Como os computadores ajudam a ver dentro de nossos corpos

Thinkstock
size_810_16_9_cerebro.jpg?width=590

Biotecnologia: imagens estáticas darão lugar a vídeos em tempo real

Eric Miller, de The Conversation

São Paulo – Tomografia computadorizada, ressonância magnética, ultrassom. Estamos todos muito acostumados a ter máquinas - e médicos - olhando dentro de nossos corpos por uma série de razões. Esses equipamentos podem ajudar a diagnosticar doenças, identificar lesões, ou dar aos futuros pais a primeira imagem de seus filhos.


Como poder computacional explodiu na metade do século passado, ele permitiu uma expansão paralela nas capacidades desses sistemas de imagem assistida por computadores.

O que costumava ser apenas imagens de "fatias" bidimensionais agora é reconstruído em alta resolução e de maneira tridimensional.


As imagens estacionárias do passado agora são os vídeos em tempo real de hoje, que mostram um coração batendo. Os avanços têm sido verdadeiramente revolucionários.


Embora diferentes em seus detalhes, tomografia computadorizada por raios X, ultrassom e até mesmo a ressonância magnética têm muito em comum. As imagens produzidas por cada um destes sistemas derivam de uma interação elegante de sensores, física e cálculo.


Eles não operam como uma câmera digital, onde os dados capturados pelo sensor são basicamente idênticos à imagem produzida.


Em vez disso, um monte de processamento deve ser aplicado aos dados brutos recolhidos por um scanner de tomografia computadorizada, uma máquina de ressonância magnética ou sistema de ultrassom para produzir as imagens necessárias para um médico para fazer um diagnóstico.


Algoritmos sofisticados baseados na física subjacente ao processo de detecção são obrigados a colocar as peças do quebra-cabeças juntas novamente.


Métodos de escaneamento preliminar


Embora utilizemos raios-X em algumas técnicas imajéticas de ponta, imagens de raios-X, na verdade, remontam ao final dos anos 1800. O contraste sombrio em imagens de raio-X, ou projeções, mostra a densidade do material entre a fonte de raios-X e o sensor de dados. (No passado, este último era um pedaço de filme de raios-X, mas hoje é geralmente um detector digital.)
Objetos densos, como ossos, absorvem e dispersam muito mais fótons de raios-X do que pele, músculo ou outros tecidos moles, que aparecem mais escuros nas projeções.


Mas, em seguida, no início de 1970, tomografia computadorizada com o uso de raios-X foi criada. Em vez de capturar apenas uma imagem de raio-X, o sistema rotaciona as fontes de raios-X e os detectores coletam muitas imagens de diferentes ângulos.


A dificuldade é como reunir todos os dados de todos os raios-X de tantos ângulos diferentes, e fazer com que um computador monte-os adequadamente em imagens 3D de, digamos, a mão de uma pessoa, como no vídeo acima.


O problema tinha uma solução matemática que tinha sido estudada pelo matemático austríaco Johann Radon em 1917 e que foi redescoberta pelo físico norte-americano (e professor da Universidade de Tufts) Allan Cormack na década de 1960.

Usando o trabalho de Cormack, Godfrey Hounsfield, um engenheiro elétrico inglês, foi o primeiro a demonstrar um scanner de tomografia funcional, em 1971. Por seus trabalhos, Cormack e Hounsfield receberam o Prêmio Nobel de Medicina, em 1979.


Estendendo o papel dos computadores


Até há pouco tempo, esses métodos de processamento tinham mais ou menos sido constantes desde os anos 1970 e 1980. Hoje, as necessidades médicas adicionais - e computadores mais poderosos - estão impulsionando grandes mudanças. Há interesse crescente em sistemas de tomografia que minimizem aexposição de raios-X, produzindo imagens de alta qualidade a partir de menos capturas.


Além disso, certos usos, tais como imagens da mama, encontram limitações físicas quanto ao acesso que o gerador de imagens pode ter a determinadas partes do corpo. Isso requer a digitalização a partir de apenas um conjunto muito limitado de ângulos em torno do objeto de análise. Essas situações levaram a investigação sobre sistemas para o que se chama "tomossíntese" - em que uma quantidade limitada de dados é interpretada pelos computadores para formar imagens mais completas.


Problemas semelhantes surgem, por exemplo, no contexto da imagiologia do solo para ver quais objetos - tais como poluentes, minas terrestres ou depósitos de petróleo - estão escondidos debaixo dos nossos pés.


