Escolar Documentos
Profissional Documentos
Cultura Documentos
Diagnóstico Auxiliado Por Computador Na Radiologia
Diagnóstico Auxiliado Por Computador Na Radiologia
Resumo Vários desenvolvimentos tecnológicos estão convergindo de forma a aumentar a influência da área de ima-
gens nas pesquisas biomédicas e na medicina clínica. Muitos pesquisadores têm trabalhado no desenvol-
vimento de sistemas computadorizados para detecção automatizada e quantificação de anormalidades em
imagens radiológicas. Estes sistemas são dedicados ao diagnóstico auxiliado por computador. Este artigo
discute os conceitos básicos relacionados ao diagnóstico auxiliado por computador e apresenta uma revi-
são bibliográfica sobre o assunto.
Unitermos: Diagnóstico auxiliado por computador. Radiografia digital. Processamento de imagem. Visão
computacional. Inteligência artificial.
iniciais de desenvolvimento de sistemas plano imagem, ou seja, é uma proprie- cia e energia, correlacionam-se muito
CAD, atributos de imagem que já tenham dade que não será modificada por defor- bem com as estruturas da imagem e têm
sido anteriormente reconhecidos e des- mações do tipo alongamento ou contra- sido largamente utilizadas na literatura
critos subjetivamente pelos radiologis- ção do plano imagem. São propriedades para a análise de características como
tas, uma vez que estes são baseados na que não envolvem noções de distância e homogeneidade, contraste, presença de
observação de um número muito grande nem propriedades que dependam dessas estruturas organizadas, transição de nível
de casos e possibilitam diagnósticos noções. As propriedades topológicas ge- de cinza e complexidade da imagem(8).
com alta acurácia e confiabilidade(1). De ralmente utilizadas são o número de ele- Após a extração de informação, os
modo geral, os atributos são quantifica- mentos conectados e o número de “bura- atributos quantificados são utilizados no
dos a partir de propriedades métricas, cos” existentes na figura. Pode-se utilizar processo de classificação das estruturas
topológicas e de textura dos objetos. também combinações dessas proprieda- presentes na imagem. Inteligência artifi-
Conceitualmente, propriedades métri- des, como, por exemplo, o número de Eu- cial envolve o uso do computador para o
cas utilizam generalizações da noção de ler (definido como o número de elemen- processamento de dados, visando à dis-
distância euclidiana, sendo pois sensí- tos conectados menos o número de bura- tinção entre padrões normais e anormais,
veis a qualquer distorção “elástica” do cos). De modo geral, as propriedades to- a partir dos atributos extraídos das ima-
plano imagem(4). As propriedades métri- pológicas são utilizadas como auxílio gens. As técnicas relacionadas a essa área
cas mais diretas que podem ser utilizadas para outras formas de descrição. Normal- do conhecimento incluem métodos para
na descrição de formas são a área, o perí- mente, um problema para o qual uma des- a seleção de atributos, como os baseados
metro, a razão de “delgadeza” e a razão crição topológica sozinha seja suficien- na separabilidade entre as distribuições
de aspecto. A razão de delgadeza é uma te é bastante raro(4). de probabilidades das classes e algorit-
relação entre a área da figura e o períme- Uma definição genérica de textura mos genéticos, e classificadores, como
tro ao quadrado e fornece uma noção de poderia ser “a disposição ou característi- os baseados em técnicas de análise dis-
quanto a figura é arredondada (gorda) ou cas dos elementos constituintes de algu- criminante, sistemas especialistas basea-
alongada (magra). Figuras mais arredon- ma coisa, especialmente no que se refere dos em regras específicas, métodos esta-
dadas terão razão de delgadeza próxima à aparência superficial ou à qualidade tísticos e redes neurais artificiais(2,4,9). A
de 1 (1 é o valor máximo e será obtido táctil”. Porém, no caso de imagens, uma Figura 3 apresenta um esquema de uma
quando a figura for um círculo), e figu- definição mais adequada poderia ser rede neural artificial multicamadas do
ras com formas próximas a linhas terão “uma característica representativa da tipo “feedforward”.
