INTRODUCTION: The World Health Organization estimates that by 2030 the Chronic Obstructive Pulmonary Disease (COPD) will be the third leading cause of death worldwide. Computerized Tomography (CT) images of lungs comprise a number of structures that are relevant for pulmonary disease diagnosis and analysis. METHODS: In this paper, we employ the Adaptive Crisp Active Contour Models (ACACM) for lung structure segmentation. And we propose a novel method for lung disease detection based on feature extraction of ACACM segmented images within the cooccurrence statistics framework. The spatial interdependence matrix (SIM) synthesizes the structural information of lung image structures in terms of three attributes. Finally, we perform a classification experiment on this set of attributes to discriminate two types of lung diseases and health lungs. We evaluate the discrimination ability of the proposed lung image descriptors using an extreme learning machine neural network (ELMNN) comprising 4-10 neurons in the hidden layer and 3 neurons in the output layer to map each pulmonary condition. This network was trained and validated by applying a holdout procedure. RESULTS: The experimental results achieved 96% accuracy demonstrating the effectiveness of the proposed method on identifying normal lungs and diseases as COPD and fibrosis. CONCLUSION: Our results lead to conclude that the method is suitable to integrate clinical decision support systems for pulmonary screening and diagnosis.

INTRODUÇÃO: Dentre as doenças que afetam a população mundial, destaca-se a preocupação com a Doença Pulmonar Obstrutiva Crônica (DPOC), que, segundo a Organização Mundial de Saúde, pode se constituir na terceira causa de morte mais importante em todo mundo no ano de 2030. Visando contribuir com o auxílio ao diagnóstico médico, esta pesquisa centraliza seus esforços na etapa de segmentação dos pulmões, visto que esta é a etapa básica de sistema de Visão Computacional na area de pneumologia. MÉTODOS: Este trabalho propõe um novo método de segmentação dos pulmões em imagens de Tomografia Computadorizada (TC) do tórax chamado de Método de Contorno Ativo (MCA) Crisp Adaptativo 2D. Este MCA consiste em traçar automaticamente uma curva inicial dentro dos pulmões, que se deforma por iterações sucessivas, minimizando energias que atuam sobre a mesma, deslocando-a até as bordas do objeto. O MCA proposto é o resultado do aperfeiçoamento do MCA Crisp desenvolvido previamente, visando aumentar a sua exatidão, diminuindo o tempo de análise e reduzindo a subjetividade na segmentação e análise dos pulmões dessas imagens pelos médicos especialistas. Este método por iterações sucessivas de minimização de sua energia, segmenta de forma automática os pulmões em imagens de TC do tórax. RESULTADOS: Para sua validação, o MCA Crisp Adaptativo é comparado com os MCAs THRMulti, THRMod, GVF, VFC, Crisp e também com o sistema SISDEP, sendo esta avaliação realizada utilizando como referência 24 imagens, sendo 12 de pacientes com DPOC e 12 de voluntários sadios, segmentadas manualmente por um pneumologista. Os resultados obtidos demonstram que o método proposto é superior aos demais. CONCLUSÃO: Diante dos resultados obtidos, pode-se concluir que este método pode integrar sistemas de auxílio ao diagnóstico médico na área de Pneumologia.

INTRODUCTION: Among the diseases that affect the world's population, there is concern about Chronic Obstructive Pulmonary Disease (COPD), that, according to the World Health Organization, could be the leading cause of death worldwide by the year 2030. Aiming to contribute to aid medical diagnosis, this research focuses its efforts on the segmentation of the lungs, since this is the basic step system in the area of Computer Vision pulmonology. METHODS: This paper proposes a new method for segmentation of lung images in Computed Tomography (CT) of the chest called Active Contour Method (MCA) Crisp Adaptive 2D. This MCA is to draw a curve starting inside an object of interest. This curve is deformed by successive iterations, minimizing energies that act on it, moving it to the edges of the object. The MCA is the improvement of the proposed MCA Crisp previously developed, aiming to increase the accuracy, decreasing analysis time and reducing the subjectivity in the segmentation and analysis of the lungs of these images by pulmonologists. This method is automatically initialized in the lungs and on successive iterations to minimize this energy, this MCA automatically targets the lungs in chest CT images. RESULTS: To evaluate the proposed method, the MCA Adaptive Crisp is compared with MCAs THRMulti, THRMod, GVF, VFC, Crisp and also with the system SISDEP, this assessment is performed using reference images 24, 12 COPD patients and 12 volunteers healthy, manually segmented by a pulmonologist. The results show that the proposed method is superior to the others. CONCLUSION: Based on the results, it can be concluded that this method can integrate systems aid in the medical diagnosis of Pulmonology.

