Segmentação Dos Pulmões e de Suas Lesões em Imagens de Tomografia Computadorizada

UNIVERSIDADE ESTADUAL DE CAMPINAS
Faculdade de Engenharia Elétrica e de Computação
Silvia Regina Leme Colella
Segmentação dos pulmões e de suas lesões em

imagens de tomografia computadorizada
Campinas
2017
UNIVERSIDADE ESTADUAL DE CAMPINAS
Faculdade de Engenharia Elétrica e de Computação
Silvia Regina Leme Colella
Segmentação dos pulmões e de suas lesões em imagens

de tomografia computadorizada
Dissertação apresentada à Faculdade de

Engenharia Elétrica e de Computação da
Universidade Estadual de Campinas como
parte dos requisitos exigidos para a obtenção
do título de Mestra em Engenharia Elétrica,
na Área de Engenharia de Computação.
Orientadora: Profa Dra. Leticia Rittner
Este exemplar corresponde à versão

final da tese defendida pela aluna
Silvia Regina Leme Colella, e
orientada pela Profa Dra. Leticia
Rittner
Campinas
2017
Agência(s) de fomento e nº(s) de processo(s): Não se aplica.
Ficha catalográfica
Universidade Estadual de Campinas
Biblioteca da Área de Engenharia e Arquitetura
Luciana Pietrosanto Milla - CRB 8/8129
Colella, Silvia Regina Leme, 1986-

C676s ColSegmentação dos pulmões e de suas lesões em imagens de tomografia
computadorizada / Silvia Regina Leme Colella. – Campinas, SP : [s.n.], 2017.
ColOrientador: Letícia Rittner.

ColDissertação (mestrado) – Universidade Estadual de Campinas, Faculdade
de Engenharia Elétrica e de Computação.
Col1. Segmentação de imagens. 2. Pulmão. 3. Tomografia computadorizada.

4. Segmentação de imagens médicas. I. Rittner, Letícia,1972-. II. Universidade
Estadual de Campinas. Faculdade de Engenharia Elétrica e de Computação.
III. Título.
Informações para Biblioteca Digital
Título em outro idioma: Segmentation of lung and its lesions in computer tomographic
images
Palavras-chave em inglês:
Image segmentation
Lung
Computed tomography
Segmentation of medical images
Área de concentração: Engenharia de Computação
Titulação: Mestra em Engenharia Elétrica
Banca examinadora:
Letícia Rittner [Orientador]
Paula Dornhofer Paro Costa
Gerberth Adín Ramírez Rivera
Data de defesa: 17-05-2017
Programa de Pós-Graduação: Engenharia Elétrica
Powered by TCPDF (www.tcpdf.org)

COMISSÃO JULGADORA - DISSERTAÇÃO DE MESTRADO
Candidata: Silvia Regina Leme Colella RA: 150006
Data da defesa: 17 de maio de 2017.
Título da dissertação: Segmentação dos pulmões e de suas lesões em imagens de

tomografia computadorizada
Comissão Julgadora:
Profa Dra. Leticia Rittner (Presidente, FEEC/UNICAMP)
Profa Dra. Paula Dornhofer Paro Costa (FEEC/UNICAMP)
Prof. Dr. Gerberth Adín Ramírez Rivera (IC/UNICAMP)
A ata de defesa, com as respectivas assinaturas dos membros da Comissão Julgadora,

encontra-se no processo de vida acadêmica do aluno.
Dedico este trabalho à minha família que sempre me deu apoio nos meus projetos,
alegria nos momentos de felicidade e um ombro nos momentos de preocupação.
Agradecimentos
Gostaria de agradecer primeiramente a Deus por ter me proporcionado força de

vontade para chegar até o final dos estudos do Mestrado.
O segundo agradecimento vai para a minha família por todo apoio dado durante
todos esses anos.
Gostaria também de agradecer a Dra. Letícia Rittner por toda orientação e atenção
disponibilizadas durante essa caminhada, o que ajudaram e muito a continuar seguindo
em frente. Também não posso deixar de agradecer a Dra. Mariana Bento por todas as
dicas e sugestões que foram uma luz em momentos que não sabia como prosseguir.
Um agradecimento é destinado à Dra. Simone Appenzeller pela assistência com
a definição da localização anatômica das fatias a serem usadas e durante a segmentação
manual dos pulmões. Também gostaria de agradecer a Dra. Rachel Polo que auxiliou
durante segmentação manual das lesões. As assistências para gerar as imagens de
referência foram imprescindíveis para a realização desse trabalho.
E por último aos colegas e professores com quem tive o prazer de passar tempos
agradáveis e de aprender assuntos novos durante toda essa jornada.
Resumo
A tomografia computadorizada (CT) é um tipo de imagem muito utilizada quando se
trata do diagnóstico e do acompanhamento de doenças que afetam o sistema respiratório.
Uma dificuldade, porém, é a grande quantidade de fatias que o exame gera por paciente,
sendo que cada uma precisa ser analisada pelo médico radiologista. Para facilitar a
análise desse tipo de imagem, sistemas de diagnóstico assistido por computador (CAD)
que procuram detectar anormalidades nas imagens de forma automática estão sendo
desenvolvidos com o propósito de auxiliar o especialista a tomar decisões sobre uma
doença. Este trabalho propõe dois novos métodos de segmentação em imagens de CT:
um para os pulmões e outro para as suas lesões. A proposta para a segmentação dos
pulmões utiliza filtros morfológicos e a max-tree: uma estrutura de dados que representa
os componentes conexos de uma imagem. Os resultados mostram que o método apresentou
boa performance quando comparado com a segmentação manual e que não exclui lesões
localizadas nas bordas na maioria das imagens testadas, o que é um desafio quando se trata
de lesões pequenas e desconexas localizadas nessa região. O método para a segmentação
dos pulmões obteve um Dice médio de 98% quando testado em 630 fatias (14 sujeitos). Já
o método de segmentação das lesões utiliza a imagem dos pulmões segmentados como base
para calcular atributos de intensidade, textura e transformada de distância para treinar
um classificador que distingue tecido normal de tecido anormal (que apresenta lesões). Os
classificadores testados foram Random Forest e SVM. Este método também apresentou
bons resultados ao mostrar ser pouco sensível à escolha dos parâmetros e obtendo um
Dice médio de 62% para as fatias com área maior de lesões sendo 5 sujeitos usados para
treinamento e um para teste.
Palavras-chaves: tomografia computadorizada; segmentação de pulmão; segmentação

de lesões; detecção de bordas; max-tree.
Abstract
The computerized tomography (CT) images are frequently used during the diagnostics and
the follow up of pathologies that impact the respiratory system. One challenge, however, is
the amount of slices that are part of the CT images and that are captured per subject, as
each one needs to be analyzed by a radiologist. To facilitate the analysis on these images,
computer-aided diagnosis systems (CAD) that aim to detect abnormalities automatically
are being developed with the purpose of aiding the specialists to make decisions about
a disease. The purpose of this work is to present two new segmentation methods in
CT images: one for the lungs and another one for their lesions. The lung segmentation
method uses morphological filters and the max-tree - a data structure that represents
an image through its connected components. Results show that the method presented
a good performance when compared to the manual segmentation and it was able to not
exclude lesions located in the borders in most of the images, which is a challenge when the
lesions are small and disconnected located in this region. The lung segmentation method
obtained an average Dice of 98% for 630 slices (14 subjects). The lesion segmentation
method uses the image with the segmented lungs as base to calculate the attributes of
intensity, texture and distance transform to train a classifier that distinguishes between
normal tissue and abnormal tissue (which contains lesions). The classifiers tested in this
project were Random Forest and SVM. This method also presented good results as it
turned out not being very sensible to parameters’ choice and it obtained an average Dice
of 62% for the slices with severe pathologies where the slices of 5 subjects were used for
training and 1 for testing.
Keywords: computerized tomography; lung segmentation; lesion segmentation; border

detection; max-tree.
Lista de ilustrações
Figura 2.1 – Exemplo de imagem de CT do tórax . . . . . . . . . . . . . . . . . . . 18

Figura 2.2 – Segmentação de pulmão por limiar em um pulmão com lesões nas bordas 19
Figura 3.1 – Construção da max-tree . . . . . . . . . . . . . . . . . . . . . . . . . . 26
Figura 3.2 – Diferentes representações da max-tree . . . . . . . . . . . . . . . . . . 26
Figura 3.3 – Exemplo de max-tree . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
Figura 3.4 – Aplicação da regra direta na max-tree . . . . . . . . . . . . . . . . . . 28
Figura 3.5 – Aplicação da estratégia de poda na max-tree . . . . . . . . . . . . . . . 28
Figura 3.6 – Filtro de extinção . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
Figura 3.7 – Aplicação do filtro de extinção . . . . . . . . . . . . . . . . . . . . . . . 29
Figura 3.8 – Filtro de abertura por reconstrução . . . . . . . . . . . . . . . . . . . . 30
Figura 3.9 – Gradientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
Figura 3.10–Aplicação da transformada Watershed por marcadores . . . . . . . . . 32
Figura 3.11–Local Binary Pattern . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
Figura 3.12–Transformada de distância Euclidiana . . . . . . . . . . . . . . . . . . 34
Figura 4.1 – Etapas do método de segmentação dos pulmões . . . . . . . . . . . . . 35
Figura 4.2 – Resultado da etapa de pré-processamento . . . . . . . . . . . . . . . . 36
Figura 4.3 – Resultado após filtragem da max-tree . . . . . . . . . . . . . . . . . . . 37
Figura 4.4 – Max-tree resultante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
Figura 4.5 – Resultado da segmentação dos pulmões . . . . . . . . . . . . . . . . . . 38
Figura 5.1 – Etapas do método de segmentação das lesões . . . . . . . . . . . . . . 39
Figura 5.2 – Extração de atributos . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
Figura 5.3 – Resultado da segmentação das lesões . . . . . . . . . . . . . . . . . . . 42
Figura 5.4 – Resultado do pós-processamento da segmentação das lesões . . . . . . 43
Figura 6.1 – Gráfico de caixa para as métricas de segmentação dos pulmões . . . . . 46
Figura 6.2 – Fatia com falhas na segmentação dos pulmões . . . . . . . . . . . . . . 46
Figura 6.3 – Métricas antes e depois do pós-processamento da segmentação das lesões 49
Figura 6.4 – Box plot para as métricas de segmentação das lesões . . . . . . . . . . 50
Figura 6.5 – Métricas para escolha da quantidade de folhas após o filtro de extinção 52
Figura 6.6 – Métricas para escolha do nó da max-tree . . . . . . . . . . . . . . . . . 53
Figura 6.7 – Métricas da variação do filtro de reconstrução usado no
pós-processamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Figura 6.8 – Métricas da variação do gradiente usado no pós-processamento . . . . . 55
Figura 6.9 – Métricas da variação dos parâmetros dos marcadores internos . . . . . 56
Lista de tabelas
Tabela 1 – Abordagens encontradas na literatura . . . . . . . . . . . . . . . . . . 23

Tabela 2 – Desempenho do método de segmentação dos pulmões . . . . . . . . . . 45
Tabela 3 – Abordagens de segmentação dos pulmões encontradas na literatura . . 47
Tabela 4 – Matriz de confusão para o classificador Random Forest . . . . . . . . . 48
Tabela 5 – Matriz de confusão para o classificador SVM . . . . . . . . . . . . . . . 48
Lista de Acrônimos e Abreviações
CAD Computer-aided Diagnosis (Diagnóstico Assistido por Computador)
CNN Convolutional Neural Network (Redes Neurais Convolucionais)
CT Computerized Tomography (Tomografia Computadorizada)
DIP Doenças Intersticiais Pulmonares
EDT Euclidean Distance Transform (Transformada de Distância Euclidiana)
KNN K-nearest neighbors (K-vizinhos mais próximos)
LBP Local Binary Pattern (Padrão Binário Local)
MGRF Markov-Gibbs Random Field
ROI Region of Interest (Regiões de Interesse)
SVM Support Vector Machine (Máquinas de Vetores Suporte)

