Existe hoje uma grande diversidade de técnicas modernas na física médica que são fundamentadas na tecnologia de ressonância magnética nuclear. Dentre estas, a espectroscopia por ressonância magnética é utilizada para medir a concentração de determinados metabólitos no paciente, permitindo o diagnóstico de doenças através de anormalidades no resultado. Dadas as limitações experimentais para melhorar a aquisição do sinal, seja na parte instrumental ou ainda pela necessidade de minimizar o tempo total dos exames, a utilização de técnicas de processamento de sinais apresenta soluções para a melhor visualização e manipulação do sinal estudado. Dentre estas, está o uso de filtros para atenuar os impactos do ruído nos dados amostrados. Recentemente, diversas áreas que necessitam de processamento de sinais têm explorado implementações de filtros que utilizam a transformada wavelet, apresentando resultados promissores com esta nova abordagem. Partindo de estudos prévios na área de espectroscopia por ressonância magnética, implementamos neste trabalho filtros com transformada wavelet, utilizando a metodologia Wavelet Shrinkage Denoising (WSD). A etapa de maior importância deste procedimento é o cálculo do limiar, isto é, o valor a partir do qual os coeficientes devem ser considerados uma representação de ruído (e portanto atenuados); além do método descrito anteriormente na literatura, foram desenvolvidas neste trabalho outras duas novas formas para este cálculo, totalizando três filtros. O primeiro método utiliza a estimativa de risco não-enviesada de Stein (SURE), o segundo uma estimativa do desvio padrão característico do ruído, calculado em uma porção sem picos do espectro, e o terceiro, por fim, introduz informação do sinal à etapa de limiarização, utilizando um procedimento de fitting para estimar regiões do espectro a serem preservadas. A performance destes filtros foi comparada entre si, e também com um método de referência utilizando a transformada de Fourier, primeiro em sinais simulados, e em seguida em sinais in vivo experimentais. Os resultados apresentam uma grande melhora na performance anteriormente documentada, com proposições de novas formas de explorar o potencial de filtros baseados em transformada wavelet.

Many of today techniques in medical physics are based on nuclear magnetic resonance technology. Among these, magnetic resonance spectroscopy is used to measure the concentration of certain metabolites in the patient, allowing the diagnosis of diseases through abnormalities in the results. Given the experimental limitations to improve the quality of the acquired signal, either by instrumental methods or due to the need to minimize the total time elapsed on exams, employing signal processing techniques presents solutions for best visualization and manipulation of the studied signal. Among these, there is the development of filters to mitigate the impacts of noise on the sampled data. Recently, several areas that require signal processing have explored filter implementations that use the wavelet transform, presenting promising results with this new approach. Based on previous studies in the area of magnetic resonance spectroscopy, we implemented wavelet transform filters using the Wavelet Shrinkage Denoising (WSD) methodology. A crucial step in this procedure is the calculation of the threshold, as this value establishes which coefficients are to be considered a noise representation (and therefore attenuated); in addition to the method described previously in the literature, two other new proceedures were developed in this work, totaling three filters. The first method uses the Stein unbiased risk estimator (SURE), the second an estimate of the characteristic standard deviation of the noise, calculated in a portion without peaks of the spectrum, and the third, finally, inputs information from the signal at the thresholding using a fitting procedure to estimate regions of the spectrum that must be preserved. The performance of these filters was compared between each other, and also to a reference method using the Fourier transform, first on simulated signals, and then on experimental in vivo signals. Results show a great improvement compared to performance previously documented, bringing new ways to explore the potential of filters based on wavelet transform.