razão de delgadeza próxima de zero. distribuição espacial dos níveis de cinza
Além disso, a razão de delgadeza é adi- dos pixels de uma região”(7). Ou seja, um AUXÍLIO À DETECÇÃO
mensional, dependendo somente da for- atributo de textura é um valor, calculado
ma da figura e não da escala. A razão de a partir da imagem de um objeto, que A detecção automatizada de lesões
aspecto é também uma medida do alon- quantifica algumas características da envolve a localização pelo computador
gamento de uma figura. A razão de aspec- variação dos níveis de cinza desse obje- de regiões contendo padrões radiológi-
to de um retângulo é a razão do seu com- to. Normalmente, um atributo de textura cos suspeitos, porém com a classificação
primento por sua largura, de modo que é independente da posição, orientação, da lesão sendo feita exclusivamente pelo
uma razão de aspecto próxima de 1 indi- tamanho, forma e brilho do objeto. radiologista. Sistemas para auxílio à de-
ca um retângulo “gordo”. Para estender Estatisticamente, os atributos de tex- tecção têm sido desenvolvidos principal-
este conceito a figuras arbitrárias, deve- tura de uma imagem podem ser obtidos a mente para imagens de tórax e de mama.
se envolver a figura em um retângulo e partir de cálculos efetuados sobre os va- Segundo a literatura especializada, de
considerar que a razão de aspecto da figu- lores do seu histograma de segunda or- 30% a 50% dos casos de câncer de mama
ra será a mesma que a do retângulo que a dem. O histograma de segunda ordem detectados por meio de mamografia apre-
envolve. Pode-se notar que muitos resul- p(i,j), também chamado de matriz de de- sentam agrupamentos de microcalcifica-
tados são possíveis, dependendo das vá- pendência espacial de nível de cinza ou ções associados(2). Além disso, estudos
rias maneiras que se coloca o retângulo matriz de co-ocorrência, é uma represen- demonstraram que 26% dos casos de
ao redor da figura. A definição mais sim- tação da distribuição de probabilidade câncer não-palpável de mama apresen-
ples especifica que os lados do retângu- de ocorrência de um par de valores seme- tam nódulos associados na mamografia e
lo devem ser paralelos aos eixos coorde- lhantes de nível de cinza, separados por 18% apresentam nódulos e microcalcifi-
nados do plano da imagem. uma distância “d”, na orientação “θ”. Em cações(10). Por isso, a maioria dos sistemas
Outra maneira possível de se caracte- outras palavras, p(i,j) indica a freqüência de auxílio ao diagnóstico em mamogra-
rizar um subconjunto de uma imagem é de ocorrência de um particular par de fia é voltada para a detecção de nódulos
especificar algumas de suas proprieda- nível de cinza i e j, medido a partir de uma e microcalcificações(2).