Sumário
1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.1 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2 Principais contribuições . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.3 Organização da dissertação . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2 Conceitos básicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.1 Doenças intersticiais pulmonares . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Análise e acompanhamento de lesões de pulmão por computador . . . . . . 18
3 Fundamentação teórica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.1 Max-tree . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.1.1 Construção da max-tree . . . . . . . . . . . . . . . . . . . . . . . . 25
3.1.2 Filtragem da max-tree . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2 Morfologia matemática . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2.1 Filtro de reconstrução . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2.2 Gradiente morfológico . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2.3 A transformada Watershed . . . . . . . . . . . . . . . . . . . . . . . 31
3.3 Local Binary Pattern . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.4 Transformada de distância Euclidiana . . . . . . . . . . . . . . . . . . . . . 33
4 Segmentação de pulmões em imagens de CT . . . . . . . . . . . . . . . . . 35
4.1 Pré-processamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.2 Construção e simplificação da max-tree . . . . . . . . . . . . . . . . . . . . 36
4.3 Segmentação dos pulmões . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
5 Segmentação de lesões em pulmão . . . . . . . . . . . . . . . . . . . . . . . 39
5.1 Extração dos atributos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
5.2 Segmentação das lesões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
5.3 Pós-processamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
6 Resultados e discussões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
6.1 Experimentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
6.2 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
6.2.1 Segmentação dos pulmões . . . . . . . . . . . . . . . . . . . . . . . 44
6.2.2 Segmentação das lesões . . . . . . . . . . . . . . . . . . . . . . . . . 47
6.2.3 Performance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
6.3 Análise da sensibilidade do método de segmentação dos pulmões à escolha
dos parâmetros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
6.3.1 Escolha do número de folhas para o filtro de extinção . . . . . . . . 51
6.3.2 Escolha do nó da max-tree . . . . . . . . . . . . . . . . . . . . . . . 52
6.4Análise da sensibilidade do método de segmentação das lesões à escolha
dos parâmetros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
6.4.1 Escolha do número de iterações do filtro de reconstrução do
pós-processamento . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
6.4.2 Escolha do gradiente utilizado como entrada no pós-processamento 54
6.4.3 Escolha do tamanho de área para filtros de abertura e fechamento . 56
7 Conclusões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
7.1 Trabalhos futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
7.2 Apresentações e publicação . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
Referências . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
14
1 Introdução
Os pulmões podem ser afetados por diversas doenças respiratórias consideradas

graves pela Organização Mundial da Saúde, entre elas estão a pneumonia e o câncer.
Algumas doenças, porém, não são exclusivamente respiratórias mas podem atingir diversos
órgãos incluindo os pulmões, conhecidas como doenças intersticiais, onde temos como
exemplo a fibrose pulmonar idiopática e a sarcoidose. São doenças que foram agrupadas
devido a sua semelhança de apresentação e de descobertas clínicas e radiológicas [1].
Quando estas doenças chegam ao sistema respiratório, podem causar inflamação do tecido
pulmonar, que é tratável, ou fibrose, que é uma inflamação permanente e, portanto, sem
tratamento [2, 3].
Uma das formas de diagnosticar e acompanhar a evolução das doenças intersticiais
nos pulmões é através da utilização de imagens, tal como a tomografia computadorizada
(Computerized Tomography - CT), um exame diagnóstico que consegue adquirir uma visão
geral do tórax completo em alta resolução e em um único ciclo respiratório [4]. A partir da
análise dessas imagens é possível avaliar o estado do pulmão e, caso o diagnóstico seja de
um pulmão saudável, evitar a necessidade de uma biópsia. Biópsia é um procedimento que
requer a retirada de um pequeno pedaço de tecido pulmonar para exame em laboratório,
considerada portanto como um procedimento invasivo.
Entre os desafios encontrados pelos especialistas está o fato de que, segundo Baldi
e Pereira [1], “o diagnóstico preciso requer, além de conhecimento clínico, treinamento
em radiologia e patologia, o que obriga haver um trabalho multidisciplinar, introduzindo
complexidade no atendimento” . Levando isso em consideração e visando facilitar a análise
das imagens de CT, sistemas de diagnóstico assistido por computador (CAD systems)
estão sendo desenvolvidos com o propósito de auxiliar o médico radiologista a tomar a
decisão correta no diagnótico e prognóstico de uma doença de forma acurada em tempo
não proibitivo.
Um pré-processamento das imagens comumente realizado pelos sistemas CAD de
forma automática ou semi-automática é a segmentação dos pulmões. É um processo que
tem como objetivo distinguir o pulmão do resto da imagem de forma que outras estruturas,
como vasos sanguíneos e ossos, sejam ignoradas e não atrapalhem a análise propriamente
dita [5]. O resultado da segmentação é um conjunto de regiões/objetos (conjunto de
pixels) ou um conjunto de contornos extraídos da imagem correspondentes ao objeto
de interesse [6]. Para sujeitos que não apresentam lesões (considerados saudáveis), a
segmentação automática é um processo relativamente simples. Ela passa a ser um desafio
quando os pulmões são afetados por doenças que se manifestam em suas bordas [4], como
Capítulo 1. Introdução 15
é o caso das doenças intersticiais pulmonares. Como diversas doenças mudam a densidade
do tecido pulmonar, isso acaba alterando as intensidades dos pixels (níveis de cinza) nas
imagens de CT, então algoritmos de segmentação focados apenas na intensidade, apesar
de geralmente serem escolhidos por sua eficiência, costumam não funcionar para esses
casos [4].
Após a segmentação dos pulmões, os sistemas CAD realizam então o processo
de distinção entre tecido normal (tecido considerado saudável) e tecido anormal (tecido
lesionado) ou entre tecido normal e as diversas categorias de lesões, como por exemplo
enfisema, nódulo, inflamação (efeito vidro fosco) ou fibrose (efeito colméia). É um processo
importante pois, realizada a distinção dos tecidos, é possível visualizar e quantificar o
tecido pulmonar ocupado por lesões para então o médico especialista ter mais segurança
ao realizar o diagnóstico e dar continuidade ao tratamento de um paciente.
Quando se trata de processamento de imagens de pulmão, grande parte da
literatura é focada em câncer, devido a alta taxa de mortalidade causada por essa doença.
Cada nódulo pulmonar geralmente encontrado nas imagens de CT costuma ser um único
componente conexo, o que não acontece com as lesões das doenças intersticiais pulmonares
que geralmente são menores e mais espalhadas (desconexas). Essa característica é um
desafio para os sistemas CAD, que devem procurar por todas as regiões de lesões e não
confundi-las com vasos sanguíneos pertencentes à região interna dos pulmões.
Em resumo, os principais desafios na segmentação de pulmões e de lesões
intersticiais são a localização das lesões e sua aparência desconexa na imagem de CT.
1.1 Objetivos
Este trabalho possui dois objetivos principais:
∙ Propor um novo método automático de segmentação dos pulmões em imagens de

CT baseado na max-tree que busca obter uma segmentação que não exclua as
lesões localizadas nas bordas dos pulmões. Esta abordagem não requer interação
com especialista, modelos pré-definidos ou algum ponto de partida a ser encontrado
na anatomia do pulmão.
∙ Através de algoritmos de aprendizado de máquina segmentar lesões de

pulmão automaticamente nas imagens de CT. Esta proposta tem como único
pré-processamento o método de segmentação automática dos pulmões, o que faz com
que nenhuma interação manual ou algum outro ponto de partida sejam necessários.
Capítulo 1. Introdução 16
1.2 Principais contribuições

Entre as principais contribuições entregues por este trabalho é possível citar:
∙ métodos completamente automáticos, sem interação humana ou alguma forma de

inicialização
∙ método preocupado com lesões intersticiais pulmonares, sendo que a maioria dos
trabalhos existentes na literatura tem como foco lesões cancerígenas que possuem
outras características
∙ segmentação das lesões e não apenas detecção ou classificação de regiões de interesse
1.3 Organização da dissertação

Esta dissertação está dividida em 7 capítulos. O Capítulo 2 mostra uma breve
introdução sobre o que são doenças intersticiais pulmonares, como elas afetam os pulmões
e exemplos de imagens de tomografia computadorizada com tecido saudável e tecido
lesionado (com inflamação e/ou fibrose). Este capítulo também contém uma sub-seção com
as abordagens de análise destas imagens por computador propostas que foram encontradas
na literatura.
O Capítulo 3 mostra os fundamentos teóricos das abordagens utilizadas neste
trabalho: definição da max-tree, como ela é construída e exemplos práticos de uso;
definição e exemplos de conceitos da morfologia matemática utilizados como o filtro
de reconstrução e a transformada de Watershed; definição e exemplos de três atributos
utilizados durante a fase de detecção das lesões: gradiente morfológico, LBP (local binary
pattern), transformada de distância Euclidiana.
No Capítulo 4 está descrita cada etapa do método automático de segmentação dos
pulmões: negação da imagem, utilização do filtro de reconstrução, além da construção e
simplificação da max-tree. Já o Capítulo 5 descreve os passos do método de segmentação
das lesões intersticiais: extração de atributos, normalização, treinamento e teste do
classificador que diferencia o tecido lesionado do não lesionado, terminando com o
pós-processamento.
O Capítulo 6 contém os resultados obtidos quando ambos os métodos de
segmentação dos pulmões e das lesões foram aplicados a dados reais, tanto resultados
visuais como métricas calculadas. Também são apresentadas discussões sobre variação e
importância dos parâmetros utilizados. E por fim, o Capítulo 7 apresenta as considerações
finais sobre o trabalho realizado, apontando possíveis melhorias a serem feitas em
trabalhos futuros.
17
2 Conceitos básicos
Neste capítulo são apresentadas as doenças intersticiais pulmonares de uma forma

breve, de onde surgiu o termo e suas características, e também uma visão geral sobre o
estado da arte na área de segmentação dos pulmões e de suas lesões, tendo como foco as
lesões intersticiais.
2.1 Doenças intersticiais pulmonares

Os pulmões são sustentados pelo interstício pulmonar, termo que se refere a tecidos
que envolvem elementos importantes deste órgão, como os alvéolos (pequenas bolsas de ar)
e as vias aéreas (tubos de passagem de ar durante a respiração). São tecidos responsáveis
por manter as vias aéreas e permitir a troca gasosa. De acordo com Valeri [7]:
“qualquer estímulo ou agente que altere o interstício causará uma doença

pulmonar intersticial . Sendo assim, definimos essas doenças como um grupo
heterogêneo de situações que podem causar inflamação e/ou cicatrização do
tecido pulmonar, afetando diretamente a troca gasosa e a sustentação vascular,
alveolar e de vias aéreas.”
Esta designação para este grupo, doença intersticial, surgiu porque os primeiros
casos foram reconhecidos apenas em fases avançadas, quando mostravam grande
quantidade de tecido fibroso. Foi apenas com tempo e estudos que descobriu-se que,
mesmo nos casos de fibrose pulmonar pura, em sua fase inicial ocorreu um processo
inflamatório que foi aos poucos se agravando [3]. Entre as doenças consideradas como
parte do grupo das intersticiais pulmonares encontram-se fibrose pulmonar idiopática,
sarcoidose, pneumonite de hipersensibilidade, vasculites, entre outras [1]. Existem mais
de cento e oitenta (180) doenças que podem ser englobadas neste grupo [7].
Devido à grande variedade de enfermidades que compõem esse grupo, os médicos
especialistas buscam diferenciar o diagnóstico de diversas maneiras, como por exemplo
realizando um questionário minucioso do histórico do paciente, verificando os sintomas
(se ele se queixa de dispnéia, tosse ou sibilância) e sua duração, fazendo uma análise de
radiografias prévias, entre outros [1]. Testes de função pulmonar e relacionados devem ser
feitos para certificar-se de que os sintomas não são de outras condições como a insuficiência
cardíaca congestiva [8].
A imagem de CT é um instrumento importante para auxiliar no diagnóstico
de doenças intersticiais pulmonares devido a uma característica importante que é sua
Capítulo 2. Conceitos básicos 18
capacidade de prover uma melhor avaliação da distribuição e da extensão de inflamação e

fibrose existentes em um caso [3]. A figura a seguir (Fig. 2.1) mostra exemplos de imagens
de CT de tórax que apresentam diferentes características: fatias com tecido pulmonar
considerado saudável, tecido com inflamação (que causa o chamado efeito vidro fosco
na imagem) e tecido com fibrose (conhecido como efeito colméia ou faveolamento). Os
tecidos lesionados se concentram nas bordas dos pulmões como manchas mais claras, o
que faz com que os níveis de cinza entre o que pertence e o que não pertence ao pulmão
se confundam.
Figura 2.1 – Exemplo de images de CT do tórax com tecido saudável (à esquerda), com
inflamação (ao centro) e com fibrose (à direita)
2.2 Análise e acompanhamento de lesões de pulmão por

computador
É possível encontrar diversos artigos na literatura sobre segmentação dos pulmões
e segmentação de lesões de pulmão em imagens de tomografia computadorizada. No
trabalho de Hu et al. [9], um dos primeiros encontrados na área de segmentação de
pulmão, utilizou-se limiarização, seleção de componentes com volume maior que 1% do
volume total, segmentação de vias aéreas, separação dos pulmões direito e esquerdo
e suavização para encontrar os pulmões em 24 volumes de 8 sujeitos normais (ou
saudáveis). Ao comparar com resultados obtidos por análise manual, onde 2 especialistas
traçaram manualmente as bordas dos pulmões direito e esquerdo a cada 5 fatias de cada
volume, entre todos os volumes obteve-se a diferença quadrática média entre o resultado
automático e o manual de 0,8 pixels (0,54mm).
Um desafio, porém, é quando os pulmões dos sujeitos analisados estão acometidos
por lesões: a aplicação de um método de segmentação simples (por limiar ou threshold)
geralmente acaba deixando de fora do resultado da segmentação elementos importantes do
pulmão [4]. A Fig. 2.2 ilustra uma segmentação por limiarização em uma fatia acometida
por lesões, onde é possível visualizar a borda do pulmão lesionado irregular no resultado
da segmentação.
Figura 2.2 – Exemplo de aplicação de método de segmentação por limiar em uma fatia
de pulmão acometida por lesões nas bordas: (a) imagem original, (b) limiarização
Outros trabalhos encontrados na literatura buscam formas de resolver essa questão

