Modelagem 3D de imagens tomográficas de nódulos pulmonares para auxílio ao diagnóstico
Resumo
O câncer de pulmão é o líder das mortes por câncer no mundo, e também é o primeiro na ocorrência da forma maligna. Sua identificação em estágio inicial aumenta a probabilidade de cura e sobrevida dos pacientes. Por essa razão, o processo de diagnóstico é de fundamental importância. A interpretação de imagens médicas pode ser uma tarefa extremamente importante e a tecnologia se converte em uma ferramenta muito valiosa para auxiliar no processo de analise de imagens de diversas patologias incluindo nódulos pulmonares. O presente trabalho segmenta imagens tomográficas tridimensionais dos nódulos pulmonares, utilizando técnicas de limiar (thresholding) em conjunto com a construção de um modelo dos nódulos.
Palavras-chave:
Nódulos pulmonares, Segmentação, Tomografia computadorizada, Diagnóstico Assistido por Computador, Processamento de imagens
Referências
D. Dance, S. Christofides, M. Maidment, I. M. (2014). Diagnostic Radiology Physics: A handbook for teachers and students.
Ferreira Junior, J. R., Oliveira, M. C., and de Azevedo-Marques, P. M. (2016). Cloud- Based NoSQL Open Database of Pulmonary Nodules for Computer-Aided Lung Cancer Diagnosis and Reproducible Research. Journal of Digital Imaging, 29(6):716–729.
Fricke, T. (2004). The hoshen-kopelman algorithm. Acesso: 2018-06-26.
Gallagher, J. (2017). Novo tratamento contra câncer de pulm˜ao pode dobrar sobrevida de pacientes , diz estudo. pages 1–6.
Gonzales, R. and Woods, R. (2010). Processamento Digitais de Imagens.
Jayanti, S. and Tarjan, R. (2016). A randomized concurrent algorithm for disjoint set union.
Kittler, J. and Illingworth, J. (1986). Minimum error thresholding. Pattern Recognition, 19(1):41–47.
Li, C. H. and Tam, P. K. (1998). An iterative algorithm for minimum cross entropy thresholding. Pattern Recognition Letters, 19(8):771–776.
MENDONC¸ A, R. S. (2016). Caraterizac¸ ˜ao de Argamassas Leves Usando Processamento Tridimensional de Imagens e Processamento Paralelo. Master’s thesis, UNIVERSIDADE ESTADUAL DE SANTA CRUZ.
Nithila, E. E. and Kumar, S. S. (2016). Segmentation of lung nodule in CT data using active contour model and Fuzzy C-mean clustering. Alexandria Engineering Journal, 55(3):2583–2588.
Smith, P., Reid, D. B., Environment, C., Palo, L., Alto, P., and Smith, P. L. (1979). A Threshold Selection Method from Gray-Level Histograms. C(1):62–66.
Ferreira Junior, J. R., Oliveira, M. C., and de Azevedo-Marques, P. M. (2016). Cloud- Based NoSQL Open Database of Pulmonary Nodules for Computer-Aided Lung Cancer Diagnosis and Reproducible Research. Journal of Digital Imaging, 29(6):716–729.
Fricke, T. (2004). The hoshen-kopelman algorithm. Acesso: 2018-06-26.
Gallagher, J. (2017). Novo tratamento contra câncer de pulm˜ao pode dobrar sobrevida de pacientes , diz estudo. pages 1–6.
Gonzales, R. and Woods, R. (2010). Processamento Digitais de Imagens.
Jayanti, S. and Tarjan, R. (2016). A randomized concurrent algorithm for disjoint set union.
Kittler, J. and Illingworth, J. (1986). Minimum error thresholding. Pattern Recognition, 19(1):41–47.
Li, C. H. and Tam, P. K. (1998). An iterative algorithm for minimum cross entropy thresholding. Pattern Recognition Letters, 19(8):771–776.
MENDONC¸ A, R. S. (2016). Caraterizac¸ ˜ao de Argamassas Leves Usando Processamento Tridimensional de Imagens e Processamento Paralelo. Master’s thesis, UNIVERSIDADE ESTADUAL DE SANTA CRUZ.
Nithila, E. E. and Kumar, S. S. (2016). Segmentation of lung nodule in CT data using active contour model and Fuzzy C-mean clustering. Alexandria Engineering Journal, 55(3):2583–2588.
Smith, P., Reid, D. B., Environment, C., Palo, L., Alto, P., and Smith, P. L. (1979). A Threshold Selection Method from Gray-Level Histograms. C(1):62–66.
Publicado
09/04/2019
Como Citar
LISBOA, Leno; IGLESIAS, Susana; AMBRÓSIO, Paulo.
Modelagem 3D de imagens tomográficas de nódulos pulmonares para auxílio ao diagnóstico. In: ESCOLA REGIONAL DE COMPUTAÇÃO BAHIA, ALAGOAS E SERGIPE (ERBASE) , 2019, Ilhéus.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2019
.
p. 415-422.