des topológicas. Uma propriedade topo- distância “d” e de um ângulo “θ”. As Desde 1987, pesquisadores da Uni-
lógica é uma propriedade invariante (in- estatísticas do histograma de segunda versidade de Chicago, EUA, têm apresen-
sensível) às distorções “elásticas” do ordem, como, por exemplo, entropia, inér- tado uma metodologia para a detecção
atenção do radiologista para a região sus- tervalo até o próximo exame. Sistemas aumento na acurácia diagnóstica de mé-
peita. Atualmente, o programa de com- de análise computadorizada estão sendo dicos residentes, de 40% para 73%, e de
putador possui sensibilidade de aproxi- desenvolvidos para auxiliar a distinção médicos radiologistas, de 70% para 73%,
madamente 70% para nódulos pulmona- entre lesões malignas e benignas e au- com a utilização de um sistema especia-
res sutis, com uma média de um a dois mentar a sensibilidade e especificidade lista voltado para a diferenciação de 16
falsos-positivos por imagem. Segundo o do diagnóstico. Estes sistemas utilizam tipos de lesões de mama circunscritas, a
autor, embora essa acurácia seja menor atributos extraídos e quantificados de partir da identificação de achados radio-
do que a apresentada pela maioria dos forma automatizada e também por radio- lógicos por inspeção visual. Pesquisado-
radiologistas, os erros cometidos pelo logistas. A vantagem da extração auto- res da Duke University, EUA(26), utiliza-
computador tendem a ser diferentes da- matizada (pelo computador) é a objetivi- ram as categorias do padrão BI-RADS
queles cometidos pelos radiologistas, o dade e reprodutibilidade da medida dos (American College of Radiology Breast
que faz com que o uso do programa pos- atributos escolhidos. Por outro lado, os Imaging Reporting and Data System)(27)
sa auxiliar mesmo radiologistas expe- radiologistas utilizam uma grande quan- como entradas para redes neurais artifi-
rientes na tarefa de detecção de nódulos. tidade de atributos, os quais são extraí- ciais, visando à distinção entre lesões be-
A detecção e quantificação de lesões dos e interpretados simultânea e instan- nignas e malignas e à previsão da poten-
pulmonares intersticiais pelos radiologis- taneamente. É importante ressaltar que cialidade de invasão do câncer de mama.
tas está reconhecidamente sujeita a uma um dos objetivos dos sistemas de auxílio Os resultados mostraram o potencial do
grande variação inter e intrapessoal, sen- à classificação é a redução do número de uso dos padrões do BI-RADS no diag-
do, por isso, uma área particularmente casos benignos encaminhados para bióp- nóstico auxiliado por computador.
interessante para aplicação de análises sia. Porém, como o “custo” da perda de Ashizawa et al.(28) apresentaram os re-
computadorizadas. Katsuragawa et al.(18) uma lesão maligna é muito maior que o sultados da utilização de uma rede neu-
e Monnier-Cholley et al.(19) apresentaram de uma classificação errônea de um caso ral artificial para auxílio ao diagnóstico
esquemas computadorizados para avalia- benigno, os sistemas de auxílio ao diag- diferencial de lesões intersticiais de pul-
ção de lesões intersticiais a partir de atri- nóstico devem ser desenvolvidos com o mão. A rede neural foi projetada para dis-
butos de textura extraídos de imagens propósito de aumentar a especificidade, tinguir entre 11 lesões intersticiais a par-
radiográficas. Inicialmente, regiões de porém sem reduzir a sensibilidade. No tir de dez parâmetros clínicos e 16 acha-
interesse são automaticamente selecio- que se refere ao câncer de mama, méto- dos radiológicos obtidos por radiologis-
nadas em radiografias de tórax e, então, dos de auxílio à classificação estão sen- tas especializados em tórax. Foram utili-
processadas para eliminação de estrutu- do desenvolvidos para a caracterização zados 150 casos reais, 110 casos publica-
ras anatômicas e realce de detalhes finos de lesões a partir de informações extraí- dos e 110 casos hipotéticos. O desempe-
da textura dos pulmões. Um processa- das de imagens de mamografia, ultra-so- nho da rede foi avaliado por meio de
mento da imagem baseado na transfor- nografia e de ressonância magnética. curva ROC (“receiver operating charac-
mada de Fourier é utilizado para a descri- Vários pesquisadores têm utilizado a teristic”), tendo sido obtida uma área sob
ção da magnitude e rugosidade da textu- análise computadorizada de atributos a curva igual a 0,947 para os casos clíni-
ra. Os autores descrevem valores de sen- extraídos por inspeção visual para auxí- cos. Foram obtidos valores de sensibili-
sibilidade e especificidade na ordem de lio à tomada de decisão quanto ao enca- dade e especificidade em torno de 90%,
89% para uma base de dados contendo minhamento do tratamento do pacien- considerando-se a resposta correta conti-
100 casos patológicos. te(2). De modo geral, este tipo de análise da dentro dos dois maiores valores de
Outros programas de CAD têm sido utiliza uma lista de atributos que devem saída para as 11 patologias.