da segmentação de pulmões quando estes estão acometidos por lesões, como Hua et
al. [10] e Wang et al. [11], que propuseram a extração de características de textura
buscando melhorar uma segmentação simples por limiar. A proposta de Hua et al. usou 15
volumes contendo tecidos com diversos tipos de lesões. Utilizou informação das costelas
como pré-processamento e construiu uma estrutura baseada em grafos para terminar o
processo de segmentação, resultando em uma sensibilidade média de 0, 986 ± 0, 011 e uma
especificidade média de 0, 995±0, 003 ao comparar com o resultado obtido por um analista
de imagens que aplicou o método de Hu et al. [9] e corrigiu as bordas manualmente.
O tempo médio de execução para um volume foi reportado como sendo de 6 minutos,
porém os autores acreditam que esse tempo possa ser diminuído sem afetar a acurácia
dos resultados.
Já a proposta de Wang et al. [11] trabalhou com 31 volumes de casos normais
e 45 de casos anormais. Antes da limiarização e de aplicar a extração de características
de textura, utilizou um algoritmo para rotular componentes conexos 3D nas primeiras
30 fatias, conseguindo então a localização da traquéia. Esta foi utilizada como semente
para traçar as vias aéreas e removê-las para não interferir na segmentação dos pulmões.
Como resultado final obteve 96, 7% ± 2, 0% de sobreposição média ao comparar com as
imagens de referência geradas por um radiologista especialista, que escolheu 3 fatias de
cada volume para delinear manualmente os pulmões.
Mansoor et al. [12], por outro lado, adaptaram o algoritmo de segmentação de
imagens de conectividade fuzzy e utilizaram a localização das costelas para estimar
o volume dos pulmões em 400 imagens com doenças diversas. Caso encontrasse uma
diferença significativa entre o volume estimado e o resultado da segmentação, uma segunda
parte do processo seria executada, na qual características com base em textura seriam
usadas para identificar padrões anormais na imagem, para então inclui-las no resultado
da segmentação. Ao utilizar a segmentação manual feita por 2 observadores experientes
como padrão de referência, o método obteve dice de 0,95 e 0,96 quando comparado com
cada especialista. A abordagem de Sun et al. [13] também propôs detectar as costelas,
porém empregou sua localização na definição do active shape model (ASM) no exame
dos pulmões e utilizou 30 volumes contendo tecidos normais e anormais em pacientes
com câncer de pulmão. Obteve um coeficiente Dice médio de 0, 975 ± 0, 006 ao comparar
com imagens corrigidas por 2 especialistas que foram originalmente segmentadas por um
software comercial de análise de imagens de pulmão desenvolvido por VIDA Diagnostics,
Inc.
Já outras propostas utilizam um método semi-automático como a criação de
máscaras de segmentação ou modelos de referência para os pulmões: Sluimer et al. [14]
criaram uma máscara de referência na proposta de segmentação por registro e aplicou
em exames de 7 sujeitos variando entre saudáveis e alterações severas (obteve uma
acurácia média de 0, 95 ± 0, 04 ao comparar com a segmentação manual de 5 fatias
em cada volume de avaliação); Soliman et al. [15] empregaram o delineamento manual
das bordas das imagens de treinamento para criar um modelo a ser utilizado durante o
pré-processamento e testou em 20 volumes com diferentes tipos de lesões (para um sujeito
de teste obteve um dice de 0,916 ao comparar com o delineamento manual das bordas feito
por um especialista); Kuhnigk et al. [16] utilizaram a criação de máscaras de segmentação
para cada pulmão antes de realizar a segmentação vascular, calcular a transformada de
distância e usar a transformada de watershed para obter o resultado final em 24 volumes
incluindo 4 alterações diferentes no exame pulmonar (testes preliminares de repetibilidade
intra e inter-sujeito mostram similaridade de 99,5%).
Em se tratando de segmentação e/ou classificação de lesões de pulmão,
encontram-se na literatura diversas abordagens. Distinguir tecido lesionado de não
lesionado (ou saudável) foi tema de um outro trabalho de Sluimer et al. [17] que utilizaram
657 regiões de interesse (ROIs) de 116 conjuntos de dados. Um dos autores, com auxílio
de um especialista, utilizou o mouse para definir o centro dos ROIs circulares com 80 cm
de diâmetro. Foram extraídos atributos como média, desvio padrão, assimetria e kurtosis,
e realizou-se uma etapa de normalização e seleção de atributos. Quatro classificadores
diferentes foram testados com o método: linear, quadrático, máquina de vetores suporte
(SVM) e K-vizinhos mais próximos (KNN), sendo que este último teve performance um
pouco melhor que os outros. A área sob a curva ROC para o método automático foi
calculada como sendo 0,862, sendo que 2 especialistas obtiveram os valores de 0,877 e
0,893 cada um.
Em sua maioria, são encontrados na literatura trabalhos que além de diferenciar

tecido com lesão de tecido normal, também buscam diferenciar as lesões entre si. Os
projetos de Depeursinge et al. [18] e Song et al. [19] trabalham com cinco classes de
resultados possíveis em seu trabalho: normal, enfisema, vidro fosco, fibrose e micronódulos.
Depeursinge et al. [18] utilizaram 481 ROIs e extraíram wavelet frames, histograma dos
níveis de cinza e a percentagem de pixels de ar como atributos para o classificador KNN
(obtiveram uma acurácia geral de 92,5%, sendo 86,7% para efeito vidro fosco e 93,8%
para fibrose, ao comparar a anotação de radiologistas experientes numa interface GUI
em Java). Já Song et al. [19] trabalharam com 1458 ROIs anotados de 95 conjuntos de
dados e usaram intensidade dos pixels e novos atributos de textura desenvolvidos para seu
algoritmo probabilístico de classificação de patches, com base em um dicionário construído
para as imagens de referência (obtiveram taxas de verdadeiros positivos entre 80% e 88%
para cada classe).
Em contrapartida, a abordagem proposta por Anthimopoulos et al. [20] teve
como resultado a classificação do tecido pulmonar em sete classes: saudável, vidro fosco,
micronódulos, consolidação, reticulação, efeito colméia e uma combinação de vidro fosco
e reticulação. Utilizou-se como conjunto de dados 120 volumes de CT, de onde foram
manualmente extraídos 14696 patches nas imagens que serviram de entrada para um
classificador de redes neurais convolucionais (CNN). A acurácia média foi de 0,8561 ao
comparar com o traçado de polígonos realizado por radiologistas ao redor das lesões.
Além de propostas de segmentação dos pulmões e de segmentação e/ou
classificação de suas lesões como dois objetivos distintos, também são encontradas na
literatura abordagens que utilizam a segmentação dos pulmões como pré-processamento
para realizar uma segmentação e/ou classificação das lesões. Tolouee et al. [21] propuseram
uma segmentação por limiar, suavização, remoção do plano de fundo, preenchimento de
regiões e buracos da imagem e reconstrução das bordas; segmentação seguida de extração
de atributos de um banco de filtros que usam wavelet frames discretas e rotacionadas
para um classificador SVM de 4 classes distintas: normal, vidro fosco, efeito colméia e
reticulação. Utilizaram 340 fatias de 17 sujeitos (cerca de 20 fatias por sujeito). Não
foram reportadas métricas para segmentação dos pulmões e nem a localização das fatias,
porém uma validação cruzada com o método leave-one-out foi aplicada e obteve uma
acurácia geral multi-classe de 96,81% ao comparar com o contorno e classificação manual
realizados por um especialista, sendo que a classe que representou o efeito vidro fosco
foi a mais difícil de ser discriminada ao ser confundida pelo classificador com a de efeito
colméia e a reticular.
Outro trabalho que segue essa mesma linha é o de Xu et al. [22] que utilizou exames
de 20 sujeitos para realizar a segmentação dos pulmões, a segmentação das bordas (que
é uma segmentação dos contornos), a extração de 24 características volumétricas (que
incluem atributos estatísticos, como características de primeira ordem, comprimento de

corrida e características de co-ocorrência; atributos fractais e do histograma em níveis de
cinza) para alimentar dois classificadores: SVM e Bayesiano. Ambos classificam os dados
em cinco classes distintas: normal não fumante, normal fumante, enfisema, vidro fosco e
efeito colméia. Não há menção sobre detalhes do método de segmentação original ou de
seus resultados, porém no classificador SVM obteve uma acurácia geral na classificação
das lesões de 83,8% e no Bayesiano de 86,2%.
Os trabalhos mencionados que realizam a segmentação dos pulmões utilizam
alguma localização anatômica como ponto de partida ou modelos previamente criados,
ou até uma máscara de segmentação. Já as propostas encontradas sobre segmentação
e/ou classificação das lesões intersticiais, tiveram ROIs ou patches extraídos manualmente
ou contruíram um dicionário para ter imagens de referência como base. Este trabalho
apresentado nesta dissertação buscou realizar a segmentação dos pulmões e das lesões
de forma automática, sem interação humana e sem usar algum ponto de partida como
localização anatômica de outras estruturas ou modelos previamente definidos.
A Tabela 1 mostra uma visão geral de todas as abordagens mencionadas
juntamente com o método proposto neste trabalho.
Capítulo 2. Conceitos básicos
Tabela 1 – Abordagens encontradas na literatura sobre segmentação de pulmões e classificação de lesões em imagens de CT: bases de
dados utilizadas, métodos, padrões de referência e métricas calculadas
Artigo Objetivo Base de dados Métodos Padrão-ouro Métricas

Anthimopoulos Classificação 120 volumes (CT) CNN anotação de ROIs acurácia média 0.8561
et al. (2016) das lesões 14696 patches pelo especialista
7 classes
Depeursinge Classificação 481 ROIs wavelet frames anotação de ROIs acurácia geral de
et al. (2007) das lesões 5 classes histograma dos níveis de cinza e pelo especialista 92.5%; 86,7% vidro
percentagem de pixels de ar fosco; 93,8% fibrose
classificador KNN
Hu et al. Segmentação 24 volumes limiarização segmentação dos diferença quadrática
(2001) de pulmão 8 sujeitos normais seleção de componentes pulmões por média de 0,8 pixels
segmentação de vias aéreas especialista (0,54mm)
separação dos pulmões; suavização
Hua et al. Segmentação 15 volumes extração de características de textura especialista aplicou o sensibilidade:
(2011) de pulmão localização das costelas método de Hu et al. 0.986 ± 0.011,
construção de uma estrutura baseada (2001) e corrigiu as especificidade:
em grafos bordas manualmente 0.995 ± 0.003
Kuhnigk et Segmentação 24 volumes criação das máscaras sem padrão-ouro similaridade de
al. (2003) de pulmão 4 alterações segmentação vascular 99,5% nos testes
diferentes EDT; transformada Watershed de repetibilidade (intra
e inter-sujeito)
Mansoor et Segmentação 400 imagens segmentação de imagens de segmentação manual Dice: 0.95 e 0.96 para
al. (2014) de pulmão conectividade fuzzy de especialistas cada especialista
localização das costelas
características de textura
Sluimer et al. Classificação 116 imagens extração de atributos anotação de ROIs área sob a curva ROC
(2003) entre tecido 657 ROIs normalização pelo especialista de 0.862, sendo 0.877 e
lesionado circulares seleção de atributos 0.893 dos especialistas
e não definidos classificadores: linear, quadrático,
lesionado manualmente SVM, KNN
Sluimer et al. Segmentação 7 volumes segmentação por limiar baseado em segmentação manual acurácia média:
23
(2004) de pulmão 1 normal para regras por especialista convencional
referência segmentação por registro 0.94 ± 0.06; registro
6 para avaliação 0.95 ± 0.04
Capítulo 2. Conceitos básicos
Artigo Objetivo Base de dados Métodos Padrão-ouro Métricas
Soliman et al. Segmentação 20 volumes co-alinhamento do volume 3D no banco segmentação manual para um sujeito de
(2015) de pulmão de dados de forma por especialista teste: Dice 0.916
estimativa dos atributos do modelo
joint MGRF
segmentação
Song et al. Classificação 1458 ROIs extração de atributos anotação de ROIs taxas de verdadeiro
(2013) das lesões 95 imagens algoritmo probabilístico de pelo especialista positivo entre 80% e
5 classes classificação de patches 88% para cada classe
dicionário
Sun et al. Segmentação 30 volumes detecção e localização das costelas software para Dice médio 0.975 ±
(2011) de pulmão active shape model (ASM) segmentação, 0.006
correção por 2
especialistas
Tolouee et al. Segmentação 17 sujeitos segmentação por limiar especialista validação cruzada com
(2008) de pulmão 340 fatias suavização; remoção do fundo contornou as o método leave-one-
classificação 4 classes preenchimento de regiões patologias e out; acurácia geral
das lesões reconstrução das bordas classificou multi-classe de 96,81%
extração de atributos; SVM
Wang et al. Segmentação 31 volumes de localização da traquéia segmentação manual sobreposição média de
(2009) de pulmão casos normais identificação e eliminação das vias por especialista 96, 7% ± 2, 0%
45 de casos aéreas; threshold
anormais matriz de concorrência
combinação dos pulmões iniciais com
regiões anormais
Xu et al. Segmentação 20 sujeitos segmentação dos pulmões anotação de VOIs acurácia Bayesiano
(2006) de pulmão 5 classes segmentação das bordas pelo especialista 86.2%, SVM 83.8%
classificação extração de 24 características
das lesões volumétricas; SVM e Bayesiano
Abordagem Segmentação Segmentação pré-processamento (morfologia) segmentação manual segmentação dos
proposta de pulmões dos pulmões: construção da max-tree por especialista pulmões: Dice médio
segmentação 630 fatias de 14 filtragem da max-tree de 98%. Segmentação
das lesões sujeitos. extração dos atributos das lesões: Dice médio
24
Segmentação das Random Forest e SVM de 62% para as fatias
lesões: 360 fatias transformada Watershed com área maior de
de 6 sujeitos lesões
25
3 Fundamentação teórica
Entre os conceitos principais utilizados durante o desenvolvimento dos métodos de

segmentação automática dos pulmões e das lesões estão: a max-tree, o filtro morfológico
de reconstrução, os atributos gradiente morfológico, local binary pattern e transformada de
distância Euclidiana, além da transformada de Watershed. Cada um deles é apresentado
brevemente a seguir.
3.1 Max-tree
A max-tree é uma estrutura que procura representar todos os componentes conexos
de todos os limiares (thresholds) possíveis de uma imagem [23]. Componentes conexos são
formados quando pixels se conectam a seus vizinhos formando um conjunto dependendo
do tipo de conectividade escolhida, geralmente podendo ser de 4, 6 ou 8 [24].
3.1.1 Construção da max-tree