INTRODUÇÃO: Grande parte da população mundial é afetada por doenças pulmonares, como é o caso das broncopatias constituídas pela asma, bronquiectasia e a bronquite. O diagnóstico de broncopatias é baseado no estado das vias aéreas. Neste sentido, a segmentação automática das vias aéreas em imagens de Tomografia Computadorizada (TC) do tórax é uma etapa fundamental para auxílio ao diagnóstico dessas doenças. MÉTODOS: O presente trabalho avalia algoritmos e desenvolve métodos de segmentação automática das vias aéreas 2D. Tais métodos são compostos por algoritmos de detecção de vias aéreas, sendo estes rede neural Multilayer Perceptron (MLP) e Análise de Densidades Pulmonares (ADP), e por algoritmos de segmentação de vias aéreas, sendo estes Crescimento de Região (CR), Método de Contornos Ativos (MCA) Balão e Topológico Adaptativo. RESULTADOS: Os resultados foram obtidos em três etapas: análise comparativa entre os algoritmos de detecção MLP e ADP, com um padrão-ouro adquirido por três médicos com expertise em imagens de TC do tórax; análise comparativa entre algoritmos de segmentação MCA balão, MCA topológico adaptativo, MLP e CR; e avaliação das possíveis combinações entre os algoritmos de detecção e segmentação, resultando no método completo para segmentação automática das vias aéreas em 2D. CONCLUSÃO: A baixa incidência de falso-negativo e a redução significativa de falso-positivo, resulta em coeficiente de similaridade e sensibilidade superior a 91% e 87% respectivamente, para uma combinação dos algoritmos, com qualidade de segmentação satisfatória.

INTRODUCTION: Much of the world population is affected by pulmonary diseases, such as the bronchial asthma, bronchitis and bronchiectasis. The bronchial diagnosis is based on the airways state. In this sense, the automatic segmentation of the airways in Computed Tomography (CT) scans is a critical step in the aid to diagnosis of these diseases. METHODS: This paper evaluates algorithms for airway automatic segmentation, using Neural Network Multilayer Perceptron (MLP) and Lung Densities Analysis (LDA) for detecting airways, along with Region Growing (RG), Active Contour Method (ACM) Balloon and Topology Adaptive to segment them. RESULTS: We obtained results in three stages: comparative analysis of the detection algorithms MLP and LDA, with a gold standard acquired by three physicians with expertise in CT imaging of the chest; comparative analysis of segmentation algorithms ACM Balloon, ACM Topology Adaptive, MLP and RG; and evaluation of possible combinations between segmentation and detection algorithms, resulting in the complete method for automatic segmentation of the airways in 2D. CONCLUSION: The low incidence of false negative and the significant reduction of false positive, results in similarity coefficient and sensitivity exceeding 91% and 87% respectively, for a combination of algorithms with satisfactory segmentation quality.