desenvolvidos, dirigidos para a detecção ser avaliados e quantificados pelo radio- O desenvolvimento de métodos de au-
de pneumotórax(20), cardiomegalia(21) e logista em uma escala preestabelecida, xílio à classificação, baseados na extra-
assimetria anormal de tórax(22). Artigos e em conjunto com um método para com- ção e quantificação automatizada de atri-
detalhes podem ser encontrados nos anais posição destes valores utilizando coefi- butos, exige que inicialmente sejam de-
do International Workshop on Computer- cientes otimizados. As respostas obtidas, finidos quais atributos são clinicamente
Aided Diagnosis(23). em geral, apresentam a probabilidade da significativos e depois estabelecidos os
presença de determinada condição (por métodos para sua extração e quantifica-
AUXÍLIO AO DIAGNÓSTICO exemplo, de uma lesão previamente de- ção. Segundo Giger(2), nos últimos cinco
tectada ser maligna). Gale et al.(24) apre- anos houve expressivo aumento no nú-
Uma vez que uma lesão foi detectada, sentam um aumento de especificidade de mero de trabalhos sobre desenvolvimen-
cabe ao radiologista decidir o encami- 67% para 88% entre o diagnóstico de to de métodos de classificação automati-
nhamento do caso, ou seja, se é necessá- câncer de mama feito sem auxílio e com zada de lesões em imagens mamográfi-
ria a realização de algum outro exame ou auxílio de um sistema computadorizado. cas. De modo geral, um método automa-
de uma biópsia, por exemplo. Ou então, Porém, houve redução na sensibilidade tizado para classificação de microcalci-
se um simples acompanhamento é sufi- de 87% para 79% com o sistema compu- ficações agrupadas envolve a extração de
ciente e, neste caso, qual deve ser o in- tadorizado. Cook e Fox(25) relatam um atributos que se correlacionam qualitati-
método em distinguir entre casos nor- doso que varia aleatoriamente sobre um ções se sobrepõem e um limiar de decisão
mais e casos com assimetria anormal foi valor médio. Quando um estímulo está (“threshold”) irá sempre envolver um
avaliada por intermédio da curva ROC. O presente, a atividade que ele cria no sis- compromisso entre os resultados falsos-
desempenho do método alcançou uma tema de obtenção de imagem é adiciona- positivos (não existe anormalidade, mas
área sob a curva de 0,84. Segundo os au- da ao ruído existente naquele momento. o observador indica que existe) e falsos-
tores, a sensibilidade do método torna-o Este ruído pode estar dentro do próprio negativos (existe anormalidade, mas o
potencialmente útil como componente sistema ou fazer parte do padrão de entra- observador indica que não existe). Uma
para integração de um sistema de CAD da. A tarefa do observador (ou sistema au- mundança no limiar irá causar mudanças
para radiografia digital de tórax. Vargas- tomático) é determinar se o nível de ati- na especificidade e sensibilidade do tes-
Voracek et al.(34) apresentaram um estudo vidade no sistema é devido apenas ao te. Os observadores humanos, assim co-
realizado com atributos de textura ex- ruído ou resultado de um estímulo adicio- mo os sistemas de auxílio ao diagnósti-
traídos de radiografias de tórax. O expe- nado ao ruído. Em sua forma mais sim- co, operam em pontos ao longo da curva
rimento foi realizado utilizando-se uma ples, a tarefa de diagnosticar consiste na ROC. Os pontos de operação sobre a cur-
base de dados contendo 200 regiões de apresentação de imagens contendo ou va (sensibilidade vs. especificidade) mu-
interesse (ROIs) extraídas de radiografias não uma anormalidade associada, a um dam de acordo com os valores de custo
digitalizadas de pacientes com lesões in- observador que deve responder se existe atribuídos aos resultados falsos-positi-
tersticiais de pulmão e pacientes com ra- ou não uma anormalidade presente. Para vos ou falsos-negativos.