A construção da max-tree inicia-se pela definição do conjunto de pixels do plano
de fundo e este se torna um nó da árvore. Então o conjunto de pixels complementares
(que não pertencem ao plano de fundo) formam componentes conexos e se tornam nós
filhos temporários (para serem posteriormente analisados). Este processo repete-se para
cada limiar [23] (Fig. 3.1).
Existem na literatura diversas formas de representar a max-tree de uma imagem
(Fig. 3.2): seus componentes conexos, o grafo da max-tree e o dendograma, que facilitam
o entendimento do conceito de filtragem muito comumente utilizado nessa estrutura.
Além de estruturar os pixels de forma a facilitar o processo de filtragem, a max-tree
tem a vantagem de implementar os operadores de componentes conexos de maneira
eficiente [23], o que faz com que possa ser utilizada em diversas aplicações como ferramenta
de visualização interativa [25, 26], segmentação de imagens, além de implementar de
forma eficaz diversos filtros, como o de simplificação máxima [27]. A Fig. 3.3 mostra
um exemplo da max-tree para uma imagem de ressonância magnética do cérebro. A
max-tree construída para a imagem do cérebro é explorada através de uma ferramenta de
visualização interativa.
Capítulo 3. Fundamentação teórica 26
Figura 3.1 – Exemplo de construção da max-tree (fonte: [23]). No alto: imagem original
com 7 zonas planas e 3 níveis de cinza. Em baixo: processo de construção da árvore; limiar
h=1 (esquerda), limiar h=2 (ao centro); limiar h=3 (esquerda).
(a) (b) (c)
(d) (e)
Figura 3.2 – Exemplo de representações da max-tree (fonte: [28]): (a) imagem original,
(b) visualização dos componentes conexos, (c) visualização dos componentes conexos
dentro de seus retângulos mínimos, (d) grafo da max-tree e (e) dendrograma.
Figura 3.3 – Exemplo da max-tree para uma imagem de ressonância magnética. No

canto inferior à esquerda encontra-se a imagem de entrada. O dendrograma representa
a max-tree simplificada, onde os circulos são nós da max-tree. São mostrados alguns
componentes conexos e os respectivos nós que os representam. (fonte: [29]).
3.1.2 Filtragem da max-tree

A max-tree representa uma imagem através do relacionamento hierárquico dos
seus componentes conexos. Filtrá-la significa analisar cada nó utilizando algum critério
determinado e tomar a decisão de remover ou não o ramo ou o nó com base no resultado
da análise [23]. Com o processo de filtragem da max-tree, a imagem representada por ela
também é filtrada, o que facilita processos como segmentação, suavização ou remoção de
objetos indesejados. A partir da nova representação mais simplificada da max-tree (agora
composta por menos nós), a imagem filtrada pode ser reconstruída.
Existem duas classes de abordagens para filtrar a max-tree: a poda e a
não-poda [26]. Nas abordagens de não-poda, os filhos do nó removido passam a ser filhos
do pai dele. A regra mais comumente utilizada para filtrar a max-tree é chamada de regra
direta (Fig. 3.4). É uma estratégia de não-poda, onde os pixels do nó a ser removido
são fundidos com seu parente mais próximo e a max-tree filtrada é um sub-conjunto da
max-tree original [25].
Já as estratégias de poda removem todos os descendentes de um nó, se este
for escolhido para ser removido (Fig. 3.5). Nesta abordagem, a topologia da árvore
geralmente acaba sendo modificada, pois ocorre limiarização de atributos crescentes, como
por exemplo, a área [29].
Figura 3.4 – Exemplo de aplicação da regra direta na max-tree (adaptado de

Tavares [28]): (a) imagem original, (b) visualização dos componentes conexos, (c) escolha
do nó (em verde) para remoção, (d) ilustração do componente conexo do nó a ser removido,
(e) imagem após a remoção do nó, (f) nova visualização dos componentes conexos, (g)
resultado visualizado no dendrograma.
Figura 3.5 – Exemplo de aplicação da estratégia de poda na max-tree (adaptado de

Tavares [28]): (a) imagem original, (b) visualização dos componentes conexos, (c) escolha
dos nós (em verde) para remoção, (d) ilustração do componente conexo do ramo sendo
removido, (e) imagem após a remoção dos nós, (f) nova visualização dos componentes
conexos, (g) resultado visualizado no dendrograma onde é possível visualizar a remoção
completa do ramo.
Um exemplo de filtro que utiliza a estratégia de poda é o filtro de extinção. Os

valores de extinção são uma medida de persistência dos extremos regionais, muito úteis
para distinguir os máximos importantes dos ruídos na imagem [30]. O filtro de extinção,
portanto, preserva os máximos da imagem ao mesmo tempo que reduz a quantidade
de nós da árvore, pois permanecem apenas os ramos com os nós mais relevantes (Fig.
3.6). Os atributos mais comumente utilizados como valores de extinção para auxiliar na
identificação das folhas mais relevantes são a altura, a área e o volume [27]. Um exemplo
de aplicação do filtro de extinção em uma imagem de ressonância magnética do cérebro
pode ser vista na Fig. 3.7.
(a) (b) (c)
Figura 3.6 – Ilustração do filtro de extinção onde cada nó é representado pela notação
identificação:valor de extinção (adaptado de Tavares [28]): (a) max-tree onde 3 as folhas
com os maiores valores de extinção estão em amarelo, (b) max-tree identificando em verde
os nós a serem preservados, (c) resultado da aplicação do filtro.
(a) (b)
Figura 3.7 – Exemplo de aplicação do filtro de extinção (fonte: [29]): (a) imagem original,
(b) imagem simplificada após a aplicação do filtro de extinção utilizando área como
atributo e preservando 8 folhas.
3.2 Morfologia matemática

Entre os conceitos da morfologia matemática utilizados neste trabalho estão o filtro
de reconstrução, o gradiente morfológico e a transformada de Watershed.
3.2.1 Filtro de reconstrução

O filtro de reconstrução alterna de forma sequencial os filtros de abertura e de
fechamento por reconstrução, caracterizados por um elemento estruturante durante um
determinado número de iterações [31].
A abertura por reconstrução, diferente da abertura morfológica, faz com que todas
as estruturas da imagem que não contêm o elemento estruturante sejam removidas, porém
as outras permanecem inalteradas (como mostra o exemplo da Fig. 3.8). Já o fechamento
por reconstrução é definido por sua dualidade. Alternar os dois filtros é considerada uma
boa solução para as situações em que a imagem contém estruturas com ruídos em uma
grande variedade de tamanhos [32].
(a) (b) (c)
Figura 3.8 – Exemplo do filtro de abertura por reconstrução (fonte: [31]): (a) imagem
original, (b) abertura com elemento estruturante de disco de raio 2, (c) imagem
reconstruída.
3.2.2 Gradiente morfológico

A morfologia matemática possui duas operações básicas: a dilatação e a erosão [33].
A dilatação tende a expandir os objetos mais claros e deixar a imagem resultante mais
clara (níveis de cinza mais elevados) enquanto a erosão tem a tendência de contrair os
objetos mais claros e deixar a imagem mais escura (níveis de cinza mais baixos) [34].
Por meio dessas duas operações é possível desenvolver diversas outras como por exemplo
abertura, fechamento e gradiente.
O Gradiente Morfológico pode ser calculado como:
g = (𝑓 ⊕ 𝑏) − (𝑓 Θ𝑏) (3.1)
onde ⊕ representa uma dilatação e Θ uma erosão por um elemento estruturante 𝑏. Há dois
outros tipos de gradientes: gradiente morfológico interno (Eq. 3.2) e gradiente morfológico
externo (Eq. 3.3).
g = 𝑓 − (𝑓 Θ𝑏) (3.2)
g = (𝑓 ⊕ 𝑏) − 𝑓 (3.3)
Os gradientes morfológicos interno e externo são normalmente mais finos que o

morfológico, porém estão localizados dos lados interno ou externo da borda. Já o gradiente
morfológico localiza-se em cima do contorno. O processo destaca as transições entre os
níveis de cinza, o que possibilita um realce de borda e por isso é um ótimo atributo
quando se trata de detecção de bordas e de segmentação. A Fig. 3.9 mostra uma imagem
de exemplo e o resultado do cálculo dos gradientes interno, externo e morfológico.
3.2.3 A transformada Watershed

A transformada Watershed é uma técnica de segmentação pertencente ao campo da
morfologia matemática. Ela foi inspirada na divisão de superfícies em bacias hidrográficas,
tendo diversas formas de definição e de algoritmos. Em resumo, considerando que uma gota
de água, seguindo o gradiente da imagem, flui ao longo de um caminho até, finalmente,
atingir um mínimo local, as linhas geradas pela transformação separam os pontos da
imagem de acordo com os mínimos locais comuns [35].
Existem várias abordagens para usar a Transformada Watershed, no entanto, a
escolhida para esse projeto foi o Watershed por marcadores [36]. Marcadores internos
são definidos como ponto de partida para a inundação e marcadores externos criam uma
barreira para definir o plano de fundo do(s) objeto(s) de interesse e evitar uma super
segmentação (uma quantidade exagerada de regiões encontradas), como ilustrado na Fig.
3.10.
(a) (b)
(c) (d)
Figura 3.9 – Exemplo de gradientes morfológicos (fonte: [6]). (a) imagem original,
(b) gradiente morfológico interno, (c) gradiente morfológico externo, (d) gradiente
morfológico.
Figura 3.10 – Exemplo de aplicação da transformada Watershed por marcadores

(fonte: [6]): (a) o gradiente sobreposto com dois marcadores, um interno e outro externo
ao objeto, (b) a linha do Watershed, e (c) o resultado da segmentação.
3.3 Local Binary Pattern

Local Binary Pattern (LBP) é um poderoso descritor de textura considerado
invariante à iluminação e que leva em consideração os valores de intensidade de seus
vizinhos. Como a relação entre os pixels diminui com a distância, geralmente utiliza-se
uma vizinhança bem próxima para o cálculo do atributo [37].
Basicamente, para cada pixel, compara-se o pixel central com seus 8 vizinhos. Se
o valor do pixel é maior do que o de seu vizinho, recebe o valor 1, senão o valor recebido
é 0 e o resultado final é um número binário [38]. A Fig. 3.11 ilustra visualmente o passo
a passo desse algoritmo.
Figura 3.11 – O operador básico LBP: (a) imagem original, (b) zoom mostrando 9
pixels da imagem, (c) valores de intensidade de cada pixel (d) onde aplica-se um limiar
com base no pixel central, gerando como resultado um valor binário ou decimal (adaptado
de Ahonen et al. [39]).
Por ser eficiente e simples em termos de recursos computacionais, se tornou uma

abordagem popular em diversas aplicações, incluindo análise de textura, computação
visual, reconhecimento de faces, entre outras. Algumas dessas aplicações utilizam os
atributos LBP de todos os pixels e geram um histograma, o que é muito útil quando
se quer obter uma visão geral da textura da imagem. Este atributo também serviu como
base para criação de diversas variantes, como por exemplo center-symmetric local binary
patterns (CS-LBP) [37], over-complete local binary patterns (OCLBP) [40] e transition
local binary patterns (tLBP) [41].
3.4 Transformada de distância Euclidiana

Transformada de distância é a transformação que associa, para cada pixel da
imagem, o valor de distância segundo uma função escolhida ao pixel de obstáculo
(geralmente um pixel de borda ou de fundo) mais próximo. É um operador que tem
uma aplicabilidade variada, desde análise de formatos, reconhecimento de padrões até
obtenção de esqueletos nas imagens analisadas (ou esqueletonização) [42].
Uma função de distância bem popular é a Euclidiana, que calcula a distância entre
dois pontos como sendo uma linha reta no espaço Euclidiano [43]:
√︁
d𝑖𝑠𝑡 = (𝑥2 − 𝑥1 )2 + (𝑦2 − 𝑦1 )2 (3.4)
A Fig. 6.6 mostra um exemplo de imagem binária e o resultado após o cálculo da

transformada de distância Euclidiana.
(a) (b)
Figura 3.12 – A imagem original (a) e o resultado após o cálculo da transformada de

distância Euclidiana (b). As linhas de iso-contorno ilustram os diferentes valores obtidos
pela transformada ao longo da imagem. (fonte: [6]).
Mesmo que a função de distância Euclidiana seja a mais conhecida, outras funções
de distância para o cálculo da transformada de distância também podem ser encontradas
na literatura, como por exemplo a de Manhattan (ou city block) e a de Chebychev (ou
chessboard).
35
4 Segmentação de pulmões em imagens de

