UNIVERSIDADE FEDERAL DE GOIÁS

INSTITUTO DE INFORMÁTICA

HELLENO RODRIGUES ROSA

Segmentação Automática dos Pulmõesem Radiografias de Tórax para Auxílio

no Diagnóstico de Pneumonias naInfância

Goiânia2012

HELLENO RODRIGUES ROSA

Segmentação Automática dos Pulmõesem Radiografias de Tórax para Auxílio

no Diagnóstico de Pneumonias naInfância

Dissertação apresentada ao Programa de Pós–Graduação doInstituto de Informática da Universidade Federal de Goiás,como requisito parcial para obtenção do título de Mestre emComputação.

Área de concentração: Ciência da Computação.

Orientador: Prof. Dr. Leandro Luís Galdino de Oliveira

Goiânia2012

HELLENO RODRIGUES ROSA

Segmentação Automática dos Pulmõesem Radiografias de Tórax para Auxílio

no Diagnóstico de Pneumonias naInfância

Dissertação defendida no Programa de Pós–Graduação do Instituto deInformática da Universidade Federal de Goiás como requisito parcialpara obtenção do título de Mestre em Computação, aprovada em 9 deOutubro de 2012, pela Banca Examinadora constituída pelos professo-res:

Prof. Dr. Leandro Luís Galdino de OliveiraInstituto de Informática – UFG

Presidente da Banca

Prof. Dra. Fátima L. S. Nunes MarquesUniversidade de São Paulo – USP

Prof. Dr. Fabrízzio Alphonsus Alves de Melo Nunes SoaresInstituto de Informática – INF/UFG

Todos os direitos reservados. É proibida a reprodução total ou parcial dotrabalho sem autorização da universidade, do autor e do orientador(a).

Helleno Rodrigues Rosa

Ao Tempo - Meu fiel amigo e eterno algoz.

Agradecimentos

Agradeço ao meu orientador, por me aceitar e me conduzir pacientementedurante o processo de elaboração deste trabalho. Agradeço aos meus pais, irmãos e demaisfamiliares por garantirem uma base sólida e saudável, voltada para a educação que é ofundamento da minha formação e existência. Agradeço aos meus professores e amigospor me incentivarem e ajudarem no ingresso e percurso do mestrado. Agradeço ao meuSifu por me orientar, inclusive e para além da arte marcial que eu pratico. Agradeço àminha namorada, pelo auxílio técnico, pelo carinho irrestrito e sobretudo por me apoiar,estando sempre ao meu lado.

Se vi mais longe foi por estar de pé sobre ombros de gigantes.

Izaac Newton,Carta para Robert Hooke.

Resumo

Rodrigues Rosa, Helleno. Segmentação Automática dos Pulmões em Radio-grafias de Tórax para Auxílio no Diagnóstico de Pneumonias na Infância.Goiânia, 2012. 49p. Dissertação de Mestrado. Instituto de Informática, Univer-sidade Federal de Goiás.

Aplicações computacionais que sirvam de suporte para a área da saúde são cada vez maisfrequentemente pesquisadas. Existem diversos pontos de possível interseção entre a com-putação e a medicina, duas ciências tão vastas. Um nicho recente da computação, a Vi-são Computacional, pode beneficiar a medicina nos diagnósticos feitos por imagem. Umdos exames por imagem mais comumente realizados é a radiografia. Entre diversos ou-tros fins, a radiografia do tórax é o meio mais indicado para diagnóstico da pneumonia,uma doença responsável por altos índices de mortalidade infantil. Existem pesquisas nointuito de auxiliar a análise de radiografias de maneira automatizada. Uma destas pes-quisas, que aborda especificamente a classificação de radiografias como havendo ou nãopneumonia presente, foi desenvolvida na Universidade Federal de Goiás por Oliveira [17]e deu origem ao software Pneumocad. Uma das melhorias a serem feitas no Pneumo-cad é o desenvolvimento de um método para segmentação dos pulmões. Neste trabalho,propõe-se e implementa-se um novo método, usando limiarização, para uma segmenta-ção automática dos pulmões em radiografias de tórax digitalizadas, feitas em crianças deaté dois anos. Desenvolve-se o método e testa-se o mesmo sobre uma base de 500 ra-diografias realizadas no padrão-ouro, preconizado pela OMS. Faz-se uma localização eremoção manual de marcas inclusas nas radiografias no momento do exame e analisa-seo impacto deste feito no resultado de casos específicos. Organiza-se a solução em trêsfases: Pré-processamento, Processamento e Pós-processamento. Modulariza-se o métodode acordo com as fases identificadas. Implementa-se as transformações necessárias naimagem para o seu posterior processamento. Procura-se um limiar adequado para a limia-rização da radiografia, visando melhor separar o pulmão de possíveis ruídos. Limiariza-sea radiografia analisada. Identifica-se quais são os ruídos mais presentes após a fase de Pré-processamento, qual a origem deles, como eles influenciam negativamente no resultadoobtido e qual a melhor forma deles serem eliminados. Demonstra-se como radiografiasde baixa qualidade dificultam o procedimento de segmentação do pulmão. Faz-se umaexposição, através de exemplos, dos resultados ótimos e anormais observados, bem comodas suas origens e possíveis soluções a eles atribuídas.