diografias normais. Nenhum pré-proces- a análise da “performance” em um teste A medida mais comum extraída da
samento foi realizado nas imagens. Os de diagnóstico, a curva ROC plota a fra- curva ROC é a área sob a curva. A área sob
atributos calculados para cada ROI foram ção de verdadeiro-positivo (sensibilida- a curva ROC varia de 0,5 (comportamen-
utilizados como entrada em uma rede de) contra a fração de falso-positivo (1 – to aleatório) a 1,0 (discriminação perfeita),
neural artificial. A “performance” diag- especificidade) para toda a faixa de resul- sendo que quanto mais a curva se apro-
nóstica da rede foi bastante boa, alcan- tados possíveis para o teste. xima do canto esquerdo superior do grá-
çando sensibilidade de 90% e especifici- A análise por curva ROC baseia-se na fico melhor a “performance” do teste. As
dade de 84%, com uma área sob a curva premissa de que o processo de decisão do Figuras 6 e 7 mostram as curvas ROC ob-
ROC igual a 0,85. McNitt-Gray et al.(35) observador pode ser modelado por uma tidas para duas configurações diferentes
desenvolveram uma metodologia para variável randômica que se ajusta a um de um classificador estatístico não-para-
caracterização de nódulos pulmonares modelo bi-normal (Figura 5). As funções métrico, variando-se os limiares de sepa-
solitários, obtidos por exame de tomo- de densidade de probabilidade desta va- ração entre as classes maligna e benigna,
grafia computadorizada de alta resolu- riável para as duas hipóteses (presença utilizado em um sistema de classificação
ção, como sendo benignos ou malignos, de anormalidade e ausência de anorma- automatizada de microcalcificações pre-
por meio da quantificação de atributos lidade) são consideradas normalmente sentes em mamogramas digitalizados(6).
de tamanho, forma, atenuação e textura. distribuídas. A menos que as condições Os parâmetros de aquisição da ima-
Um estudo inicial, realizado com 31 pa- do teste sejam perfeitas, estas distribui- gem digital, as características da base de
cientes com diagnósticos definitivos (14
benignos e 17 malignos) e utilizando
dois atributos de textura considerados os
mais discriminantes (entropia e correla-
ção), resultou em uma taxa de acerto na
classificação de 90,3%.
MEDIDAS DE DESEMPENHO
E CARACTERÍSTICAS
Figura 6. Curva ROC para um classificador do tipo K-NN. Figura 7. Curva ROC para um classificador do tipo K-NN em configuração
de alta sensibilidade.
dados utilizada para treinamento e teste sistema computadorizado para auxílio grupos de pesquisa a buscarem soluções
dos algoritmos, a comparação entre mé- na detecção de lesões de mama, treinado computacionais para auxiliar os médicos
todos e a determinação da viabilidade de com projeções médio-laterais oblíquas, nesse problema.
aplicação clínica são também caracterís- irá fornecer resultados tendenciosos (te- Em uma visão global dos trabalhos
ticas fundamentais no processo de ava- rá um “bias”) se forem utilizadas proje- apresentados sobre sistemas de CAD, po-
liação de sistemas de CAD. As imagens ções crânio-caudais nos testes. Os resul- de-se constatar que, de modo geral, estes
podem ser obtidas diretamente em for- tados também serão tendenciosos se, com sistemas podem detectar lesões perdidas
mato digital ou a partir da digitalização uma base de dados limitada, os parâme- pelos radiologistas, são suficientemente
de filmes. Para a digitalização de filmes, tros do classificador forem determinados robustos em relação a mudanças na aqui-
a qualidade da imagem original é funda- usando-se os mesmos dados que foram sição e digitalização das imagens, po-
mental, uma vez que imagens de baixa empregados para a seleção dos atributos dem ser integrados com relativa facilida-
qualidade irão afetar tanto a inspeção mais discriminantes. Além disso, diferen- de nas rotinas existentes e podem classi-
visual como a “performance” da análise tes formas de medida irão causar varia- ficar lesões com acurácia comparável à
automatizada. O tamanho do pixel e o ções nos resultados obtidos. Por exem- dos especialistas. Porém, o número de
número de níveis de quantização tam- plo, se a sensibilidade do sistema é dada testes dos sistemas em ambientes clínicos
bém irão afetar a resposta do sistema, em função da porcentagem de lesões ainda é bastante limitado e uma avalia-
uma vez que modificações nos valores detectadas por imagem ou por caso, ou ção cuidadosa é necessária antes de sua
de entrada irão produzir saídas diferentes. então, se a porcentagem de sobreposição inserção na rotina de serviço.
