Esclerose Múltipla (MS) é uma doença neurodegenerativa que tem ganhado grande atenção nas últimas décadas, sendo o diagnóstico por imagens de ressonância magnética (MRI) um grande aliado para a avaliação da doença.Porém, um dos principais desafios é garantir uma maior sensibilidade e especificidade para detecção de diferentes lesões no sistema nervoso central (CNS) e assim classificar as diferentes variantes da MS, auxiliando na tomada de decisão para o tratamento farmacológico. Nas últimas décadas, a técnica de imagens ponderadas por difusão (DWI), em especial a técnica de imagem por tensor de difusão (DTI), têm sido evidenciada com grande potencial para o estudo da MS, apresentando uma melhora significativa para a detecção de lesões sutis, ainda em estágios iniciais da MS. Desta forma, as técnicas de processamento de imagens estão em constante aprimoramento para que sejam adaptados às novas modalidades de aquisição de imagens. Neste estudo focamos o desenvolvimento de uma técnica de processamento digital de imagens multimodais a fim de proporcionar uma solução viável para a rotina de diagnóstico por imagem em MS. Um conjunto de 25 pacientes de uma variante de MS foi selecionado aleatoriamente do banco de imagens do HCFMRP. Três modalidades de imagens foram coletadas para a avaliação da segmentação automatica (T1, T2-FLAIR e DTI), assim como a segmentação manual do especialista para cada paciente. Três métodos de segmentação multimodal automática de lesões foram analisados (Bayesiano, Frequentista e Agrupamento) afim de analisar a sensibilidade e especificidade de detecção de lesões na substância branca aparentemente normal (NAWM). Os resultados sugerem que o método de segmentação Bayesiano apresenta maior robustes e precisão na definição tanto de lesões visivelmente contrastantes em T1 e T2-FLAIR (i.e. lesões hipo e hiperintensas) assim como lesões da NAWM evidentes nos mapas quantitativos de DTI (FA e ADC). O erro associado à técninca automática de segmentação ficou em torno de 1.51 +- 0.51 % do volume total de lesões marcadas pelo especialista. Concluímos que o uso de ferramentas multimodais de segmentação de imagens MRI alcançou patamares razoáveis de detecção de lesões de MS, tornando assim uma ferramenta computacional hábil para uso no diagnóstico clínico.

Multiple sclerosis (MS) is a neurodegenerative disease that has gained great attention in the last decades, which magnetic resonance imaging (MRI) have shown as an important tool for the disease evaluation. However, one of the main challenges is guaranteeing greater lesion detection sensitivity and specificity in the whole central nervous system (CNS) and thus classify the different variants of MS, which aids in decision making for pharmacological treatment. In the last decades, the diffusion-weighted imaging (DWI) technique, especially the diffusion tensor imaging approach (DTI), has been evidenced with great potential for the study of MS, presenting a significant improvement for the detection of lesions even in early stages of MS. Hence, the techniques of image processing are constantly improving in order to be adapted on a multimodal image evaluation. In this study, the development of a multimodal digital image processing technique to provide a viable solution to the MS imaging routine was focused. A set of 25 patients from a MS variant was randomly selected from the HCFMRP imaging database. Three MR imaging modalities were collected for the evaluation of our automatic segmentation (T1, T2-FLAIR and DTI), as well as manual segmentation of the specialist for each patient. Three methods of automatic multimodal segmentation of MS lesions were analyzed (Bayesian, Frequentist and Clustering) in order to analyze the sensitivity and specificity of lesion detection in the apparently normal white matter (NAWM). The results suggest that the Bayesian segmentation method presented greater robustness and precision in the definition of visibly contrasting lesions in T1 and T2-FLAIR (i.e. hypo and hyperintense lesions) as well as NAWM lesions that are evident in quantitative DTI (FA and ADC). The error associated with the automatic segmentation technique was around 1.51 +- 0.51 % of the total lesion volume being evaluated by the a specialist. We conclude that the use of multimodal MRI images can be used in an automatic segmentation tools, reaching reasonable levels of MS lesion detection, thus making it a useful tool for clinical diagnosis.