Palavras–chave

visão computacional, radiografia, pulmão, segmentação

Abstract

Rodrigues Rosa, Helleno. Automatic Lungs Segmentation in Chest Radio-graphs for Support Diagnosis of Infant Pneumonia. Goiânia, 2012. 49p. MSc.Dissertation. Instituto de Informática, Universidade Federal de Goiás.

Computer applications which support healthcare area are increasingly researched. Thereare many possible intersection points between computing and medicine. A recent growedfield of computing, the Computer Vision, could benefit medicine in diagnoses made byimages. Radiograph is one of the most commonly imaging tests performed. Among ofmany other purposes, the chest radiograph is the most suitable exam for the diagnosis ofpneumonia, a disease responsible for high infant mortality rates. There is researches inorder to assist the analysis of radiographs in an automated way. One of these researches,which specifically addresses the classification of radiographs with or without pneumonia,has been developed at the Universidade Federal de Goiás by Oliveira [17] and gave riseto Pneumocad software. One of the improvements to be made in Pneumocad is the de-velopment of a method for lungs segmentation in the radiographs images. This researchproposes to develop this method. This work proposes and implements a new method, us-ing thresholding, for an automatic segmentation of lungs on digitized chest radiographs,made in children younger than two years old. Develop and test the method on 500 ra-diographs performed on the gold standard, recommended by WHO. Manually find andremove identification marks included on radiographs and analyzes the impact on the out-come of specific cases. Organizes the solution in three phases: pre-processing, processingand post-processing. Modularize the method according to the identified phases. Imple-ments necessary changes to the image for your further processing. Looks for a suitablethreshold for thresholding of radiography in order to better separate the noise from possi-ble lung. Thresholds the radiography analyzed and identifies the noise, their origin, theirinfluence on the result and how best to eliminate them. Shows the segmentations prob-lems caused by poor quality radiographs. Exposes, through examples, the optimal andabnormal results observed, as well as its origins and possible assigned solutions.

Keywords

computer vision, radiograph, lungs, segmentation

Sumário

Lista de Figuras 13

Lista de Tabelas 14

1 Introdução 151.1 Apresentação 151.2 Objetivo 17

2 Tecnologias e Conceitos Utilizados 192.1 Visão Computacional 192.2 Imagens Digitais 20

2.2.1 Representação 202.2.2 Pixel 21

2.3 Filtros e Operações Morfológicas 212.3.1 Limiarização 222.3.2 Dilatação Binária 222.3.3 Erosão Binária 232.3.4 Contraste 23