É bastante difícil a comparação entre os entre a lesão real e a lesão detectada pelo Os bons resultados conseguidos em
vários métodos de diagnóstico auxiliado computador é calculada levando-se em testes de desempenho, em conjunto com
por computador que estão sendo desen- consideração sua intersecção ou a inter- a difusão da tecnologia de imagem digi-
volvidos, devido às diferentes bases de secção dividida pela sua união. tal, incentivam a integração de métodos
dados utilizadas e os variados métodos automatizados de detecção e classifica-
de descrição dos resultados. Algumas ba- DISCUSSÃO ção em um número cada vez maior de
ses de dados estão sendo estruturadas pa- protótipos clínicos. Porém, é necessária
ra desenvolvimento e teste de sistemas A dificuldade na realização do diag- uma introdução sistemática e gradual
de CAD(38,39). A forma como a base de da- nóstico visual de lesões em estádio pre- dos sistemas CAD junto aos serviços de
dos é utilizada irá também influenciar o coce, juntamente com o grande volume radiologia, de forma a minimizar a ruptu-
desenvolvimento e a apresentação de re- de dados gerados num sistema de diag- ra dos hábitos atuais de leitura, garantin-
sultados do sistema. Por exemplo, um nóstico hospitalar, têm induzido vários do a sua aceitabilidade e a otimização do
desempenho do radiologista. Desse mo- 9. Duda RO, Hart PE. Pattern classification and scene to mammographic image analysis. Am J Physiol
do, um papel específico para cada siste- analysis. New York: John Wiley & Sons, 1973. Imaging 1989;4:16–22.
10. Sickles EA. Mammographic features of 300 con- 26. Baker JA, Kornguth PJ, Lo JY, Floyd CE Jr. Ar-
ma CAD deverá ser definido para cada ra- secutive nonpalpable breast cancers. AJR 1986; tificial neural network: improving the quality of
diologista, de acordo com o seu treina- 146:661–3. breast biopsy recommendations. Radiology 1996;
mento e habilidade individuais, reduzin- 11. Chan HP, Doi K, Galhotra S, Vyborny CJ, MacMa- 198:131–5.
hon H, Jokich PM. Image feature analysis and 27. D'Orsi CJ, Basset LW, Feig AS, et al. Breast Im-
do as variações intra-observador e me- computer-aided diagnosis in digital radiography. I. aging Reporting and Data System (BI-RADS).
lhorando o desempenho diagnóstico. Automated detection of microcalcifications in Reston, VA: American College of Radiology, 1998.
mammography. Med Phys 1987;14:538–48. 28. Ashizawa K, Ishida T, MacMahon H, Vyborny CJ,
12. Winsberg F, Elkin M, Macy J, Bordaz V, Wey- Katsuragawa S, Doi K. Artificial neural networks
CONCLUSÕES mouth W. Detection of radiographic abnormalities in chest radiography: application to differential
in mammograms by means of optical scanning and diagnosis of interstitial lung disease. Acad Radiol
De modo geral, o uso de computado- computer analysis. Radiology 1967;89:211–5. 1999;6:2–9.