CT
O método automático proposto para segmentação de pulmões em imagens de CT é

composto por diversos passos, entre eles: pré-processamento, onde é realizada a negação da
imagem e aplicação do filtro de reconstrução; a construção da max-tree e sua simplificação
através do filtro de extinção; e o uso dos critérios para escolha dos nós para representar
os dois pulmões. Os passos e sua ordem de execução podem ser vistos no fluxograma a
seguir (Fig. 4.1):
Figura 4.1 – Principais etapas do método automático proposto de segmentação dos

pulmões
As seções a seguir apresentam o método com a configuração final, em termos de

atributos escolhidos e parâmetros. Uma discussão mais detalhada sobre essa escolha será
apresentada no capítulo 6.
4.1 Pré-processamento
Como o pulmão é essencialmente uma bolsa de ar, ele aparece como região escura
em cada fatia da imagem de CT, então a primeira etapa do pré-processamento é a negação
da imagem. Com a imagem negada, há uma inversão na escala de cinza, o que pode facilitar
a discriminação do objeto de interesse em determinadas imagens médicas.
A imagem negada passa então por um filtro de reconstrução, com o objetivo de
suavizar os tons de cinza na imagem e cujos parâmetros utilizados foram um elemento
estruturante 3 × 3 (box) e o número de iterações escolhido foi 8.
A Fig. 4.2 mostra os resultados dos experimentos com o filtro de reconstrução em
uma fatia, onde é possível visualizar que após 8 iterações a imagem ficou mais suavizada
na borda inferior esquerda do que com 2 ou 4.
Capítulo 4. Segmentação de pulmões em imagens de CT 36
(a) (b)
(c) (d)
Figura 4.2 – Resultados da negação da imagem original (a) e da aplicação do filtro de

reconstrução após (b) 2 iterações, (c) 4 iterações e (d) 8 iterações.
4.2 Construção e simplificação da max-tree

A abordagem de segmentação proposta baseia-se na max-tree. Após a construção
da max-tree (com elemento estruturante 3x3) utiliza-se o filtro de extinção, tendo a área
como critério e onde a quantidade de folhas a serem mantidas ficou definida como 6. Na
árvore resultante é escolhido o sexto nó de cada sub-ramo. O resultado dessa etapa para
a fatia mostrada anteriormente é ilustrado na Fig. 4.3: originalmente, a max-tree criada
tinha 260 nós (se não houvesse a etapa de pré-processamento, ela teria sido construída
com 39821 nós); após o filtro de extinção esse número foi reduzido para 250 para a imagem
de exemplo.
Figura 4.3 – Resultado após filtragem da max-tree: (a) após aplicar o filtro de extinção
e (b) após a escolha do nó para representar o sub-ramo.
Depois de ocorrida a redução da quantidade de sub-ramos da max-tree pelo filtro

de extinção, os nós restantes foram analisados e observou-se que manter apenas até o
sexto nó do sub-ramo era suficiente para representar as características importantes da
imagem de interesse. Realizou-se então a poda do ramo para remover os nós excedentes
(a partir do sétimo nó), simplificando ainda mais a max-tree. A max-tree final da imagem
de exemplo, com 12 nós após a escolha do nó de cada sub-ramo, é mostrada na Fig. 4.4.
Figura 4.4 – Max-tree após a aplicação do filtro de extinção e da escolha do nó

4.3 Segmentação dos pulmões

A etapa seguinte é a segmentação propriamente dita, que se resume à identificação
correta dos 2 nós na max-tree simplificada que correspondem respectivamente a cada um
dos pulmões. Os critérios utilizados foram a área do componente conexo combinada com
a retangularidade do mesmo. Ambos os critérios foram definidos levando em consideração
o formato dos objetos que estão sendo procurados, informação obtida anteriormente à
realização do processo.
Foram escolhidos, portanto, aqueles nós cuja área está entre 10000 e 43000 e cuja
razão da altura sobre a largura seja maior que 1. A Fig. 4.5 mostra que o critério escolhido
permite que se obtenha os 2 nós referentes aos pulmões esquerdo e direito. Além disso,
devido às filtragens realizadas durante o pré-processamento, verifica-se o bom resultado
da segmentação dos pulmões de uma fatia que apresenta lesões nas bordas, uma vez que
as lesões não foram excluídas da segmentação.
Figura 4.5 – Exemplo de resultado final da segmentação dos pulmões. Neste exemplo, é
possível perceber que a segmentação resultante não excluiu as lesões presentes nas bordas
dos pulmão.
39
5 Segmentação de lesões em pulmão
O método automático proposto para segmentação de lesões em pulmão é composto

pelas seguintes etapas: extração de atributos, onde cada um dos sete atributos são
extraídos de cada fatia e normalizados, a segmentação das lesões, onde apenas os
pixels pertencentes aos pulmões são dados como entrada para um classificador, e o
pós-processamento. No fluxograma a seguir é possível visualizar cada etapa do processo
(Fig. 5.1):
Figura 5.1 – Diagrama das etapas que compõem o método automático proposto de
segmentação das lesões
As seções a seguir apresentam o método de segmentação das lesões com a

configuração final. Uma discussão mais detalhada sobre a escolha dos atributos e
parâmetros será apresentada no capítulo 6.
5.1 Extração dos atributos

Uma vez segmentados os pulmões, buscou-se atributos que poderiam de alguma
forma enfatizar o fato das lesões aparecerem nas imagens de CT como manchas mais
claras e de sua localização ser próxima às bordas dos pulmões. Com isso em mente, foram
escolhidos os atributos de intensidade do pixel, a intensidade do pixel da fatia anterior e
da fatia posterior, o gradiente morfológico, o descritor de textura LBP, a transformada
de distância Euclidiana com base na imagem original (não segmentada) e a transformada
de distância Euclidiana com base na imagem dos pulmões segmentados.
A intensidade dos pixels da fatia sendo analisada, da fatia anterior e da fatia
posterior foram consideradas como bons atributos para auxiliar o classificador a diferenciar
Capítulo 5. Segmentação de lesões em pulmão 40
pontos claros (lesões) dos pontos escuros da imagem (resto do pulmão). O mesmo
propósito teve o atributo gradiente morfológico, para evidenciar as transições nos níveis
de cinza e separar as regiões claras das escuras.
Já o LBP foi escolhido para poder ajudar a diferenciar as texturas do tecido
lesionado do não lesionado. E finalmente, por enfatizar a distância entre os pixels e as
bordas da imagem, acredita-se que a transformada de distância Euclidiana seja um ótimo
atributo já que as lesões se concentram em regiões próximas às bordas dos pulmões.
Este atributo foi utilizado com o resultado da segmentação dos pulmões e com a imagem
original, totalizando 7 atributos (Fig. 5.2).
(a) (b) (c)
(d) (e)
Figura 5.2 – Ilustração da extração de atributos para uma fatia de CT de pulmão:

(a) intensidade dos pixels dos pulmões segmentados, (b) LBP, (c) gradiente morfológico,
(d) transformada de distância Euclidiana para a imagem dos pulmões segmentados, (e)
transformada de distância Euclidiana para a imagem original
Durante a extração dos atributos, foram utilizados apenas os atributos dos pixels
pertencentes aos pulmões (os pixels são comparados com o resultado da etapa de
segmentação). Os atributos foram então normalizados entre 0 e 1 para que os dados
ficassem igualmente distribuídos de forma a balancear os valores e fazer com cada atributo
tivesse a mesma importância durante o processo. Para isso, foram calculados os valores de
média e desvio padrão sobre os atributos do conjunto de treinamento. Esses valores foram
também armazenados para posteriormente aplicar a mesma transformação nos atributos
do conjunto de teste.
5.2 Segmentação das lesões

A segmentação das lesões é realizada por um classificador por pixel, que é treinado
com amostras rotuladas. Após terminado o treinamento, ele classifica amostras não
conhecidas entre duas classes distintas: lesão e não lesão. As amostras rotuladas foram
geradas sob a supervisão de um especialista.
Os classificadores considerados foram o Random Forest, que se baseia em árvores de
decisão para classificação de novos objetos [44], e o Support Vector Machines (SVM), que
durante o treinamento mapeia as entradas no espaço multidimensional para encontrar um
hiperplano que melhor separa duas classes de entradas. Esse hiperplano é então utilizado
como base para classificar entradas novas [45].
A Fig. 5.3 mostra as etapas do processo de uma das fatias utilizadas para teste: a
segmentação dos pulmões e a segmentação das lesões utilizando o classificador Random
Forest. Também é mostrada a segmentação manual das lesões para fim de comparação
com o que é feito atualmente pelos especialistas.
5.3 Pós-processamento
Após o resultado obtido pelo classificador, é necessário um pós-processamento
para transformar conjuntos de pixels isolados classificados como lesões em um ou mais
componentes conexos. Utilizou-se, então, a transformada Watershed.
Como entrada para o Watershed utiliza-se o gradiente de Sobel da imagem original
já suavizada com o filtro de reconstrução após 8 iterações. O resultado obtido com o
classificador foi utilizado como marcador interno, após passar por filtros de abertura e
fechamento de área: o filtro de abertura de área removeu componentes conexos com área
menor do que 3 e o filtro de fechamento de área removeu componentes conexos do plano
de fundo com área menor do que 2. O gradiente morfológico externo foi usado como
marcador externo.
(a) (b) (c)
(d) (e)
Figura 5.3 – Resultado da segmentação das lesões: (a) fatia original, (b)
pulmões segmentados automaticamente, (c) lesões segmentadas manualmente, (d) lesões
segmentadas automaticamente, (e) lesões segmentadas automaticamente sobrepostas à
fatia original.
Da saída da transformada Watershed foram removidos componentes conexos com

área superior a 850 pixels. O resultado do pós-processamento para uma fatia de teste é
mostrado na Fig 5.4.
(a) (b)
(c) (d)
(e) (f)
Figura 5.4 – Resultado do pós processamento da segmentação das lesões: (a) fatia
original, (b) imagem de entrada, (c) marcadores internos e externos, (d) resultado da
transformada Watershed, (e) remoção dos objetos com área superior a 850 pixels e
resultado final do pós-processamento, (f) imagem usada como referência com lesões
segmentadas manualmente.
44
6 Resultados e discussões
Neste capítulo encontram-se a descrição de como foram realizados os experimentos,

bem como os resultados qualitativos e quantitativos obtidos pelos métodos de segmentação
propostos.
6.1 Experimentos
Os experimentos foram realizados no ambiente Adesssowiki, uma plataforma
colaborativa para estudos científicos e programação Python/C/C++ utilizada para
o ensino e a pesquisa de algoritmos de processamento de imagens [46]. Todo o
desenvolvimento foi feito em Python e foram usadas a biblioteca Numpy [47], a biblioteca
de morfologia matemática SDC Morphology Toolbox [48], a toolbox max-tree educativa
iamxt [46] e também a biblioteca scikit learn de aprendizado de máquina em Python [49],
além de funções implementadas durante o processo de criação do método.
Foram utilizadas nos experimentos imagens de CT do tórax no plano transversal
de pacientes de esclerose sistêmica. As imagens são no formato DICOM e foram obtidas
através de um scanner Aquilion da marca Toshiba, com resolução de 512 x 512 pixels
e fatias de 1.0 mm de espessura. Todos os pacientes foram informados e assinaram um
termo de consentimento livre e esclarecido aprovado pelo Comitê de Ética em Pesquisa
da FCM-UNICAMP (no CEP 114069/2015; CAAE: 50830315.3.0000.5404).
De cada um dos volumes adquiridos, para o processo de segmentação dos pulmões
foram selecionadas as fatias localizadas logo abaixo da carina e acima do fígado, já que as
lesões se localizam normalmente no lobo inferior do pulmão direito e nas porções centrais
de ambos os pulmões [50]. Já para o processo de segmentação das lesões, foram escolhidas
as fatias nesta mesma localização porém apenas as que continham lesões. Cada fatia foi
processada e segmentada individualmente.
6.2 Resultados
6.2.1 Segmentação dos pulmões
Os resultados de cada pulmão segmentado foram comparados com a segmentação
manual conduzida por um especialista com o auxílio de uma ferramenta de segmentação
interativa chamada Neuroline [51]. Como segmentação dos pulmões, o especialista definiu
que não incluiria a traquéia ou qualquer outra estrutura na região externa aos pulmões.
Capítulo 6. Resultados e discussões 45
O método apresentou uma média de tempo de execução de 3 minutos por sujeito

(dependendo da quantidade de fatias por sujeito e da velocidade de internet para conectar
à plataforma Adessowiki). Para fins de comparação entre os sujeitos, foram separadas 45
fatias acima do fígado para 14 sujeitos diferentes. As métricas utilizadas para comparação
dos resultados obtidos pelo novo método com os resultados da segmentação manual foram
sensibilidade, especificidade e coeficiente Dice [52] (Tab. 2 e Fig. 6.1).
Tabela 2 – Desempenho do método de segmentação automática dos pulmões para cada

sujeito, em comparação com a segmentação manual, no formato (média ± desvio padrão)
ID Sensibilidade Especificidade Dice