OBJETIVO: Apresentar um sistema de visão computacional em imagens de TCAR, desenvolvido localmente e denominado SIStema para a Detecção e a quantificação de Enfisema Pulmonar (SISDEP). Comparar esse sistema a um sistema computacional de acesso livre. MÉTODOS: Foram utilizadas 33 imagens de TCAR de 11 pacientes com DPOC com cortes tomográficos em ápice, hilo e base. O SISDEP foi comparado a Osiris Medical Imaging Software Program quanto à segmentação do parênquima pulmonar; precisão das medidas da área de secção transversal dos pulmões em mm², densidade pulmonar média (DPM), porcentagem da relative area (RA, área relativa) dos voxels com densidade < -950 unidades hounsfield (ra -950), valores de 15º percentil de baixa atenuação (perc15) e visualização das áreas hiperaeradas por máscara colorida. RESULTADOS: Os dois sistemas realizaram uma segmentação pulmonar eficiente; porém o SISDEP o fez de modo automático e mais rápido. Na comparação das medidas de área de secção dos pulmões, DPM, Perc15 e RA -950, houve alta correlação (r² = 0,99; 0,99; 0,99; e 1,00, respectivamente) entre os dois sistemas. A ferramenta de máscara colorida do SISDEP permitiu excelente visualização das áreas hiperaeradas, discriminado-as das áreas normais. CONCLUSÕES: O SISDEP se mostrou eficiente na segmentação dos pulmões e na extração de dados quantitativos da aeração pulmonar com excelente correlação com o sistema Osiris. O SISDEP constitui uma promissora ferramenta computacional para a avaliação diagnóstica e o acompanhamento da evolução do enfisema em imagens de TCAR de pacientes com DPOC.

OBJECTIVE: To present a locally developed system of computer vision for use with HRCT images, designated SIStema para a Detecção e a quantificação de Enfisema Pulmonar (SISDEP, System to Detect and Quantify Pulmonary Emphysema), and to compare this system with a freeware system tool. METHODS: Thirty-three HRCT images scanned at the apex, hilum and base of the lungs of 11 patients with COPD were analyzed. The SISDEP was compared with the Osiris Medical Imaging Software Program regarding lung parenchyma segmentation, precision of the measurement of the cross-sectional area of the lungs in mm², mean lung density (MLD), relative area (RA) of the lung occupied by voxels with attenuation values < -950 hounsfield units (ra -950), 15th percentile point (perc15) and visualization of hyperinflated areas using a color mask. RESULTS: Although both computational systems were efficient in segmenting the lungs, the SISDEP performed this task automatically and more rapidly. There were significant correlations between the two systems in terms of the results obtained for lung cross-sectional area, MLD, RA -950 and Perc15 (r² = 0.99, 0.99, 0.99 and 1.00, respectively). The color mask tool of the SISDEP allowed excellent visualization of hyperinflated areas, discriminating them from normal areas. CONCLUSIONS: The SISDEP was efficient in segmenting the lungs and quantifying lung hyperinflation, presenting an excellent correlation with the Osiris system. The SISDEP constitutes a promising computational tool for diagnosing and assessing the progression of emphysema in HRCT images of COPD patients.

O Processamento Digital de Imagens é uma área de crescente expansão em vários ramos de aplicação que utilizam a interpretação de imagens como ferramenta. A área da Metalografia Quantitativa aplicada às Ciências dos Materiais utiliza essa técnica para caracterização de frações volumétricas de fases, tamanho de grãos, determinação de distribuição de inclusões, entre outros parâmetros que influem nas propriedades dos materiais. Através de uma análise estatística preliminar, o presente trabalho tem como principal objetivo apresentar e validar o programa Segmentação Via Rede Neural Artificial (SVRNA) desenvolvido pelos autores. Este programa, baseado em redes neurais artificiais, faz a contagem percentual de constituintes em tempo reduzido em relação ao modelo convencional. O estudo é realizado, primeiramente, com a obtenção das amostras de aços ABNT 1020 e 1045 e ferro fundido nodular. A análise estatística mostra que o software é eficiente para o grau de significância admitido. Conclui-se, portanto, que o programa pode ser utilizado em aplicações na área das Ciências dos Materiais para a determinação de microestruturas.

Digital Image Processing is an increasing expansion area in some field of application that uses the interpretation of images as tool. Quantitative Metallography area applied to Materials Sciences uses this technique for characterization of phase volumetric fractions, grain size, inclusion distribution determination and other parameters that influence the properties of the materials. The present paper has, as main objective, to present and validate the software Segmentation by Artificial Neural Network (SVRNA), developed by the authors. This software, based on artificial neural network, makes the percentile constituent counting in time reduced in relation to the conventional model. The study is carried out over ABNT 1020 and 1045 steel and nodular cast iron samples. Statistical analysis showed that this software is efficient for admitted degree of significance. It has concluded, therefore, that the program can be used in applications in the field of Material Sciences for determination of microstructures.