res para auxílio à análise de imagens ra- 13. Yin FF, Giger ML, Doi K, Metz CE, Vyborny CJ, 29. Kinoshita SK, Azevedo-Marques PM, Slaets AFF,
Schmidt RA. Computerized detection of masses in Marana HRC, Ferrari RJ. Characterization of breast
diológicas tem-se mostrado eficiente na digital mammograms: analysis of bilateral-sub- masses using texture and shape features. In: Doi K,
melhoria da detecção e classificação de traction images. Med Phys 1991;18:955–63. MacMahon H, Giger ML, Hoffmann KR, eds.
lesões, especialmente em imagens mamo- 14. Nishikawa RM, Giger ML, Wolverton DE, et al. Computer-aided diagnosis in medical imaging.
Prospective testing of clinical mamography Amsterdam: Elsevier Science, 1999:265–70.
gráficas e de tórax. Muitos artigos descre- workstation for CAD: analysis of the first 10,000 30. Chen DR, Chang RF, Huang YL. Computer-aided
vendo essa tecnologia têm enfatizado cases. In: Karssemeijer N, Thijssen M, Hendriks J, diagnosis applied to US of solid breast nodules by
que a análise automatizada é um auxílio, van Erning L, eds. Digital mammography. Dor- using neural networks. Radiology 1999;213:407–
drecht: Kluwer Academic Publishers, 1998:401–6. 12.
e não um substituto, para o radiologista, 15. Doi T, Hasegawa A, Hunt B, et al. Clinical results 31. Gilhuijs KGA, Giger ML, Bick U. Computerized
não necessitando ser perfeita e sim pos- with the R2 ImageCheckerTM mammographic CAD analysis of breast lesions in three dimensions using
suir um desempenho próximo ao do espe- system. In: Doi K, MacMahon H, Giger ML, Hoff- dynamic magnetic resonance imaging. Med Phys
mann KR, eds. Computer-aided diagnosis in 1998;25:1647–54.
cialista. Nesse contexto, as pesquisas que medical imaging. Amsterdam: Elsevier Science, 32. Nunes LW, Schnall MD, Orel SG, et al. Breast MR
estão sendo desenvolvidas indicam ser 1999:201–7. imaging: interpretation model. Radiology 1997;
bastante promissor o uso de sistemas de 16. Forrest JV, Friedman PJ. Radiologic errors in 202:833–41.
patients with lung cancer. West J Med 1981;134: 33. Armato SG III, Giger ML, MacMahon H. Auto-
diagnóstico auxiliado por computador 485–90. mated abnormal asymmetry detection in digital
como uma segunda opinião no processo 17. MacMahon H. Clinical application of CAD in the posteroanterior chest radiographs. In: Doi K, Mac-
de diagnóstico por imagem. chest. In: Doi K, MacMahon H, Giger ML, Hoff- Mahon H, Giger ML, Hoffmann KR, eds. Com-
mann KR, eds. Computer-aided diagnosis in puter-aided diagnosis in medical imaging. Ams-
medical imaging. Amsterdam: Elsevier Science, terdam: Elsevier Science, 1999:89–94.
REFERÊNCIAS
1999:23–33. 34. Vargas-Voracek R, Floyd CE Jr. Stochastic and
1. Doi K. Computer-aided diagnosis and its poten- 18. Katsuragawa S, Doi K, MacMahon H. Image feature deterministic texture modeling and analysis for
tial impact on diagnostic radiology. In: Doi K, analysis and computer-aided diagnosis in digital image processing in chest radiography. In: Doi K,
MacMahon H, Giger ML, Hoffmann KR, eds. radiography: detection and characterization of MacMahon H, Giger ML, Hoffmann KR, eds.
Computer-aided diagnosis in medical imaging. interstitial lung disease in digital chest radiographs. Computer-aided diagnosis in medical imaging.
Amsterdam: Elsevier Science, 1999:11–20. Med Phys 1988;15:311–9. Amsterdam: Elsevier Science, 1999:95–9.