1 0, 985 ± 0, 010 0, 995 ± 0, 002 0, 984 ± 0, 005
2 0, 989 ± 0, 007 0, 994 ± 0, 002 0, 984 ± 0, 005
3 0, 972 ± 0, 015 0, 992 ± 0, 003 0, 968 ± 0, 011
4 0, 980 ± 0, 013 0, 995 ± 0, 002 0, 970 ± 0, 011
5 0, 991 ± 0, 013 0, 993 ± 0, 003 0, 982 ± 0, 010
6 0, 987 ± 0, 012 0, 996 ± 0, 003 0, 978 ± 0, 009
7 0, 978 ± 0, 013 0, 996 ± 0, 002 0, 977 ± 0, 009
8 0, 983 ± 0, 012 0,998 ± 0,003 0, 987 ± 0, 009
9 0, 982 ± 0, 012 0, 996 ± 0, 003 0, 980 ± 0, 009
10 0,995 ± 0,012 0, 993 ± 0, 003 0, 986 ± 0, 009
11 0, 984 ± 0, 012 0, 996 ± 0, 003 0, 982 ± 0, 009
12 0, 983 ± 0, 011 0, 990 ± 0, 003 0, 977 ± 0, 008
13 0, 985 ± 0, 011 0,998 ± 0,003 0,988 ± 0,009
14 0, 982 ± 0, 012 0, 996 ± 0, 003 0, 984 ± 0, 008
Tanto na tabela (Tab. 2) como no gráfico de caixa (Fig. 6.1) é possível visualizar
que o sujeito #3 é o que mais se distancia com relação aos valores numéricos dos outros
sujeitos. As imagens relativas a este sujeito apresentam lesões junto às bordas do pulmão
direito e algumas até adicionam estruturas não pertencentes aos pulmões como um
pedaço da traquéia (Fig. 6.2). Neste caso, o filtro de reconstrução utilizado na etapa
de pré-processamento não foi suficiente para garantir uma correta segmentação. O mesmo
pode ser observado em algumas fatias dos sujeitos #4 e #12. No geral, porém, o método
apresentou bons resultados, sendo que o menor valor de coeficiente Dice médio por sujeito
reportado foi de 0,968 e o maior chegando a 0,988, totalizando uma média geral de 0,98
para todos os sujeitos testados com desvio padrão de 0,008.
Figura 6.1 – Gráfico de caixa comparando os valores de coeficiente Dice de todas as 45

fatias para cada um dos sujeitos analisados.
Figura 6.2 – Fatia original do sujeito #3 (a), a segmentação manual (b) e segmentação
dos pulmões pelo método proposto (c), com a borda do pulmão direito irregular
Mesmo que uma comparação direta com outros métodos da literatura somente
seria possível se todos utilizassem a mesma base de dados, uma visão geral (Tab. 3)
mostra os resultados obtidos pelo método proposto quando colocado lado a lado com
outros trabalhos de segmentação dos pulmões em imagens de CT que também utilizaram
métricas de sensibilidade, especificidade e/ou coeficiente Dice.
Tabela 3 – Abordagens encontradas na literatura sobre segmentação de pulmões em

imagens de CT: bases de dados utilizadas, padrões de referência e métricas calculadas
(Sensibilidade, Especificidade e Dice)
Artigo Base de dados Referência S E D

Abordagem 14 volumes de CT Segmentação manual 0, 984 ± 0, 995 ± 0, 981 ±
proposta com 45 fatias cada com auxílio de 0, 005 0, 002 0, 008
que incluem normal, especialista
efeito colméia e
fibrose
Hua et al. 15 volumes de Comparação com 0, 986 ± 0, 995 ± N/A
(2011) [10] CT que incluem traçado manual 0, 011 0, 003
enfisema, fibrose,
efeito colméia e
nódulos
Mansoor et 400 volumes de CT Segmentação manual 0, 96 e 0, 92 0, 95 e
al. (2014) [12] de dois observadores 0, 97 0, 96
Sluimer et al. 7 volumes de CT de Segmentação manual 0, 92 ± 0, 96 ± N/A
(2004) [14] 7 pacientes diferentes em 5 fatias de cada 0, 14 0, 02
- 1 normal para volume de avaliação
referência, 6 para
avaliação
Soliman et al. 20 volumes de CT Contorno manual N/A N/A 0, 916
(2015) [15] com diferentes tipos das bordas do
de patologias pulmão feito por um
especialista
Sun et al. 30 volumes de CT om Software para N/A N/A 0, 975 ±
(2011) [13] 40 pulmões direitos segmentação, 0, 006
e esquerdos anormais correção por 2
(câncer) e 20 normais especialistas
Um trabalho contendo os resultados da abordagem de segmentação dos pulmões foi

apresentado no XXV Congresso Brasileiro de Engenharia Biomédica (CBEB 2016) [53].
6.2.2 Segmentação das lesões

Todas as amostras positivas (com lesão) e negativas (sem lesão) das fatias que
apresentaram alguma lesão foram utilizadas (15737308 pixels processados, sendo 1504250
de amostras positivas) durante o processo. Para a fase de treinamento utilizou-se 328
fatias de 5 sujeitos (variando de 52 até 85 fatias por sujeito). Para a fase de teste, foram
usadas 32 fatias de 1 sujeito com amostras desconhecidas para o classificador e sendo que
cerca de metade das fatias apresentou grande quantidade de lesões.
Entre os classificadores avaliados, o Random Forest obteve melhores resultados
que o SVM linear (Tab. 3 e Tab.4), principalmente ao acrescentar pesos às classes e
ao calibrar o classificador. O Random Forest conseguiu classificar corretamente 1513299
amostras, enquanto o SVM classificou corretamente 1307528 amostras. Atribuir diferentes
pesos às classes foi importante para este problema pois estas são bem desbalanceadas (ou
seja, a quantidade de pixels de não lesão, ou pixels pertencentes a regiões consideradas
normais, é bem maior do que a quantidade de pixels de lesão, ou pixels pertencentes a
regiões anormais). A calibragem associa probabilidades à saída do classificador, o que
auxilia na confiança do resultado ao evitar que o classificador tenha excesso ou falta de
certeza naquela resposta.
Tabela 4 – Matriz de confusão para o classificador Random Forest, onde N representa

os valores para pixels normais e L para os que apresentaram lesão
Valor Predito
N L
N 1484356 13775
Valor Real
L 96066 28943
Tabela 5 – Matriz de confusão para o classificador SVM, onde N representa os valores

para pixels normais e L para os que apresentaram lesão
Valor Predito
N L
N 1200124 298007
Valor Real
L 17605 107404
Apesar do SVM atribuir corretamente o rótulo de lesão para mais pixels que
o Random Forest, ele também atribuiu erroneamente este mesmo rótulo para uma
quantidade muito maior de pixels que não deveriam recebê-lo, mostrando que o
classificador SVM não conseguiu diferenciar os pixels com tanta certeza quanto o Random
Forest. Como se trata de uma classificação por pixel, é preferível um classificador que
saiba diferenciar bem entre os pixels pois, mesmo que retorne uma quantidade menor de
pixels com lesão, estes estão bem posicionados e podem ser usados como sementes para o
pós-processamento.
A partir da resposta do classificador, é fácil perceber a necessidade de uma

etapa de pós-processamento, com o objetivo de conectar as regiões desconexas dos pixels
classificados como lesão. Com isso em mente, foi aplicada a transformada Watershed,
onde o resultado do classificador foi utilizado como marcador interno, após ser aplicado
os filtros de abertura e fechamento de área.
Os resultados das lesões segmentadas também foram comparados com a
segmentação manual conduzida por um especialista com o auxílio da ferramenta
Neuroline [51]. As métricas utilizadas para comparação do novo método com o manual
foram sensibilidade, especificidade e coeficiente Dice. A Fig. 6.3 mostra as métricas
calculadas antes (em vermelho) e depois (em azul) do pós-processamento para todas as
fatias, onde também é possível ver a melhoria que este fez para o resultado da sensibilidade
do processo.
Figura 6.3 – Comparação das métricas calculadas antes (em vermelho) e depois (em
verde) do pós-processamento da segmentação das lesões para todas as fatias de teste: (a)
sensibilidade, (b) especificidade e (c) coeficiente Dice.
Para todas as 32 fatias do sujeito de teste, os valores médios de sensibilidade,

especificidade e coeficiente Dice foram 0.566 ± 0.14, 0.987 ± 0.007 e 0.474 ± 0.28
respectivamente. Das 32 fatias de teste, a metade delas que se encontra mais próxima
ao fígado apresentou grande área de tecido lesionado (devido ao fato desta localização
ter uma maior probabilidade de encontrar lesões [50]) e para essas os valores médios
de sensibilidade, especificidade e coeficiente Dice foram 0.629 ± 0.118, 0.992 ± 0.003 e
0.632 ± 0.057 respectivamente. A Fig 6.4 mostra a diferença dos coeficientes Dice antes
e depois do pós-processamento para todas as 32 fatias à esquerda e a mesma diferença,
porém para as 16 fatias com grande área de tecido lesionado, à direita.
Figura 6.4 – Comparação dos valores de coeficiente Dice antes e depois do

pós-processamento: à esquerda de todas as fatias e à direita das fatias com grande área
acometida por lesões
Entre os métodos encontrados na literatura, o trabalho de Sluimer et al. (2003) [17]

é o que mais se aproxima deste trabalho proposto, pois também teve como objetivo
distinguir tecido lesionado do não lesionado. Porém, há uma diferença fundamental:
enquanto o método proposto por Slumier et al. apenas classifica ROIs circulares
manualmente selecionados, o método aqui proposto realiza a classificação pixel a pixel,
identificando-os como parte ou não das lesões, o que é uma tarefa muito mais difícil.
Isto explica a diferença nos resultados obtidos, além do fato de terem sido calculados para
bases de dados diferentes: a área sob a curva ROC foi calculada como sendo 0, 775 ± 0, 069
para a classificação de pixels aqui proposta, em comparação com 0,862 para a classificação
de ROIs.
6.2.3 Performance
Nas imagens de CT, os diferentes níveis de cinza são importantes para prover
detalhes anatômicos dos pulmões [4], o que faz com que a alta resolução radiométrica
das imagens seja significativo ao se trabalhar com esse tipo de imagem. Também são
arquivos de alta resolução espacial (512x512 pixels), o que trouxe desafios de performance
durante a realização deste trabalho, causando erros de estouro de memória tanto no
ambiente Adessowiki como localmente. Foi também visando contornar estes problemas
que foi tomada a decisão de utilizar apenas as fatias entre a carina e o fígado ao invés
do pulmão completo. Além disso, o desempenho inferior do SVM com relação ao Random
Forest pode ser devido ao fato de não ter sido feito uma busca de hiperparâmetros (grid
search) por limitação computacional, testando assim apenas o SVM linear com parâmetro
C=1.0.
6.3 Análise da sensibilidade do método de segmentação dos

pulmões à escolha dos parâmetros
Durante a construção do método de segmentação automática dos pulmões, diversos
experimentos com diferentes parâmetros foram realizados em amostras representativas da
base de dados para identificar a sensibilidade do método a estes parâmetros.
6.3.1 Escolha do número de folhas para o filtro de extinção

No processo de segmentação dos pulmões, durante a simplificação da max-tree,
foi necessário definir a quantidade de folhas com maiores valores de extinção a serem
mantidas após a aplicação do filtro de extinção usando a área como atributo. Para isso
foram testados alguns valores para 5 fatias de um sujeito, como é possível visualizar na
Fig. 6.5: se for escolhido um valor muito pequeno, como 2, há o risco de perder informações
importantes e comprometer o resultado (o que é demonstrado nas fatias de exemplo, que
tiveram o coeficiente Dice abaixo com este valor do que com os outros).
Ficou definido como 6 o número de folhas a ser mantido após a aplicação do filtro
por ser um valor médio entre os testados que tiveram melhores resultados, o que aumenta
as chances de ser um valor adequado para outras fatias de outros sujeitos também.
Figura 6.5 – Comparação do coeficiente Dice calculado em 5 fatias de 1 sujeito para

escolha da quantidade de folhas a serem mantidas após a aplicação do filtro de extinção
na max-tree.
6.3.2 Escolha do nó da max-tree

Após a filtragem da max-tree, os nós restantes foram analisados e verificou-se
visualmente que não era necessário continuar com todos os nós para manter o essencial
da imagem de interesse, que apenas os nós do começo do ramo continham todo o pulmão
portanto era possível simplificar ainda mais a max-tree.
Para decidir a partir de qual nó ocorreria a poda da árvore, foi realizado um
teste com 5 fatias de 2 sujeitos para comparação quantitativa (Fig. 6.6). Ao comparar
o coeficiente Dice resultante entre os nós de 4 a 8, observou-se que, para a maioria das
fatias, após o sexto nó os valores do coeficiente Dice são relativamente mantidos, o que
possibilitou confirmar que a poda poderia ser feita depois do sexto nó sem causar a perda
de elementos importantes na imagem de interesse.
6.4 Análise da sensibilidade do método de segmentação das lesões