2.4 OpenCV e JavaCV 24

3 Estado da Arte 26

4 Metodologia 284.1 Materiais 284.2 Procedimento 29

4.2.1 Pré-processamento 29Mudança na Escala de Cores 30Realce de Contraste 31Limiarização 32

4.2.2 Processamento 334.2.3 Pós-processamento 36

5 Resultados 385.1 Dificuldades Encontradas 41

6 Conclusões 446.1 Trabalhos Futuros 45

Referências Bibliográficas 46

A Imagens Processadas 48

Lista de Figuras

4.1 Radiografia de tórax no padrão-ouro digitalizada 284.2 Radiografia de tórax digitalizada com as marcas de identificação cobertas

manualmente 294.3 A imagem da esquerda encontra-se em escala colorida e a da direita

encontra-se em escala de cinza 304.4 Exemplo de radiografia com a os pulmões manualmente marcados em

verde e o centro da imagem marcado em vermelho. 314.5 Na esquerda, uma imagem sem realce de cotraste. Na direita, uma

imagem com o contraste realçado. 314.6 Na esquerda, uma imagem original e na direita a mesma imagem após a

limiarização. 334.7 Localizando os pulmões na imagem binarizada. 344.8 A borda esquerda da imagem denuncia uma conexão do pulmão com o

fundo. 344.9 A imagem da esquerda demonstra a imagem binarizada e a imagem

direita demonstra a mesma após dilatação. 354.10 (A) Imagem antes de qualquer dilatação. (B) Imagem após duas dilata-

ções. (C) Imagem após quatro dilatações. 364.11 Área do pulmão direito após segmentação e eliminação dos ruídos. 36

5.1 Radiografia limiarizada após o pré-processamento. Pulmão direito desco-nectado 39

5.2 Processo de segmentação do pulmão direito. 395.3 Exemplo de segmentação após limiarização ótima. 395.4 Falhas observadas na área do pulmão. 405.5 Pulmão identificado após 4 dilatações. 405.6 Imagem: (A) Após 0 dilatações. (B) Após 2 diatações. (C) Após 4 dilata-

ções. (D) Erodida e sem ruídos. 405.7 Imagem: (A) Após 0 dilatações. (B) Após 6 diatações. (C) Após 12

dilatações. (D) Erodida e sem ruídos. 415.8 O pixel indicado pela seta impede uma correta identificação. 415.9 Pulmão identificado após eliminar os pequenos ruídos. 415.10 Pequena fração desconexa identificada. 425.11 Pequena fração desconexa identificada. 425.12 Pequena fração desconexa identificada. 425.13 Uma conexão muito grande com o ruído de fundo compromete o resultado. 435.14 Conexão com o fundo provoca desaparecimento do pulmão. 435.15 Conexão com o fundo provoca desaparecimento do pulmão. 43

Lista de Tabelas

CAPÍTULO 1Introdução

1.1 Apresentação

A tecnologia e a saúde são áreas que sempre caminharam juntas, a primeiradando suporte para que a segunda desenvolva, de maneira contínua, inclusive, novose mais acurados métodos de análise, prevenção e tratamento de doenças, aumentandoassim a longevidade humana. Com o advento dos computadores a medicina ganhou umanova e poderosa ferramenta: a computação. Impulsionados pela rápida popularização eaperfeiçoamento de suas capacidades, os computadores, desde o seu surgimento, têmtransformado a vida moderna, elevando a capacidade de produção e compreensão doconhecimento a níveis antes jamais explorados. Por fundamentar-se em uma máquinacapaz de atender a diversos propósitos, beneficiando-se da flexibilidade inerente aosoftware e aos frequentes avanços na construção do seu hardware, a computação temfavorecido diversas áreas, seja na solução de problemas pontuais por elas enfrentados ouna criação de novos meios através dos quais estes problemas serão resolvidos. Dentre elas,como sendo um dos principais focos da pesquisa científica e ponto de interesse comum àhumanidade como um todo, destaca-se a medicina.

Entre os procedimentos radiológicos mais conhecidos encontra-se a radiografia.A origem da utilização de radiação para diagnóstico pode ser datada de 1895, quando oalemão Wilhelm Conrad Rontgen, durante sua pesquisa sobre raios catódicos, descobriua existência de novos raios com propriedades exóticas e bastante úteis, aos quais ele viriachamar de raios-X. Em comparação aos raios catódicos, os raios-X eram muito menosabsorvidos pelo ar e demais substâncias. Curioso pela forma como os “novos raios”atravessavam os objetos e pela luminosidade com a qual uma placa de platinocianuretode bário reagia a eles, Rontgen adentrou em sete semanas de experiências, a fim dedeterminar a natureza daqueles raios. Durante este período, foi com a participação daesposa que Rontgen conduziu um dos seus mais importantes experimentos. Imobilizou amão de Anna Bertha por cerca de quinze minutos sobre uma placa fotográfica, utilizandoos raios-X como fonte luminosa. O resultado foi o aparecimento da sombra dos ossos damão de sua esposa impressos na placa fotográfica, bem como um anel que ela utilizava.

