Segmentação das áreas pulmonares em radiografias torácicas digitais

• Augusto R. V. F. de Araújo UFF
• Luiza C. de Menezes UFF
• Aura Conci UFF

DOI: https://doi.org/10.5753/sbcas.2021.16079

Resumo

Radiografias são ferramentas indispensáveis para auxílio ao diagnóstico médico. Ainda que outras técnicas estejam disponíveis, a radiografia é um exame acessível, de rápida aquisição e utilizado em larga escala. Este trabalho apresenta um método de segmentação automatizada das áreas pulmonares em radiografias torácicas e para tal, faz uso de técnicas de processamento de imagens simples. Disponibilizamos publicamente as segmentações desenvolvidas; resultados são comparados aos de outras técnicas disponíveis na literatura e podem ser utilizados como entrada em sistemas de auxílio ao diagnóstico.

Referências

Candemir, S., Jaeger, S., Palaniappan, K., Musco, J. P., Singh, R. K., Xue, Z. & McDonald, C. J. (2013), Lung segmentation in chest radiographs using anatomical atlases with nonrigid registration. IEEE Transactions on Medical Imaging, 33(2), 577-590.

Corne, J. & Kumaran, M. (2016), Chest x-ray made easy. 4th ed. Edinburgh, UK: Elsevier.

General Electric (2020). A new frontier in digital X-ray image quality. G Healthcare Products. Disponível em: <https://www.gehealthcare.com.br/en-CA/products/radiography/fixed-rad-systems/discovery-xr656-hd-x-ray-system-powered-by-helix>. Acesso em 28/03/2021.

Goodman, L. & Felson, B. (2014), Felson's Principles of Chest Roentgenology, A Programmed Text. 4th ed. Philadelphia, PA: Elsevier, Saunders.

Krupinski, E. A., Williams, M. B., Andriole, K., Strauss, K. J., Applegate, K., Wyatt, M., Bjork, S. & Seibert, J. A. (2007). Digital radiography image quality: image processing and display. Journal of the American College of Radiology, 4(6), 389-400.

Lacerda P, Barros B, Albuquerque C & Conci A. (2021), Hyperparameter Optimization for COVID-19 Pneumonia Diagnosis Based on Chest CT. Sensors; 21(6), 2174. https://doi.org/10.3390/s21062174.

Philips (2021). Next generation image processing. USA Philips Healthcare Resources. Disponível em: <https://www.usa.philips.com/healthcare/resources/landing/unique-x-ray>. Acesso em 28/03/2021.

Saad, M.N., Muda, Z., Ashaari, N. S., & Hamid, H. A. (2014), Image segmentation for lung region in chest X-ray images using edge detection and morphology. In 2014 IEEE International Conference on Control System, Computing and Engineering (ICCSCE 2014), 46-51.

Shiraishi J, Katsuragawa S, Ikezoe J, Matsumoto T, Kobayashi T, Komatsu K, Matsui M, Fujita H, Kodera Y, & Doi K. (2000), Development of a digital image database for chest radiographs with and without a lung nodule: Receiver operating characteristic analysis of radiologists’ detection of pulmonary nodules. American Journal of Radiology 174, 71-74.

Soares, J.A.C.R. (2008), Princípios básicos de física em radiodiagnóstico. – 2. ed. rev. – São Paulo: Colégio Brasileiro de Radiologia. disponível em: https://cbr.org.br/wp-content/uploads/2019/06/Apostila-de-Fisica_2008.pdf.

Sonka, M., Hlavac, V., and Boyle, R. (2007). Image Processing, Analysis, and Machine Vision. ThomsonEngineering.

Van der Walt, S., Schönberger, J.L., Nunez-Iglesias, J., Boulogne, F., Warner, J.D., Yager, N., Gouillart, E. & Yu, T. (2014), Scikit-image: Image processing in Python. PeerJ 2:e453 https://doi.org/10.7717/peerj.453.

Van Ginneken, B., Stegmann, M. B., & Loog, M. (2006), Segmentation of anatomical structures in chest radiographs using supervised methods: a comparative study on a public database. Medical Image Analysis, 10(1), 19-40.

Williams, M. B., Krupinski, E. A., Strauss, K. J., Breeden III, W. K., Rzeszotarski, M. S., Applegate, K., Wyatt, M., Bjork, S. & Seibert, J. A. (2007). Digital radiography image quality: image acquisition. Journal of the American College of Radiology, 4(6), 371-388.