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.