În ultimile decenii, afecțiunile cerebrale reprezintă una dintre principale probleme de sănătate care amenință populația. Scanarea cu tehnologia RMN (imagistică prin rezonanță magnetică), a creierului uman permite observarea structurilor sau funcţiilor creierului. Tehnica RMN produce o imagine care este examinată vizual pentru diagnosticarea afecțiunilor cerebrale. Ochiul uman consideră ca repere muchiile imaginilor.

Această tehnică tradițională de extragere a informației nu mai satisface cerințele utilizatorilor. În prezent, accentul este pus pe găsirea de metode noi pentru extragerea informației din imaginile medicale și facilitarea diagnosticării, cu tendința de automatizare a procesului prin folosirea Inteligenței artificiale și a uneltelor de învățare automată pentru detecția conținutului informațional util în imagini manipulate. Apariția și dezvoltarea tumorilor cerebrale au ca efect apariția asimetriei în părțile afectate ale creierului.

În cadrul Laboratorului de Simulare și Modelare SMLab (http://www.unicer.ugal.ro/index.php/ro/prezentare-smlab) s-au derulat cercetări dedicate studierii similarității țesutului cerebral, într-o abordare inter-emisferică și s-a propus un algoritm de skeletonizare ca metodă de detectare a muchiilor specifice structurii cerebrale. Tehnica propusă este economicoasă din punct de vedere computational și se bazează pe operatori morfologici și pe doi indici de similaritate. Imaginile folosite în acest studiu aparțin bazei de date Whole Brain Atlas a Școlii Medicale Harvard  și au fost prelucrate cu ajutorul software-ul MATLAB R2017a.

S-a generat o bază de date mare de imagini T2w și PD aparținând unor pacienți sănătoși și pacienți diagnosticați cu gliom. Similaritatea structurală a fost evaluată folosind valorile indicelui SSIM (Structural Similarity Index) și un nou indice propus de noi, S-Jaccard (Skeleton Jaccard). Fiecărei imagine i s-a aplicat o structură de măști de formă dreptunghiulară (35 x 45 pixeli), care a fost proiectată în emisfera dreaptă și apoi reflectată în oglindă în emisfera stângă. Prin acest procedeu au fost decupate 528 de regiuni de interes (264 pentru imagini cu pacienți bolnavi și 264 pentru imagini cu pacienți sănătoși), obținându-se valorile indicilor de similaritate SSIM, S-Jaccard.

Exemplificăm folosind o imagine RMN în mod T2w a unui cu gliom cerebral, cu evidențierea suprapunerii măștii pe țesutul cerebral, decuparea regiunilor de interes monocromatice pentru calcularea SSIM, aplicarea algoritmul de scheletonizare pe același regiunile de interes pentru calcularea S-Jacard. Valorile celor doi indici de similaritate au fost grupate folosind un algoritm de grupare dedicat și comparate.

În urma studiului, s-a demonstrat că indicele nou propus S-Jaccard este mai puternic dependent de tipul texturii decât SSIM și poate fi utilizat în diferențierea pacienților sănătoși de cei diagnosticați cu gliom cerebral.