16 1.1 Apresentação

Os tecidos moles e os ossos, diferentes materiais, absorviam os raios em nível variado. Oresultado deste experimento foi o primeiro “rontgenograma” ou a primeira radiografia deque se tem notícia [9]. A descoberta de Rontgen se popularizou muito rápido.

Em fevereiro de 1896 foi realizada a primeira radiografia de um braço fraturado.O resultado foi enviado ao Britsh Medical Journal como prova do poder diagnóstico dosraios-X. A publicação do trabalho levou Rontgen a ser aclamado como descobridor deum milagre médico [9]. Já em 1896 vários centros urbanos dos Estados Unidos haviampresenciado demonstrações dos “novos raios”. A utilidade dos raios-x era tão notávelque, em apenas um ano, eles já estavam estabelecidos no panorama médico enquantoferramenta de diagnóstico e terapia [9].

Após mais de um século da primeira radiografia registrada por Rontgen, oprocedimento por ele inventado continua sendo utilizado com diversas finalidades eem grande escala. Muito se aprendeu sobre a radiação utilizada na medicina e sobreos cuidados necessários com ela. O uso da radiografia vai muito além da identificaçãode fraturas ósseas, sendo inclusive o método mais indicado para diagnosticar certasenfermidades, como é o caso da pneumonia.

Em termos gerais, pneumonia é uma infecção localizada dentro dos pulmões[12]. De acordo com dados da World Health Organization, estima-se que a cada ano ummilhão e quatrocentas mil crianças de até cinco anos morrem de pneumonia no mundo.Trata-se da maior causa de mortalidade infantil no planeta [19]. Atualmente, o melhormétodo preconizado pela OMS para diagnosticar a pneumonia é a radiografia [18]. Dadoo caráter letal da doença, sua identificação e interpretação precisa é de fundamentalimportância.

O resultado do raio-X é uma imagem na qual as partes do corpo radiografado sedestacam em diferentes tonalidades, frequentemente impressa em um material específicopara este fim. Para o caso da pneumonia, a parte do corpo radiografada é o tórax, emuma proporção em que os pulmões apareçam. Em posse da imagem, um médico treinadopoderá dizer se a doença está presente ou não, dando assim o seu diagnóstico. Estediagnóstico correto é importante para evitar o uso indiscriminado de amtibióticos e comisso evitando o aparecimento de bactérias resistentes [3].

Por tratar-se basicamente da análise das características de uma imagem, a pro-cura por sinais de pneumonia em uma radiografia pode ser beneficiada por um campoespecífico da computação: a visão computacional.

O objetivo da visão computacional, de forma genérica, é extrair informações deuma cena analisando, computacionalmente, a imagem que representa ela [21].

Apesar de recomendações da Organização Mundial de Saúde (OMS) no que dizrespeito à prática da radiografia de tórax para diagnóstico da pneumonia, estudos apontamque a variação de diagnóstico por diferentes interpretações das imagens é algo recorrente

1.2 Objetivo 17

[14]. Para este fato, são diversos os fatores preponderantes. A qualidade das radiografiasanalisadas é um fator crucial para um diagnóstico correto. Para tanto, a OMS definiuum padrão para obtenção e análise destas imagens [18]. Contudo, apesar de qualquerpadronização que haja, como o diagnóstico final é feito por um médico, sempre estarápresente a possibilidade de erro humano. Surge então a necessidade de ferramentas quese valham do arsenal tecnológico que temos e funcionem como suporte ao profissional desaúde, diminuindo tão quanto for possível a sua possibilidade de falha. É neste contextoque Oliveira [17] propõe uma nova metodologia para identificação e classificação deradiografias com suspeita de pneumonia. Este sistema foi implementado em um sistemavia Web, incorporando novos extratores de características por Macedo [14], originando oPneumoCad.