à escolha dos parâmetros
Assim como no método de segmentação dos pulmões, para o método de
segmentação das lesões também foram realizados diferentes experimentos em amostras
(a)
(b)
Figura 6.6 – Comparação do coeficiente Dice calculado para escolha do nó da max-tree a

ser mantido durante a filtragem da max-tree para sujeitos 1 e 2 ((a) e (b) respectivamente).
representativas da base de dados para identificar a sensibilidade do método à escolha de

seus parâmetros.
6.4.1 Escolha do número de iterações do filtro de reconstrução do pós-

processamento
Para definir o número de iterações do filtro de abertura e fechamento por
reconstrução que foi usado para suavizar a imagem original usada como parâmetro de
entrada, a transformada Watershed foi executada diversas vezes variando este número e
calculando o coeficiente Dice para cada um desses resultados, incluindo o caso de não
suavizar a imagem original.
A Fig. 6.7 mostra como utilizar o filtro de reconstrução causa uma leve melhora
no coeficiente Dice em 5 fatias distintas quando comparado com o não uso do filtro. Como
os diferentes valores deste parâmetro não causaram grande diferença no resultado final,
decidiu-se que seria utilizado o mesmo filtro que foi usado anteriormente no processo de
segmentação dos pulmões (8 iterações).
Figura 6.7 – Comparação do coeficiente Dice calculado para escolha do número de

iterações do filtro de reconstrução usado como parâmetro de entrada da transformada
Watershed.
6.4.2 Escolha do gradiente utilizado como entrada no pós-processamento

Após suavizar a imagem original da fatia do pulmão, foi calculado o gradiente para
servir como entrada para a transformada Watershed. Três gradientes foram considerados:
o morfológico, o de Sobel e o de Prewitt. Todos foram usados para as fatias de teste e
verificou-se que o de Sobel é o que retornou melhores resultados para o coeficiente Dice
para a maioria das fatias (Fig. 6.8).
Figura 6.8 – Comparação do coeficiente Dice calculado para escolha do gradiente

utilizado durante o processamento da imagem de entrada da transformada Watershed.
6.4.3 Escolha do tamanho de área para filtros de abertura e fechamento

O mesmo processo de executar a transformada Watershed diversas vezes foi
realizado variando os tamanhos de área para os filtros de abertura e fechamento de área
usados para definir os marcadores internos. Esses filtros foram aplicados no resultado
obtido pelo classificador Random Forest calibrado e com diferentes pesos para cada classe.
O coeficiente Dice foi calculado para diversos valores, incluindo o não uso desses
filtros, e verificou-se que os tamanhos de área de 3 para o filtro de abertura e de 2 para
o filtro de fechamento atingem os melhores resultados, apesar do método não se mostrar
muito sensível à variação destes parâmetros (Fig. 6.9).
Figura 6.9 – Comparação do coeficiente Dice calculado para escolha dos parâmetros dos
marcadores internos utilizados durante o pós-processamento. O eixo horizontal mostra as
diferentes variações do tamanho de área dos filtros de abertura e fechamento seguindo a
notação (área para abertura,área para fechamento) para 5 fatias distintas.
57
7 Conclusões
Durante a realização deste trabalho foi possível perceber que quando se trata de
pulmões a maior parte dos métodos encontrados na literatura trabalha com imagens de
sujeitos com câncer, doença que causa efeitos diferentes nas imagens de CT do que as
doenças intersticiais pulmonares. Devido ao aspecto geralmente pequeno e desconexo das
lesões intersticiais e de sua localização nas bordas, as propostas que funcionam para uma
doença costumam não funcionar para outra.
As principais contribuições deste trabalho foram a proposta de um método de
segmentação dos pulmões e um método de segmentação das lesões intersticiais, ambos
completamente automáticos. Os métodos propostos não necessitam de inicialização
ou interação por parte do especialista. O método de segmentação dos pulmões
foi desenvolvido para garantir uma correta segmentação mesmo quando os pulmões
apresentam lesões nas bordas. O segundo método, ao contrário da maior parte dos métodos
da literatura, não só detecta as lesões, como segmenta toda a região acometida.
O novo método automático proposto de segmentação dos pulmões em imagens de
CT utiliza um pré-processamento morfológico e a estrutura de dados max-tree para filtrar
as imagens e possibilitar que os pulmões direito e esquerdo sejam encontrados através da
escolha de nós da estrutura. O processo para algumas fatias, porém, ainda exclui alguns
pontos de lesão, principalmente nos casos para as lesões muito desconexas. Métricas como
sensibilidade, especificidade e coeficiente Dice foram calculadas e procurou-se compará-las
com outros métodos encontrados na literatura, o que mostrou a robustez do método
automático proposto. O tempo de execução do método também foi calculado e mostrou-se
rápido ao comparar com os trabalhos que relataram esta métrica.
A partir do resultado da segmentação automática dos pulmões, foi possível elaborar
um novo método de segmentação automática das diferentes lesões encontradas nos
pulmões. Foram 7 atributos extraídos das imagens: intensidade do pixel da fatia sendo
analisada, intensidade do pixel das fatias anterior e posterior, gradiente morfológico, LBP
e transformada de distância Euclidiana da imagem original e da imagem com os pulmões
segmentados. Estes atributos serviram como entrada para um classificador Random Forest
por pixel calibrado e com diferentes pesos atribuídos a duas possíveis saídas: se o pixel
pertencia a uma área de tecido lesionado ou não.
O resultado do classificador passou então por um pós-processamento com a
transformada Watershed com o objetivo de conectar regiões desconexas do classificador
por pixel. O gradiente de Sobel da imagem suavizada serviu como entrada para a
transformada, o resultado do classificador foi modificado através de filtros de abertura e
Capítulo 7. Conclusões 58
fechamento de área para então ser usado como marcador interno e o gradiente morfológico
externo da máscara de segmentação dos pulmões foi utilizado como marcador externo.
As métricas de sensibilidade, especificidade e coeficiente Dice foram calculadas para obter
resultados quantitativos, o que mostrou que o método obteve bons resultados, mesmo
apresentando uma limitação com lesões muito pequenas e principalmente quando elas se
apresentavam na parte superior dos pulmões.
Diversos parâmetros foram variados para testar quais teriam os melhores resultados
para o conjunto de testes, tanto no método de segmentação dos pulmões como no de
segmentação das lesões. Ambos os métodos se mostraram pouco sensíveis à variação dos
parâmetros, o que também demonstra a robustez das abordagens propostas.
7.1 Trabalhos futuros

Para melhorar ainda mais o método de segmentação dos pulmões, seria preciso
buscar novos filtros para a etapa de pré-processamento, procurando sempre garantir
que as lesões de borda não sejam excluídas. Realizar todo o processamento 3D também
pode auxiliar, pois informações de fatias vizinhas podem trazer resultados mais robustos.
Realizar uma segmentação da traquéia e dos vasos sanguíneos também poderia melhorar
os resultados obtidos.
Quanto ao processo de segmentação das lesões, conseguir um conjunto maior de
dados (e maior quantidade de sujeitos) para treinar o classificador com mais amostras
com certeza auxiliaria para aumentar a confiança do classificador. Porém, encontrar
formas de evitar problemas de performance também deve ser levado em consideração.
Uma nova abordagem possível seria trocar o classificador por pixel para um classificador
por regiões de interesse, que seria então trabalhado para receber menos amostras com mais
informações relevantes, o que possibilitaria a busca por mais amostras de treinamento e
teste para melhorar a acurácia dos resultados.
7.2 Apresentações e publicação

Uma comparação preliminar foi realizada em métodos para segmentação de pulmão
e o trabalho intitulado “Estudo comparativo de métodos de segmentação dos pulmões
utilizando imagens de tomografia” foi escrito e apresentado no VIII Encontro dos Alunos
e Docentes do Departamento de Engenharia de Computação e Automação Industrial
(EADCA 2016).
Capítulo 7. Conclusões 59
Os resultados obtidos com o método de segmentação dos pulmões foram

apresentados no XXV Congresso Brasileiro de Engenharia Biomédica (CBEB) - 2016
com o título “Método automático de segmentação dos pulmões em imagens de CT baseado
na max-tree”. O trabalho também foi publicado nos anais do evento [53].
60
Referências
[1] BALDI, B. G.; PEREIRA, C. A. Diretrizes de doenças pulmonares intersticiais da

sociedade brasileira de pneumologia e tisiologia. Jornal Brasileiro de Pneumologia, v. 38,
p. S1–S133, 2012.
[2] SAMARA, A. M. Esclerose sistêmica. Revista Brasileira de Reumatologia, v. 44, p.

09–10, 2004.
[3] MARTINEZ, J. A. B. Doenças intersticiais pulmonares. Revista Medicina da USP,

v. 31, p. 247–256, 1998.
[4] SLUIMER, I.; SCHILHAM, A.; PROKOP, M.; GINNEKEN, B. van. Computer
analysis of computed tomography scans of the lung: a survey. IEEE Transactions on
Medical Imaging, v. 25, n. 4, p. 385–405, April 2006. ISSN 0278-0062.
[5] MANSOOR, A.; BAGCI, U.; FOSTER, B.; XU, Z.; PAPADAKIS, G. Z.; FOLIO,
L. R.; UDUPA, J. K.; MOLLURA, D. J. Segmentation and image analysis of abnormal
lungs at ct: Current approaches, challenges, and future trends. RadioGraphics, v. 35,
n. 4, p. 1056–1076, 2015. PMID: 26172351.
[6] DOUGHERTY, E. R.; LOTUFO, R. A. Hands-on morphological image processing.

[S.l.]: SPIE Optical Engineering Press Washington, 2003. v. 71.
[7] VALERI, C. B. Doença Pulmonar Intersticial. Acesso em: 2017-01-10. Disponível

em: <http://www.medicinanet.com.br/conteudos/revisoes/2238/doenca_pulmonar_
intersticial.htm>.
[8] SOCKRIDER, M.; FAN, L.; GETTYS, A.; DETERDING, R.; HAGOOD, J.;
KURLAND, G.; MCDOUGAL, J. What is interstitial lung disease in children? American
Thoracic Society. Acesso em: 2017-01-21. Disponível em: <https://www.thoracic.org/
patients/patient-resources/resources/interstitial-lung-disease-in-children.pdf>.
[9] HU, S.; HOFFMAN, E. A.; REINHARDT, J. M. Automatic lung segmentation

for accurate quantitation of volumetric x-ray ct images. IEEE Transactions on Medical
Imaging, v. 20, n. 6, p. 490–498, June 2001. ISSN 0278-0062.
[10] HUA, P.; SONG, Q.; SONKA, M.; HOFFMAN, E. A.; REINHARDT, J. M.
Segmentation of pathological and diseased lung tissue in ct images using a graph-search
algorithm. In: 2011 IEEE International Symposium on Biomedical Imaging: From Nano
to Macro. [S.l.: s.n.], 2011. p. 2072–2075. ISSN 1945-7928.
[11] WANG, J.; LI, F.; LI, Q. Automated segmentation of lungs with severe interstitial
lung disease in ct. Medical Physics, v. 36, n. 10, p. 4592–4599, 2009.
[12] MANSOOR, A.; BAGCI, U.; XU, Z.; FOSTER, B.; OLIVIER, K. N.; ELINOFF,
J. M.; SUFFREDINI, A. F.; UDUPA, J. K.; MOLLURA, D. J. A generic approach to
pathological lung segmentation. IEEE Transactions on Medical Imaging, v. 33, n. 12, p.
2293–2310, Dec 2014. ISSN 0278-0062.
Referências 61
[13] SUN, S.; BAUER, C.; BEICHEL, R. Automated 3-d segmentation of lungs
with lung cancer in ct data using a novel robust active shape model approach. IEEE
Transactions on Medical Imaging, v. 31, n. 2, p. 449–460, Feb 2012. ISSN 0278-0062.
[14] SLUIMER, I. C.; NIEMEIJER, M.; GINNEKEN, B. van. Lung field segmentation
from thin-slice ct scans in presence of severe pathology. Proc. SPIE, v. 5370, p.
1447–1455, 2004.
[15] SOLIMAN, A.; ELNAKIB, A.; KHALIFA, F.; EL-GHAR, M. A.; EL-BAZ, A.
Segmentationof pathological lungs from ct chest images. In: Image Processing (ICIP),
2015 IEEE International Conference on. [S.l.: s.n.], 2015. p. 3655–3659.
[16] KUHNIGK, J.; HAHN, H.; HINDENNACH, M.; DICKEN, V.; KRASS, S.;
PEITGEN, H. Lung lobe segmentation by anatomy-guided 3d watershed transform.
Proc. SPIE, v. 5032, p. 1482–1490, 2003.
[17] SLUIMER, I. C.; WAES, P. F. van; VIERGEVER, M. A.; GINNEKEN, B. van.