Em muitos casos, tudo o que podemos fazer é enviar sinais a partir da superfície, ou perfurar alguns buracos para fazer as medições de amostragem. A varredura de segurança nos aeroportos é limitada pelo custo e tempo, já que esses sistemas de raios-X podem capturar apenas algumas imagens.


Nesses e em uma série de outros campos, somos confrontados com menos dados globais, o que significa que a matemática Cormack-Hounsfield não pode funcionar corretamente para formar imagens. O esforço para resolver estes problemas levou ao surgimento de uma nova área de pesquisa, o "sensoriamento computacional", em que sensores, física e computadores estão trabalhando em conjunto de novas maneiras.


Às vezes, isso envolve aplicar mais poder computacional para os mesmos dados. Em outros casos, engenheiros de hardware projetando o equipamento trabalham juntamente a matemáticos para descobrir como é a melhor forma de analisar os dados providos. Juntos, esses sistemas podem oferecer novas capacidades que prometem mudanças de grande porte para muitas áreas de pesquisa.


Novas capacidades de escaneamento


Um exemplo disso é o potencial em bio-óptica, o uso de luz para olhar profundamente no interior do corpo humano. Enquanto a luz visível não penetra bem no tecido, quem já apontou um laser bem próximo do seu dedo sabe que a luz vermelha o atravessa pelo menos alguns centímetros.


A luz infravermelha penetra ainda mais no tecido humano. Esse recurso abre maneiras totalmente novas para gerar imagens do nosso corpo do que raios-X, a ressonância magnética ou o ultrassom.


É preciso reafirmar a necessidade do poder de computacional para irmos dessas imagens que temos hoje para um retrato 3D unificado da parte do corpo que está sendo digitalizada. Mas os cálculos são muito mais difíceis, porque a maneira em que a luz interage com o tecido é muito mais complexa do que no caso dos raios-X.
Como resultado, precisamos usar um método diferente do que foi pioneiramente proposto por Cormack em que os dados de raios-X, mais ou menos, são diretamente transformados em imagens de densidade corporal.

Agora, vamos construir um algoritmo que segue um processo diversas vezes, enviando resultados de uma iteração para o anterior, como uma entrada para o próximo.


O processo começa com o computador tentando adivinhar uma imagem das propriedades ópticas da área do corpo que é digitalizada. Em seguida, ele utiliza um modelo para calcular quais dados do scanner resultariam nessa imagem. Talvez não surpreendentemente, a estimativa inicial, geralmente, não seja tão boa: os dados calculados não correspondem às varreduras reais.


Quando isso acontece, o computador volta atrás e refina seu palpite sobre a imagem, recalcula os dados associados com sua sugestão e novamente faz a comparação com os resultados da análise. Enquanto o algoritmo garante que a combinação será melhor, é provável que sempre haja espaço para melhorias.


Então o processo continua e o computador gera um novo, e melhor, palpite. Com o tempo, seus palpites ficam cada vez melhores: ele cria resultados que parecem mais e mais como os dados que foram colhidos pelo escâner. Uma vez que a combinação é precisa o suficiente, o algoritmo fornece a imagem final para exame por parte de um médico ou de outro profissional.


As próximas fronteiras para esse tipo de pesquisa ainda estão sendo exploradas. Nos últimos 15 anos, pesquisadores (incluindo meu colega professor Sergio Fantini, da Tufts) têm explorado os potenciais da luz infravermelha, como para adetecção de câncer de mama, criação de imagens de um cérebro funcionando ebuscas por novas drogas. Combinar “big data” e “big physics” requer uma colaboração forte entre engenheiros elétricos e biomédicos, assim como médicos e matemáticos. À medida que somos capazes de desenvolver essa técnica – matemática e tecnológica – temos esperança de fazer grandes avanços nos próximos anos, melhorando a forma como vivemos.

Este texto foi publicado originalmente no site The Conversation. Ele foi escrito por Eric Miller, professor de Engenharia da Computação e Elétrica, projessor adjunto de Ciência da Computação, professor adjunto de Engenharia Biomética na Universidade Tuffs.The Conversation

Enviar-me um e-mail quando as pessoas deixarem os seus comentários –

DikaJob de

Para adicionar comentários, você deve ser membro de DikaJob.

Join DikaJob

Faça seu post no DikaJob