O PneumoCad é uma ferramenta desenvolvida com a finalidade de sugerir diag-nósticos por computador utilizando técnicas de processamento de imagens radiológicasde pneumonia [14], auxiliando assim o profissional de saúde. O resultado da classifica-ção das imagens como havendo ou não a presença de pneumonia é obtido através doreconhecimento de padrões de textura nas radiografias de tórax analisadas. Na soluçãoobtida por Oliveira [17], o processamento digital é feito em toda a imagem radiográfica.Sabe-se que a região de interesse para diagnóstico de pneumonia se restringe aos pul-mões, não havendo assim a necessidade de procurar também em outros órgãos o padrãode textura interessado. Apesar dos bons resultados conseguidos em seu trabalho, Macedo[14] aponta como sendo importante para o aperfeiçoamento do PneumoCad, a inclusão deum algoritmo que defina, antes da análise de textura, a região dos pulmões como regiãode interesse. Região esta que será posteriormente processada, em detrimento das demaispartes.

1.2 Objetivo

Este trabalho é parte integrante do sistema PneumoCad, desenvolvido por Oli-veira [17] e aperfeiçoado por Macedo [14], e objetiva propor um método para segmenta-ção dos pulmões em imagens radiográficas de pneumonia na infância a serem analisadas.Através de técnicas de visão computacional aplicadas a uma base de radiografias de tóraxdigitalizadas, pretende-se chegar a um resultado que seja útil ao PneumoCad e a qualqueroutro sistema que necessite da segmentação de pulmões em uma base similar. Pretende-se ainda: encontrar um limiar dinâmico para a limiarização de diversas imagens; avaliaro resultado da limiarização quando utilizada no processo de segmentação dos pulmões;avaliar as características das imagens contidas na base de dados; propor uma organizaçãomodular adequada para a solução proposta; propor um meio para a eliminação dos ruí-dos de imagem específicos do problema abordado, oriundos de limiarizações ineficientes;

18 1.2 Objetivo

identificar e documentar os obstáculos que possam comprometer o resultado final, cata-logar a sua origem e propor meios para que eles sejam contornados sempre que possível;implementar a solução que se propõe, efetuar os testes necessários e expor, através deexemplos, os resultados observados.

CAPÍTULO 2Tecnologias e Conceitos Utilizados

Neste capítulo será realizada uma revisão das principais tecnologias e conceitosrelacionados com este trabalho. O objetivo é contextualizar o leitor ao tema abordado pelaproposta.

2.1 Visão Computacional

O objetivo da visão computacional, de forma genérica, é extrair informações deuma cena analisando, computacionalmente, a imagem que representa a mesma[21]. Porvolta década de 70, quando iniciaram os primeiros trabalhos de Visão Computacional,aliada à Inteligência Artificial, acreditava-se que em pouco tempo seria possível emularo comportamento da visão humana nas máquinas. As pesquisas que vieram nas décadassubsequentes revelaram uma grande complexidade, antes não esperada [16]. As especifi-cações de aplicação de Visão Computacional dependem muito do escopo do problema aoqual deseja-se resolver. Para cada caso necessita-se extrair informações diferentes, proces-sando imagens que normalmente também se diferem. Por conta de tanta especificidade,não existe um modelo organizacional genérico para um programa de Visão Computacio-nal. Contudo, observa-se que, em grande parte das soluções, o software segue um deter-minado fluxo. Este fato é observado por Rehen e Trindade [20], que citam a etapas desdefluxo como sendo:

• Aquisição de Imagem - Processo de entrada de dados no qual se obtém a imagema ser processada, da qual a informação que se procura será extraída. A fonte poderesumir-se à uma única imagem ou tratar-se de um fluxo a partir do qual irão serretiradas amostragens, como é o exemplo de um vídeo.• Pré-processamento - Consiste na aplicação de procedimentos na imagem que omi-

tam ou realcem características específicas da mesma, tornando mais fácil, destamaneira, o seu posterior processamento.