2. Giger ML. Computer-aided diagnosis. RSNA 19. Monnier-Cholley L, MacMahon H, Katsuragawa S, 35. McNitt-Gray MF, Wyckoff N, Hart EM, Sayre JW,
Categorial Course in Breast Imaging 1999:249–72. Morishita J, Doi K. Computerized analysis of in- Goldin JG, Aberle DR. Computer-aided techniques
3. Thurfjell EL, Lernevall KA, Taube AA. Benefit of terstitial infiltrates on chest radiographs: a new to characterize solitary pulmonary nodules imaged
independent double reading in a population-based scheme based on geometric pattern features and on CT. In: Doi K, MacMahon H, Giger ML, Hoff-
mammography screening program. Radiology Fourier analysis. Acad Radiol 1995;2:455–62. mann KR, eds. Computer-aided diagnosis in med-
1994;191:241–4. 20. Sanada S, Doi K, MacMahon H. Image feature ical imaging. Amsterdam: Elsevier Science, 1999:
4. Castleman KN. Digital image processing. New analysis and computer aided diagnosis in digital 101–6.
Jersey: Prentice-Hall, 1996. radiography: automated detection of pneumothorax 36. Swets JA. ROC analysis applied to the evaluation
5. Pereira Jr RR, Azevedo-Marques PM, Frère AF. in chest images. Med Phys 1992;19:1153–60. of medical imaging techniques. Invest Radiol
Wavelet transform improves contrast enhancement 21. Nakamori N, Doi K, Sabeti V, MacMahon H. Image 1979;14:109–21.
of digital mammographic images. Proceedings of feature analysis and computer-aided diagnosis in 37. Metz CE. ROC methodology in radiologic im-
the 6th International Workshop on Digital Mam- digital radiography: automated analysis of sizes of aging. Invest Radiol 1986;21:720–33.
mography, Toronto, Canadá, 2000 (in press). heart and lung in chest images. Med Phys 1990;17: 38. Mascio LN, Frankel SD, Hernandez JM, Logan
6. Ferrari RJ, Azevedo-Marques PM, Frère AF, 342–50. CM. Building the LLNL/UCSF digital mammo-
Kinoshita SK, Spina LAR. Characterization of 22. Armato SG III, Giger ML, MacMahon H. Comput- gram library with image groundtruth. In: Doi K,
breast cancer using statistical approaches. In: Doi erized detection of abnormal asymmetry in digital Giger ML, Nishikawa RM, Schmidt RA, eds. Di-
K, MacMahon H, Giger ML, Hoffmann KR, eds. chest radiographs. Med Phys 1994;21:1761–8. gital mammography'96. Excerpta Medica, Inter-
Computer-aided diagnosis in medical imaging. 23. Doi K, MacMahon H, Giger ML, Hoffmann KR. national Congress Series 1119. Amsterdam: Else-
Amsterdam: Elsevier Science, 1999:281–6. Computer-aided diagnosis in medical imaging. vier, 1996:427–30.
7. IEEE standard 610.4-1990, IEEE standard glossary Excerpta Medica, International Congress Series 39. Bowyer K, Kopans D, Kegelmeyer WP Jr, et al.
of image processing and pattern recognition II82, Radiology. Amsterdam: Elsevier, 1999. The digital database for screening mammography.
terminology. New York: IEEE Press, 1990. 24. Gale AG, Roebuck EJ, Riley P, Worthington BS. In: Doi K, Giger ML, Nishikawa RM, Schmidt
8. Haralick RM, Shanmugan K, Dinstein I. Textural Computer aids to mammographic diagnosis. Br J RA, eds. Digital mammography'96. Excerpta Me-
features of images classification. IEEE Trans Radiol 1987;60:887–91. dica, International Congress Series 1119. Amster-
Systems Man Cybernetics SMC-3 1973:610–21. 25. Cook HM, Fox MD. Application of expert systems dam: Elsevier, 1996:431–4.