim, devem existir imagens associadas ao ciclo cardíaco sucessivo que são também muito correlacionadas com suas recíprocas no ciclo anterior. O sinal de ECG é empregado para se identificar as imagens de ECO2D correspondentes em ciclos cardíacos sucessivos. A etapa de promediação atenua os ruídos brancos e reforça as bordas de interesse. A segunda etapa atua de forma mais dedicada na minimização de ruídos. Optou-se por utilizar a técnica de denoising de segunda geração com transformada discreta de wavelet. O de-noising de segunda geração utiliza o ceifamento inteligente dos coeficientes wavelets relacionados com o ruído [15][16][17]. Estudos prévios [7] mostram que, para imagens de ecocardiografia bidimensional, a transformada de wavelet da família Daubechies se adapta às características das imagens, minimizando a correlação no espaço transformado, concentrando a energia da informação de interesse e adequadamente servindo para a minimização de ruído branco. Após várias resultados de simulações computacionais, optou-se pela Daubechies de ordem 12. Essa base foi escolhida para o 5 Bruno Luiggi. Macchiavello Espinoza, Marcelino Monteiro de Andrade, Francisco Assis Oliveira Nascimeto, Hervaldo Sampaio Carvalho, Daniel Vasconcelos, Adson Ferreira da Rocha e Salvador Alves de Melo Júnior tratamento de imagens de ECO2D por apresentar na média, quando comparada com outras transformadas, melhor representação em termos do erro quadrático médio normalizado e maior concentração de informação (energia) em um número menor de coeficientes [8]. Figura 3. Associação do sinal de ECG para a identificação de imagens correspondentes em ciclos cardíacos sucessivos. A utilização exclusiva da redução de ruído por meio do ceifamento de coeficientes wavelets, não garante a minimização das anormalidades do movimento da parede cardíaca, já que processa imagens isoladamente, sem considerar a contribuição da componente temporal. Justificando assim, o uso do filtro de promediação como parte do pré-processamento [9]. Na última etapa de pré-processamento as imagens obtidas a partir do de-noising invariante à translação por meio da transformada de Wavelet e promediadas temporalmente, são apresentadas à entrada de um filtro LoG (Laplaciano da Gaussiana) de máscara 3x3. Esse mecanismo permite o realce das bordas da cavidade ao aumentar o contraste na imagem, melhorando o desempenho do algoritmo. O filtro LoG tem sido usado com sucesso no processamento de imagens de ECO2D conforme mostrado em publicações científicas [10][11]. A imagem f ( x, y ) resultante da etapa de minimização do ruído é submetida ao processo de filtragem de auto-reforço, onde o resultado da convolução linear é adicionado à imagem inicial, ou seja f ( x, y ) = f ( x, y) + α ⋅ LoG ( f ( x, y )) , 6 a = 1,5 (2) Bruno Luiggi. Macchiavello Espinoza, Marcelino Monteiro de Andrade, Francisco Assis Oliveira Nascimeto, Hervaldo Sampaio Carvalho, Daniel Vasconcelos, Adson Ferreira da Rocha e Salvador Alves de Melo Júnior A Figura 4 ilustra o efeito da filtragem de auto-reforço a partir da entrada que corresponde a imagem obtida após o algoritmo de promediação (a) (b) Figura 4. a) Imagem resultante do filtro médio aplicado ao conjunto de quatro imagens originais. b) A aplicação do Laplaciano da Gaussiana à imagem (a) produz um realce nas bordas . 2.4. Algoritmo de segmentação O segundo módulo do sistema de construção da variação de área ventricular corresponde ao algoritmo de segmentação como mostrado no diagrama de blocos da Figura 2. Este módulo e constituído de cinco etapas: intervenção humana, transformação de homonotopia, segmentação Watershed [18], extração de contorno e cálculo da respectiva área. Voltando ao diagrama de blocos mostrado na Figura 2 observa-se uma etapa corresponde a uma intervenção humana caracterizada pela localização de uma “barragem” entre o átrio esquerdo e o ventrículo esquerdo, sobre toda a extensão da válvula mitral. Esta intervenção é feita uma única vez no primeiro frame obtido a partir do módulo de pré-processado. A localização da “barragem” é necessária em virtude da abertura da válvula mitral no final do processo de sístole, para permitir a passagem de sangue entre o ventrículo e o átrio [14]. Caso contrario (sem a inserção da “barragem”) o algoritmo segmentaria conjuntamente parte do átrio durante a função diastólica. Nos frames sucessivos a realocação da “barragem” é um processo totalmente automático a 7 Bruno Luiggi. Macchiavello Espinoza, Marcelino Monteiro de Andrade, Francisco Assis Oliveira Nascimeto, Hervaldo Sampaio Carvalho, Daniel Vasconcelos, Adson Ferreira da Rocha e Salvador Alves de Melo Júnior adaptativo, o qual acompanha o movimento da válvula mitral [14]. Esta técnica proposta é implementada localizando a “barragem” a partir do frame anterior. Após a intervenção humana adicionando a barragem na válvula mitral aberta, a etapa seguinte do módulo de segmentação corresponde a transformação de homonotopia [18]. Este procedimento tem por finalidade a minimização da quantidade de mínimos locais na imagem de ECO2D e evitar assim, uma super-segmentação quando da aplicação do algoritmo watershed. Neste procedimento determina-se um limiar igual à mediana do histograma da imagem resultante da etapa de préprocessamento. Uma nova imagem é construída onde coloca-se amplitude igual a zero em todos os pixels com possuam amplitude menor que o limiar. Simulações computacionais mostram que em imagens consideradas de boa ou de média qualidade (segundo a avaliação subjetiva de cardiologistas que participaram da construção do banco de imagens médicas do Hospital da Universidade de Brasília - HUB), todos os mínimos locais que estavam localizados no interior da cavidade cardíaca são eliminados. Em imagens consideradas de baixa qualidade a supersegmentação pode ainda acontecer, contudo, mesmo os especialistas preferem descartá-las e obter outras de melhor qualidades. A Figura 5.a mostra um exemplo onde se tem a imagem resultante da transformação de homonotopia, acrescida da barragem átrio ventricular adicionada por intervenção humana. Em seguida, como pode ser observado no diagrama de blocos mostrado na Figura 2, aplica-se a segmentação watershed, originando um número quantitativo de regiões segmentadas, incluindo a região de interesse. A região de interesse é automaticamente extraída, dada a sua característica de ser o maior segmento central que não faz intersecção com as bordas da imagem. A Figura 5.b ilustra este procedimento. Figura 5. a) Imagem resultante da mudança de homonotopia: minimização dos mínimos locais e b) Imagem da segmentação watershed, ambas com a barragem átrio ventricular aplicada. 8 Bruno Luiggi. Macchiavello Espinoza, Marcelino Monteiro de Andrade, Francisco Assis Oliveira Nascimeto, Hervaldo Sampaio Carvalho, Daniel Vasconcelos, Adson Ferreira da Rocha e Salvador Alves de Melo Júnior A região obtida pela segmentação watershed não corresponde ainda à região desejada do ventrículo esquerdo. Se as paredes musculares tivessem uma largura infinitesimal, as “linhas de partição de água” do algoritmo watershed corresponderiam às bordas da câmara (equipotenciais de amplitude). Contudo, essas paredes possuem uma largura não desprezível e a respectiva região de interesse possui as paredes internas do ventrículo como bordas. A escolha da borda de interesse é implementada no algoritmo de extração de máscara de 3 dB (Figura 2). A Figura 6.a, mostra o resultado de aplicações de erosões morfológicas consecutivas na região inicialmente segmentada onde foram calculadas as médias dos pixels do contorno, ao sobrepor cada região erodida na imagem original. Este procedimento gera um conjunto de curvas equipotenciais de amplitude e, uma delas representa a segmentação de interesse, ou seja, a parede interna do ventrículo em cada instante de tempo de um ciclo cardíaco completo. A partir de resultados de simulações computacionais sobre o conjunto de ECO2D dinâmico obtido a partir do banco de imagens médicas do HUB, foi observado um comportamento característico para a variação de amplitude das equipotenciais. Esse comportamento é ilustrado na Figura 6.b. É observado uma variação de amplitude que se aproxima de um decaimento exponencial. Com base na interação com especialistas do HUB foi proposto como a segmentação de interesse, a cavidade gerada por uma máscara que corresponde à diminuição em 3 dB (decibéis) de cada ponto da linha de watershed de amplitude máxima. Essa máscara é o resultado considerado adequado para a representação da cavidade constituída pela parede interna ventricular. Na Figura 7 são mostrados dois exemplos onde é sobreposto a imagem resultante do módulo de pré-processamento com a equipotencial resultante do algoritmo watershed. Na figura 6.a a superposição é com a equipotencial de amplitude máxima e, na Figura 7.b, a superposição é com a equipotencial que corresponde a mascara interna de queda de 3 dB, obtida a partir da erosão da equipotencial de amplitude máxima. 9 Bruno Luiggi. Macchiavello Espinoza, Marcelino Monteiro de Andrade, Francisco Assis Oliveira Nascimeto, Hervaldo Sampaio Carvalho, Daniel Vasconcelos, Adson Ferreira da Rocha e Salvador Alves de Melo Júnior Figura 6. a) contornos concêntricos à borda da região extraída pela segmentação Watershed b) Curva de amplitude média dos contornos concêntricos Figura 7. a) Imagem pré-processada sobreposta a máscara da segmentação Watershed b) Imagem préprocessada sobreposta a máscara interna de 3 dB. 10 Bruno Luiggi. Macchiavello Espinoza, Marcelino Monteiro de Andrade, Francisco Assis Oliveira Nascimeto, Hervaldo Sampaio Carvalho, Daniel Vasconcelos, Adson Ferreira da Rocha e Salvador Alves de Melo Júnior 3. RESULTADOS DE SIMULAÇÃO E AVALIAÇÃO DE DESENPENHO As Curvas de Variação de Área (CVAs) obtidas para os 6 indivíduos apresentaram uma forma similar, conforme demonstrado na Figura 8, sendo que o formato da curva reflete as etapas do ciclo cardíaco desde a ejeção sistólica ventricular até a sístole atrial. A CVA permite uma avaliação concisa do ciclo cardíaco, viabilizando identificar diversas etapas da função ventricular sistólica e diastólica. Na Figura 8 é apresentada uma CVA típica. Nela é possível identificar as diferentes etapas do ciclo cardíaco: (1) contração isovolumétrica, (2) ejeção, (3) relaxamento isovolumétrico, (4) enchimento rápido, (5) enchimento lento e (6) sístole atrial. A Figura 9 ilustra a segmentação dinâmica do ventrículo esquerdo um ciclo cardíaco em cada uma de suas etapas. Nas diversas figuras segmentadas pode ter uma visão panorâmica do comportamento ventricular dinâmico. Também é possível obter a partir da CVA a Fração de Variação de Área (FVA). A FVA é computada pela diferença percentual entre a maior área (A) e a menor área (E) do ventrículo durante o ciclo cardíaco, dividida pela maior área (A). A equação 3 representa a FVA e a Tabela 1 resume os valores encontrados pelo método proposto para os diversos sujeitos. FVA = 11 A− E ⋅ 100 A (3) Bruno Luiggi. Macchiavello Espinoza, Marcelino Monteiro de Andrade, Francisco Assis Oliveira Nascimeto, Hervaldo Sampaio Carvalho, Daniel Vasconcelos, Adson Ferreira da Rocha e Salvador Alves de Melo Júnior Figura 8. Curvas de médias percentuais dos desvios padrão das CVAs dos seis casos avaliados pelo método semi-automático. O eixo vertical corresponde a área, e o eixo horizontal ao tempo de um ciclo cardíaco (ambos normalizados). Estes valores encontram-se dentro da faixa de valores normais ou aceitáveis para a FVA [1]. Resultado naturalmente esperado, dado que os sujeitos selecionados careciam de patologias cardíacas. O método semi-automático proposto possui uma intervenção manual na definição da “barragem”, que é realizado uma única vez na primeira imagem da seqüência de frames processados. Essa intervenção pode acarretar em variações quanto à área identificada pelo algoritmo, já que a “barragem” manual é interpretada pelo algoritmo como uma borda do endocárdio ventricular 12 Bruno Luiggi. Macchiavello Espinoza, Marcelino Monteiro de Andrade, Francisco Assis Oliveira Nascimeto, Hervaldo Sampaio Carvalho, Daniel Vasconcelos, Adson Ferreira da Rocha e Salvador Alves de Melo Júnior esquerdo, e dificilmente ela será localizada nas mesmas coordenadas, caso seja repetido o processo. Figura 9. Etapas do ciclo cardíaco na CVA típica. (1) contração isovolumétrica, (2) ejeção, (3) relaxamento isovolumétrico, (4) enchimento rápido, (5) enchimento lento e (6) sístole atrial. Sujeitos FVA (%) I 33,7 II 30,0 III 33,9 IV 29,9 V 35,4 VI 36,6 Tabela 1. Fração de variação de área. Existem estudos de localização automática da válvula mitral [12][13]. Porém os algoritmos de 13 Bruno Luiggi. Macchiavello Espinoza, Marcelino Monteiro de Andrade, Francisco Assis Oliveira Nascimeto, Hervaldo Sampaio Carvalho, Daniel Vasconcelos, Adson Ferreira da Rocha e Salvador Alves de Melo Júnior identificação da válvula mitral requerem um esforço computacional elevado a cada frame e constitui para a continuação desta pesquisa. Estes algoritmos podem eliminar totalmente a intervenção do usuário e podem ser facilmente incorporados à ferramenta computacional desenvolvida. Com o objetivo de se avaliar o impacto da localização da "barragem" definida pelo usuário, o algoritmo proposto foi aplicado 30 vezes para cada um dos sujeitos, ou seja, o procedimento de “desenho” da barragem para cada um dos casos estudados foi refeita 30 vezes. Na Figura 7 são apresentadas as curvas nomalizadas das trinta execuções, para os seis grupos de frames. Podem-se observar as médias e dos desvios padrão, para cada um dos seis grupos. Na Tabela 2 são apresentados os desvios padrão médios de cada uma das curvas. Avaliando os resultados pode-se observar o pequeno desvio entre as execuções dos procedimentos, o que garante um padrão de similaridades nos resultados gerados pelo algoritmo, sempre que a “barragem” seja definida sobre a válvula mitral. Essa constatação indica que a intervenção do usuário não gera discrepâncias indesejadas na avaliação de parâmetros de importância clínica, como o encurtamento segmentar. Sujeitos I II III IV V VI Desvio Médio 0.0175 0.0185 0.021 0.028 0.0128 0.024 Tabela 2. Média dos desvios padrões das CVA’s calculados pelo sistema automático. 4. CONCLUSÃO O algoritmo permitiu a identificação automática, e coerente com a literatura médica, da área ventricular esquerda, e da construção da Curva de Variação de Área (CVA) de um ciclo cardíaco completo. A CVA representa de uma forma contínua e concisa de identificar diversos parâmetros clínicos conhecidos da função cardíaca, como a Fração de Variação de Área (FVA), identificada na pesquisa. Também verificou-se que a CVA viabiliza o mapeamento das principais etapas do ciclo cardíaco, tais como a sístole atrial, enchimento rápido, enchimento lento, ejeção, etc. Podendo calcular o período de cada uma dessas etapas, o que corresponde a um importante elemento na análise clínica da função ventricular. Salientamos que não foi possível identificar diferenças entre as etapas de ejeção sistólica rápida e ejeção sistólica lenta. Porém a Curva de Variação de Volume (CVV) pode oferecer informações adicionais às obtidas mediante a CVA. Sendo assim, adicionado o processo de obtenção de área nos cortes de eixo curto e eixo longo de duas câmaras, os quais são ortogonais ao corte utilizado, é possível realizar um cálculo aproximado para a obtenção do volume e da CVV. Uma metodologia que auxilie o profissional médico no diagnostico de patologias cardíacas, a partir da CVA ou da CVV, pode ser entendido como uma seqüência natural do presente trabalho. 14 Bruno Luiggi. Macchiavello Espinoza, Marcelino Monteiro de Andrade, Francisco Assis Oliveira Nascimeto, Hervaldo Sampaio Carvalho, Daniel Vasconcelos, Adson Ferreira da Rocha e Salvador Alves de Melo Júnior REFERÊNCIAS [1] Oh, J.K., Seward, J.B., Tajik, A.J. The echo manual, 2ª ed. Philadelphia: Lippincott Williams e Wilkins, 1999. [2] C. F. F, Costa, L. A. Moura, M. G. Costa, “Revisão sobre métodos de segmentação 2D de ventrículo esquerdo”. Revista Brasileira de Engenharia Biomédica, v. 15, n. 3. 141158, 1998. [3] P. Fish, Physics and Instrumentation of Diagnostic Medical Ultrasound. First Edition, New York: John Wiley & Sons, 1990. [4] P. Grattoni, R. Bonomini, “Contour Detection of the Left Ventricular Cavity from Angiographic Images”. IEEE Transactions on Medical Imaging. V. 4, n. 2, p. 72-78, 1985. [5] D. Vitale , G. Lauria , N. Pelaggi, G. Gerundo and C. Bordini C. “Optimal Number of Averaged Frames for Noise Reduction of Ultrasound Images”. Proc IEEE Comput Soc Conf on Comput Vision Pattern Recognition, pp. 639-641, 1993. [6] W. Ohyama, T. Wakabayasi, F. Kimura, “Automatic left ventricular endocardium detection in echocarogramas based on ternary thresholding methos”, Proceedings 15th IEEE Inter Conf on Pattern Recognition, v. 4, p. 320-323, 2000. [7] X. Zong, A. F. Laine, E. A. Geiser, “Speckle reduction and contrast enhancement of echocardiograms via multiscale nonlinear processing”, IEEE Transactions on Medical Imaging, v. 17, n. 4 , p. 532-540, 1998. [8] Zong, X. Sub-octave wavelet representation and applications for medical image processing, Ph.D. dissertation, Univ. of Florida, Gainesville, FL, 1997. [9] A. Jouan, J. Verdenet , J.C. Cardot, M. Baud and J. Duvernoy, “Automated Detection of the Left Ventricular Region of Interest by Means of the Ectraction of Typical Behaviors in cardiac Radionuclide Angiographies”. IEEE Transactions on Medical Imaging. V.94, n. 1, p. 5-10,1990. [10] M.M. Choy M.M., J.S. Jin “Extraction of endocardial borders from sequential echocardiographic images using mathematical morphology”. IEEE Engineering in Medicine and Biology, IEEE, NY, 1998, 17(1), pp116-121, 1998. [11] O.C. Zienkiewicz e R.L. Taylor, The finite element method, McGraw Hill, Vol. I., 1989, Vol. II, (1991). [12] M.M. Andrade, B. L. Macchiavello, F. A. O. Nascimento, A. F. Rocha, H. S. Carvalho, and D. F. Vasconcelos, “Segmentação Automática do Ventrículo Esquerdo em Imagens de Ecocardiografia Bidimensional”, III Congresso Latino Americano de Engenharia Biomédica, p. 1387-1390, 2004. [13] Y. Liu; Y. Ching; S. Chen, “Finding the mitral annular lines from 2-D + 1-D precordial echocardiogram using graph-search technique”, IEEE Transactions on Information Technology in Biomedicine, v. 8, n. 1, p. 1-4, 2004. 15 Bruno Luiggi. Macchiavello Espinoza, Marcelino Monteiro de Andrade, Francisco Assis Oliveira Nascimeto, Hervaldo Sampaio Carvalho, Daniel Vasconcelos, Adson Ferreira da Rocha e Salvador Alves de Melo Júnior [14] Y. Liu; Y. Ching, S. Chen, “An automatic method to determine mitral annular lines from 2D+1D precordial echocardiogram”, Proceedings of the 22nd IEEE Inter Conf Engineering in Medicine and Biology Society, v. 3, p. 23-28, 2000. [15] Coifman R. R. and Donoho D.L..: 'Translation Invariant Denoising', Technical Report 475, Dept. of Statistics, Stanford University, May 1995. [16] Chen P. and Suter D.: “Shift-invariant wavelet denoising using interscale dependency”, IEEE International Conference on Image Processing, October 2004, 2, pp. 1005-1008. [17] Hua G. and Orchard M. T.: “A new interpretation of translation invariant denoising”, Proceedings of ICASSP'04, IEEE International Conference on Acoustics, Speech, and Signal Processing, Vol. 3, 190-192, 2004. [18] Andrade, Marcelino Monteiro de; Espinoza, Bruno Machiavello ; Nascimento, F. A. O.; Carvalho, Hervaldo Sampaio; Vasconcelos, Daniel F; Rocha, Adson Ferreira da. “Algoritmo híbrido para segmentação do ventrículo esquerdo em imagens de ecocardiografia bidimensional”. Revista brasileira de engenharia biomédica, volume 22, número 1, pp. 30-39, 2006 Agradecimentos O presente trabalho foi realizado com o apoio do CNPq, uma entidade do Governo Brasileiro voltada ao desenvolvimento científico e tecnológico: Chamada Conjunta MCT/SEPIN-FINEPCNPq 01/2002, Programa de Apoio à Pesquisa e Desenvolvimento e Inovação em Tecnologia da Informação PDI – TI. Os autores também gostariam de agradecer o apoio da Fundação de Empreendimentos Científicos e Tecnológicos – FINATEC no sentido de financiar a divulgação destes resultados em Congresso Científico Internacional. 16