Identificação de Nódulos Pulmonares Utilizando a Construção de Mapas de Conexidade Fuzzy Partindo da Escolha de uma Semente Ideal

• Tiago Emmanuel Praxedes Silva UFAL
• Marcelo Costa Oliveira UFAL

Resumo

O objetivo principal deste trabalho foi comparar de maneira quantitativa a precisão da segmentação por meio do algoritmo de construção de mapas de conexidade fuzzy partindo da escolha de uma semente ideal em relação à segmentação manual. Foram selecionados de maneira aleatória 30 nódulos do projeto “Lung Image Database Consortium”. O algoritmo desenvolvido se mostrou eficaz em identificar os nódulos pulmonares atingindo 90,4% de precisão. Além disso, superou a precisão do tradicional algoritmo de segmentação por crescimento de região em 9,1%. Logo, esta técnica possui potencial para ser utilizada como uma ferramenta de auxílio ao diagnóstico do câncer de pulmão.

Referências

Ayres, P. A. A., Cavalcante, R. C., Oliveira, M. C. (2010) “Auxílio à Classificação de Nódulos Pulmonares Usando Recuperação de Imagens Similares Baseada em Análise de Textura 3D e Registro de Imagem 3D”, XXX Congresso da Sociedade Brasileira de Computação - WIM - X Workshop de Informática Médica, Belo Horizonte/MG Brasil.

G. T. Herman and B. M. Carvalho. (2001) “Multiseeded segmentation using fuzzy connectedness”, IEEE Transactions on Pattern Analysis and Machine Intelligence, p. 460–474.

INCA – Instituto Nacional do Câncer. (2010) [link].

J. Dehmeshi, H. Amin, M. Valdivieso, and X. J. Ye. (2008) "Segmentation of pulmonary nodules in thoracic CT scans: A region growing approach", IEEE Transactions on Medical Imaging, vol. 27, p. 467-480.

M. F. McNitt-Gray, S. G. Armato, C. R. Meyer, A. P. Reeves, G. McLennan, R. C. Pais, J. Freymann, M. S. Brown, R. M. Engelmann, P. H. Bland, G. E. Laderach, C. Piker, J. Guo, Z. Towfic, D. P. Y. Qing, D. F. Yankelevitz, D. R. Aberle, E. J. R. van Beek, H. MacMahon, E. A. Kazerooni, B. Y. Croft, and L. P. Clarke. (2008) "The Lung Image Database Consortium (LIDC) data collection process for nodule detection and annotation," Academic Radiology, vol. 14, pp. 1464-1474.

M. Sonka, W. Park, and E. A. Hoffman. (1996) “Rule-based detection of intrathoracic airway trees,” IEEE Trans. Med. Imag, vol. 15, no. 3, p. 314-326.

Milan Sonka, Vaclav Hlavac, and Roger Boyle. (2008) “Image Processing, Analysis, and Machine Vision”, Thomson, 3 th edition.

R. Bellotti, F. De Carlo, G. Gargano, S. Tangaro, D. Cascio, E. Catanzariti, P. Cerello, S. C. Cheran, P. Delogu, I. De Mitri, C. Fulcheri, D. Grosso, A. Retico, S. Squarcia, E. Tommasi, and B. Golosio. (2007) "A CAD system for nodule detection in lowdose lung CTs based on region growing and a new active contour model," Medical Physics, vol. 34, p. 4901-4910.

R. Gonzales and R. Woods. (2002) “Digital Image Processing”, Upper Saddle River NJ: Prentice-Hall, 2 th edition.

Sluimer, I., A. Schilham. (2006) "Computer analysis of computed tomography scans of the lung: A survey." IEEE Transactions on Medical Imaging, p. 385-405.

T. Yoo. (2004) “Insight into images: principles and practice for segmentation, registration and image analysis”, vol. 1, AK Peters LTDA, Massachusetts, USA.

Y. X. Zhou and J. Bai. (2007) "Atlas-based fuzzy connectedness segmentation and intensity nonuniformity correction applied to brain MRI", IEEE Transactions on Biomedical Engineering, vol. 54, p. 122-129.