Computer-aided diagnosis in high resolution ct of the lungs. Medical Physics, American
Association of Physicists in Medicine, v. 30, n. 12, p. 3081–3090, 2003. ISSN 2473-4209.
[18] DEPEURSINGE, A.; SAGE, D.; HIDKI, A.; PLATON, A.; POLETTI, P. A.;
UNSER, M.; MULLER, H. Lung tissue classification using wavelet frames. In: 2007
29th Annual International Conference of the IEEE Engineering in Medicine and Biology
Society. [S.l.: s.n.], 2007. p. 6259–6262. ISSN 1094-687X.
[19] SONG, Y.; CAI, W.; ZHOU, Y.; FENG, D. D. Feature-based image patch
approximation for lung tissue classification. IEEE Transactions on Medical Imaging,
v. 32, n. 4, p. 797–808, April 2013. ISSN 0278-0062.
[20] ANTHIMOPOULOS, M.; CHRISTODOULIDIS, S.; EBNER, L.; CHRISTE, A.;

MOUGIAKAKOU, S. Lung pattern classification for interstitial lung diseases using a
deep convolutional neural network. IEEE Transactions on Medical Imaging, v. 35, n. 5,
p. 1207–1216, May 2016. ISSN 0278-0062.
[21] TOLOUEE, A.; ABRISHAMI-MOGHADDAM, H.; GARNAVI, R.;

FOROUZANFAR, M.; GITI, M. Texture analysis in lung hrct images. In: 2008
Digital Image Computing: Techniques and Applications. [S.l.: s.n.], 2008. p. 305–311.
[22] XU, Y.; BEEK, E. J. R. van; HWANJO, Y.; GUO, J.; MCLENNAN, G.;
HOFFMAN, E. A. Computer-aided classification of interstitial lung diseases via mdct:
3d adaptive multiple feature method (3d amfm). Acad Radiol, v. 13, p. 969–78, 2006
Aug 2006. ISSN 1076-6332.
[23] SALEMBIER, P.; OLIVERAS, A.; GARRIDO, L. Anti-extensive connected

operators for image and sequence processing. IEEE Transactions on Image Processing,
1998.
[24] SALEMBIER, P.; SERRA, J. Flat zones filtering, connected operators, and filters
by reconstruction. IEEE Transactions on Image Processing, v. 4, n. 8, p. 1153–1160, Aug
1995. ISSN 1057-7149.
Referências 62
[25] TAVARES, L. A.; SOUZA, R. M.; RITTNER, L.; MACHADO, R. C.; LOTUFO,
R. A. Interactive max-tree visualization tool for image processing and analysis. In: 2015
International Conference on Image Processing Theory, Tools and Applications (IPTA).
[S.l.: s.n.], 2015. p. 119–124.
[26] WESTENBERG, M. A.; ROERDINK, J. B. T. M.; WILKINSON, M. H. F.

Volumetric attribute filtering and interactive visualization using the max-tree
representation. IEEE Transactions on Image Processing, v. 16, n. 12, p. 2943–2952, Dec
2007. ISSN 1057-7149.
[27] SOUZA, R.; RITTNER, L.; MACHADO, R.; LOTUFO, R. Maximal max-tree
simplification. In: Pattern Recognition (ICPR), 2014 22nd International Conference on.
[S.l.: s.n.], 2014. p. 3132–3137. ISSN 1051-4651.
[28] TAVARES, L. A. Ferramenta de visualização interativa da max-tree para

processamento e análise de imagens. 2016.
[29] SOUZA, R.; TAVARES, L.; RITTNER, L.; LOTUFO, R. An overview of

max-tree principles, algorithms and applications. In: CONFERENCE ON GRAPHICS,
PATTERNS AND IMAGES, 29. (SIBGRAPI), Oct. 4-7, 2016, São José dos Campos.
Proceedings... Porto Alegre: Sociedade Brasileira de Computação, 2016. Acesso em: 2017,
Jan. 26.
[30] VACHIER, C.; MEYER, F. Extinction value: a new measurement of persistence.

IEEE Workshop of Nonlinear Signal and Image Processing, 1995.
[31] VINCENT, L. Morphological grayscale reconstruction in image analysis:

applications and efficient algorithms. IEEE Transactions on Image Processing, v. 2, n. 2,
p. 176–201, Apr 1993. ISSN 1057-7149.
[32] SOILLE, P. Morphological Image Analysis: Principles and Applications. [S.l.]:

Springer-Verlag, 1999.
[33] HARALICK, R. M.; STERNBERG, S. R.; ZHUANG, X. Image analysis using

mathematical morphology. IEEE Transactions on Pattern Analysis and Machine
Intelligence, PAMI-9, n. 4, p. 532–550, July 1987. ISSN 0162-8828.
[34] GONZALEZ, R.; WOODS, R. Digital Image Processing. [S.l.]: Pearson Education,
2009. ISBN 9788131726952.
[35] ROERDINK, J. B.; MEIJSTER, A. The watershed transform: Definitions,

algorithms and parallelization strategies. Fundam. Inform., v. 41, n. 1-2, p. 187–228,
2000.
[36] KöRBES, A.; LOTUFO, R. d. A. Analysis of the watershed algorithms based on the
breadth-first and depth-first exploring methods. In: 2009 XXII Brazilian Symposium on
Computer Graphics and Image Processing. [S.l.: s.n.], 2009. p. 133–140. ISSN 1530-1834.
[37] HEIKKILä, M.; PIETIKäINEN, M.; SCHMID, C. Description of interest regions

with local binary patterns. Pattern Recognition, v. 42, n. 3, p. 425 – 436, 2009. ISSN
0031-3203.
Referências 63
[38] HE, D.; WANG, L. Texture unit, texture spectrum, and texture analysis. IEEE
Transactions on Geoscience and Remote Sensing, v. 28, n. 4, p. 509–512, Jul 1990. ISSN
0196-2892.
[39] AHONEN, T.; HADID, A.; PIETIKAINEN, M. Face description with local binary
patterns: Application to face recognition. IEEE Transactions on Pattern Analysis and
Machine Intelligence, v. 28, n. 12, p. 2037–2041, Dec 2006. ISSN 0162-8828.
[40] BARKAN, O.; WEILL, J.; WOLF, L.; ARONOWITZ, H. Fast high dimensional
vector multiplication face recognition. In: The IEEE International Conference on
Computer Vision (ICCV). [S.l.: s.n.], 2013.
[41] TREFNỲ, J.; MATAS, J. Extended set of local binary patterns for rapid object
detection. In: Computer Vision Winter Workshop. [S.l.: s.n.], 2010. p. 1–7.
[42] FABBRI, R.; COSTA, L. D. F.; TORELLI, J. C.; BRUNO, O. M. 2d euclidean
distance transform algorithms: A comparative survey. ACM Comput. Surv., ACM, New
York, NY, USA, v. 40, n. 1, p. 2:1–2:44, fev. 2008. ISSN 0360-0300.
[43] YE, Q. Z. The signed euclidean distance transform and its applications. In: Pattern
Recognition, 1988., 9th International Conference on. [S.l.: s.n.], 1988. p. 495–499 vol.1.
[44] HO, T. K. Random decision forests. In: Proceedings of the Third International
Conference on Document Analysis and Recognition (Volume 1) - Volume 1. Washington,
DC, USA: IEEE Computer Society, 1995. (ICDAR ’95), p. 278–. ISBN 0-8186-7128-9.
[45] CORTES, C.; VAPNIK, V. Support-vector networks. Mach. Learn., Kluwer
Academic Publishers, Hingham, MA, USA, v. 20, n. 3, p. 273–297, set. 1995. ISSN
0885-6125.
[46] LOTUFO, R.; MACHADO, R.; KORBES, A.; RAMOS, R. Adessowiki: on-line
collaborative scientific programming platform. Proceedings of the 2009 International
Symposium on Wikis, 2009, Orlando, Florida, USA, p. 10, 2009.
[47] WALT, S.; COLBERT, S.; VAROQUAUX, G. The NumPy Array: A Structure for
Efficient Numerical Computation. Computing in Science & Engineering, v. 13, n. 2, p.
22–30, 2011.
[48] SDC Morphology Toolbox for MATLAB. Http://mmorph.com. Acesso em:
2016-05-30.
[49] PEDREGOSA, F.; VAROQUAUX, G.; GRAMFORT, A.; MICHEL, V.; THIRION,
B.; GRISEL, O.; BLONDEL, M.; PRETTENHOFER, P.; WEISS, R.; DUBOURG, V.;
VANDERPLAS, J.; PASSOS, A.; COURNAPEAU, D.; BRUCHER, M.; PERROT,
M.; DUCHESNAY, E. Scikit-learn: Machine learning in Python. Journal of Machine
Learning Research, v. 12, p. 2825–2830, 2011.
[50] GASPARETTO, E. L.; PIMENTA, R.; INOUE, C.; ONO, S. E.; ESCUISSATO,
D. L. Esclerose sistêmica progressiva: aspectos na tomografia computadorizada de alta
resolućão. Radiologia Brasileira, scielo, v. 38, p. 329 – 332, 09 2005. ISSN 0100-3984.
[51] CARNEVALLE, A.; RONDINA, J.; KOBAYASHI, E.; CENDES, F. Validation of a
semi-automated system for mri-based hippocampal volumetry in patients with temporal
lobe epilepsy. J Epilepsy Clin Neurophysiol, p. 97–104, 2003.
Referências 64
[52] DICE, L. R. Measures of the amount of ecologic association between species.

Ecology, Ecological Society of America, v. 26, n. 3, p. 297–302, 1945. ISSN 1939-9170.
Disponível em: <http://dx.doi.org/10.2307/1932409>.
[53] COLELLA, S.; APPENZELLER, S.; DERTKIGIL, S.; RITTNER, L. Método

automático de segmentação dos pulmões em imagens de ct baseado na max-tree. In:
Proceedings of XXV Congresso Brasileiro de Engenharia Biomédica. [S.l.: s.n.], 2016.

Segmentação Dos Pulmões e de Suas Lesões em Imagens de Tomografia Computadorizada

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Segmentação Dos Pulmões e de Suas Lesões em Imagens de Tomografia Computadorizada

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE ESTADUAL DE CAMPINAS

Faculdade de Engenharia Elétrica e de Computação

Silvia Regina Leme Colella

Segmentação dos pulmões e de suas lesões em

Silvia Regina Leme Colella

Segmentação dos pulmões e de suas lesões em imagens

Dissertação apresentada à Faculdade de

Orientadora: Profa Dra. Leticia Rittner

Este exemplar corresponde à versão

Colella, Silvia Regina Leme, 1986-

ColOrientador: Letícia Rittner.

Col1. Segmentação de imagens. 2. Pulmão. 3. Tomografia computadorizada.

Informações para Biblioteca Digital

Powered by TCPDF (www.tcpdf.org)

Candidata: Silvia Regina Leme Colella RA: 150006

Data da defesa: 17 de maio de 2017.

Título da dissertação: Segmentação dos pulmões e de suas lesões em imagens de

A ata de defesa, com as respectivas assinaturas dos membros da Comissão Julgadora,

Gostaria de agradecer primeiramente a Deus por ter me proporcionado força de

Palavras-chaves: tomografia computadorizada; segmentação de pulmão; segmentação

Keywords: computerized tomography; lung segmentation; lesion segmentation; border

Figura 2.1 – Exemplo de imagem de CT do tórax . . . . . . . . . . . . . . . . . . . 18

Tabela 1 – Abordagens encontradas na literatura . . . . . . . . . . . . . . . . . . 23

CAD Computer-aided Diagnosis (Diagnóstico Assistido por Computador)

CNN Convolutional Neural Network (Redes Neurais Convolucionais)

CT Computerized Tomography (Tomografia Computadorizada)

DIP Doenças Intersticiais Pulmonares

EDT Euclidean Distance Transform (Transformada de Distância Euclidiana)

KNN K-nearest neighbors (K-vizinhos mais próximos)

LBP Local Binary Pattern (Padrão Binário Local)

MGRF Markov-Gibbs Random Field

ROI Region of Interest (Regiões de Interesse)

SVM Support Vector Machine (Máquinas de Vetores Suporte)

Os pulmões podem ser afetados por diversas doenças respiratórias consideradas

∙ Propor um novo método automático de segmentação dos pulmões em imagens de

∙ Através de algoritmos de aprendizado de máquina segmentar lesões de

1.2 Principais contribuições

∙ métodos completamente automáticos, sem interação humana ou alguma forma de

∙ segmentação das lesões e não apenas detecção ou classificação de regiões de interesse

1.3 Organização da dissertação

Neste capítulo são apresentadas as doenças intersticiais pulmonares de uma forma

2.1 Doenças intersticiais pulmonares

“qualquer estímulo ou agente que altere o interstício causará uma doença

capacidade de prover uma melhor avaliação da distribuição e da extensão de inflamação e

2.2 Análise e acompanhamento de lesões de pulmão por

Outros trabalhos encontrados na literatura buscam formas de resolver essa questão

Em sua maioria, são encontrados na literatura trabalhos que além de diferenciar

incluem atributos estatísticos, como características de primeira ordem, comprimento de

Artigo Objetivo Base de dados Métodos Padrão-ouro Métricas

Entre os conceitos principais utilizados durante o desenvolvimento dos métodos de

3.1.1 Construção da max-tree

(a) (b) (c)

Figura 3.3 – Exemplo da max-tree para uma imagem de ressonância magnética. No

3.1.2 Filtragem da max-tree

Figura 3.4 – Exemplo de aplicação da regra direta na max-tree (adaptado de

Figura 3.5 – Exemplo de aplicação da estratégia de poda na max-tree (adaptado de

Um exemplo de filtro que utiliza a estratégia de poda é o filtro de extinção. Os

(a) (b) (c)

3.2 Morfologia matemática

3.2.1 Filtro de reconstrução

(a) (b) (c)

3.2.2 Gradiente morfológico

O Gradiente Morfológico pode ser calculado como: