Intravascular ultrasound: tridimensional quantification and analysis

INTRODUÇÂO: A análise da composição das lesões in-vivo tem sido objeto de estudo de uma série de grupos de estudo sobre a doença aterosclerótica. Os métodos disponíveis para esse fim utilizam técnicas de análise espectral do sinal ultra-sônico retroespalhado antes deste ser transformado em imagens de ultra-som intravascular (IVUS), uma vez que não existem métodos que realizem tal inferência somente a partir das imagens. Neste trabalho, utilizamos técnicas de processamento de imagens e de reconhecimento de padrões para analisar a composição das lesões de acordo com a classificação proposta pela metodologia de Ultra-Som Intravascular com Histologia Virtual (IVUS-VH). MÉTODOS: Neste estudo utilizamos uma amostra de oito (08) artérias coronárias provenientes de cinco (05) pacientes, resultando num total de 96492 regiões de interesse para inferência da composição. Para a segmentação automática da interface lúmen-íntima e íntima-adventícia, aplicamos as técnicas de contornos ativos do tipo Snakes e para a determinação da energia potencial dos contornos, utilizamos técnicas de filtragem baseadas na difusão anisotrópica convencional e restritiva. Utilizamos três janelas quadradas diferentes de tamanhos 5x5, 7x7 e 9x9 pixels para extração dos atributos de texturas, dentre eles treze (13) baseados nas matrizes de co-ocorrência, seis (06) momentos invariantes à rotação, escala, translação e a ganho multiplicativo, baseados nos Momentos de Hu e propostos neste trabalho. Visando avaliar o efeito dos níveis de quantização das imagens nas matrizes de co-ocorrência, requantizamos originais de 256 níveis de cinza para 128, 64 e 32 tons. Como classificador, utilizamos o método dos k-vizinhos mais próximos (k-nn) e escolhemos os sete (07) vizinhos mais próximos como parâmetro de comparação. Como o k-nn é sensível com relação à métrica utilizada, testamos a distância euclidiana e a métrica de Mahalanobis. RESULTADOS: A segmentação automática da interface lúmen-íntima teve taxa média de acerto de 72,23% e a mediana da taxa de acertos foi de 81,20%, enquanto a taxa média de acertos para a interface íntima-adventícia foi de 80,86% e a mediana foi igual a 91,36%, considerando 495 quadros manualmente segmentados por um especialista. A melhor configuração do classificador foi utilizando a normalização de intensidades, com 256 níveis de cinza, com a janela 9x9 e usando a métrica de Mahalanobis. A taxa média de erros foi de 2.35%(DC), 20.51%(NC), 92.21%(FF) e 0.04%(FT), no entanto, se considerarmos somente três classes sem diferenciarmos os tecidos FF do FT temos a seguinte composição: 2.35% (DC), 20.51%(NC) e 0.04%(FT+FF), o que leva a uma taxa média de erros total de 5,15%. CONCLUSÕES: A classificação das lesões baseada somente em atributos de textura das imagens ainda não é possível com a nosso modelo se considerarmos os quatro tipos de tecido, uma vez que não conseguimos diferenciar de forma satisfatória dos componentes FF e FT. No entanto, se considerarmos somente três classes, temos resultados animadores, uma vez que conseguiremos identificar os componentes associados às placas ditas de maior risco de ruptura, os fibroateromas de capa fina (TCFA). Além disso, conseguimos um experimento associado ao trabalho, mostrar quantitativamente que há uma possível superestimação do componente NC ao redor de estruturas calcificadas nas imagens de IVUS-VHINTRODUCTION: Several efforts for in vivo atherosclerotic plaque estimation has been realized worldwide. Current methods for related application are based on spectral analysis of backscattered ultrasound signals before intravascular image formation (IVUS), once there is not available techniques to perform composition analysis only from IVUS images. On this study, image processing and pattern recognition techniques has been used to classify plaques according to Intravascular Ultrasound Virtual Histology (IVUS-VH) classification. METHODS: A sample set of eight (08) coronary arteries from five (05) different patients, resulting on 96492 regions of interest for plaque analysis. For automatic segmentation of lumen-intima interface and intima-adventitia interface, active contours technique has been used. Conventional and restrictive anisotropic diffusion filters have been used for estimating the potential energy of active contours. Haralicks co-occurrence matrix and invariant moments based in Hu moments were used as features for pattern classification. Three different windows has been used on feature extraction procedure: 5x5,7x7 and 9x9 pixels. In order to analyze the influence of grey-scale quantization levels into Haralicks co-occurrence matrix, we tested four different types numbers of grey-scale levels: 32, 64,128 and 256. KNearest Neighbors algorithm as the classification rule, and we tested both Mahalanobis and Euclidian Metrics in this analysis. RESULTS: Segmentation of luminal-intimal layers average accuracy for was 72.30% and its median was 81.20%. Segmentation of intimal-adventitia layers average accuracy for was 80,86% and its median was 91,36%, for 495 manually segmented frames. Plaque classification according to IVUS-VH four classes scheme has shown not feasible with the proposed model, once average classification error-rate foe every component: 2.35%(DC), 20.51%(NC), 92.21%(FF) e 0.04%(FT). Our approach has not the ability to differentiate fibrotic tissue from fibro-fatty tissue. However, in the three classes scheme: DC, NC and (FF+FT), we achieved some encouraging results: 2.35% (DC), 20.51%(NC) e 0.04%(FT+FF), leading to an average error rate of 5,15%. With these results, a thin-cap fibroatheroma (TCFA) lesions detection algorithm for conventional IVUS images should be developed using our approach. Once TCFA plaques has been assigned to have an association with plaque rupture and sudden death, those results should be used for in vivo IVUS based TCFA detection. In an experiment related to this work, we have shown that there is an artifactual relationship between NC and DC components into VH image