20 2.2 Imagens Digitais

• Extração de características - Etapa na qual obtêm-se características relevantesda imagem. Diversas imagens podem ter características diferentes, o que afetadiretamente a forma como elas serão abordadas.• Detecção e Segmentação - Processo no qual se identifica e segmenta regiões

específicas da imagem que contenham informações sobre o que ela significa.• Processamento de alto nível - Processa-se um conjunto restrito de dados. Pode

consistir, por exemplo, na verificação de satisfação da informação, com base emparâmetros de estimativa, e na classificação da informação extraída.

É importante ressaltar que, como já citado, não existe uma organização únicarecomendada para aplicações de Visão Computacional. Os resultados nesta área, alémde recentes, são produzidos como fruto de diversas linhas de pesquisa, que atendem ainúmeros propósitos. O que existem são vários métodos especializados, que atendema tarefas específicas mas que podem ser generalizados e, algumas vezes, adaptados adiferentes situações. Isto se deve ao fato de que a maioria das aplicações de VisãoComputacional são desenvolvidas para atender a um problema particular [20]. Portanto,o fluxo descrito por Rehen e Trindade não deve ser interpretado como caminho único einflexível. Devem sim servir como uma direção promissora para a maioria dos casos, masque pode variar ou dividir-se de acordo com a necessidade, como acontece, inclusive,na solução que aqui apresentamos. O objetivo deste trabalho inclui as etapas, tal quaislevantadas por Rehen e Trindade, até a quarta, que efetua a detecção e segmentação dospulmões. A parte de processamento de alto nível, que consiste na última etapa citada,ficará a cargo do sistema PneumoCad e, portanto, não será abordada.

2.2 Imagens Digitais

2.2.1 Representação

As imagens podem ser classificadas em dois tipos: vetorial ou matricial. Imagemvetorial é aquela representada e armazenada na forma de instruções para a sua produçãopor um dipositivo de saída, que a reproduz à medida que essas instruções são processadas.Já as imagens matriciais são representadas, processadas e armazenadas na forma de umasérie ordenada de pixels, dispostos contiguamente em linhas e colunas, cada um com cor,brilho e outras características. As imagens vetoriais são mais comumente utilizadas naComputação Gráfica e as imagens matriciais no Processamento de Imagens. Portanto,observa-se a possibilidade de trabalhar com dois tipos de informação: descritiva e visual.No modelo matricial não há distinção dos objetos contidos na imagem [22].

2.3 Filtros e Operações Morfológicas 21

2.2.2 Pixel

O pixel é o menor ponto de uma imagem matricial. Visualmente, as únicascaracterísticas aparentes de um pixel são sua cor e localização. A localização de umpixel dentro de uma imagem pode ser expressada por uma coordenada cartesiana onde,tratando-se de uma imagem bidimensional representada por uma matriz contendo linhase colunas, o pixel será localizado pelo número da linha e da coluna no qual pode serencontrado.

A FORMA como a visão humana recebe e interpreta a luz, para formar as coresque conhecemos, pode ser detalhada em um modelo genérico, que serve de base paraque padrões computacionais sejam estabelecidos [22]. Tais padrões surgem para queprogramas de processamento de imagens possam interagir melhor entre si e também como usuário.

Necessita-se então de uma noção básica sobre como as imagens matriciais sãocompostas e representadas, para o correto entendimento da solução aqui proposta, bemcomo do problema abordado.

2.3 Filtros e Operações Morfológicas

Processar uma imagem consiste em transformá-la de maneira sucessiva com oobjetivo de extrair mais facilmente a informação nela presente [11]. Em muitas aplicaçõesfaz-se necessário uma fase de pré-processamento onde filtros possam ser aplicados àimagem no intuito de melhorar ou ressaltar algumas características desejáveis. A escolhadas características a serem ressaltadas depende diretamente do método de análise que seráaplicado e deve, portanto, ser feita de acordo com o escopo da aplicação e do problemaabordado. O aumento do contraste é um exemplo de filtro aplicável no pré-processamentode uma imagem. Outro filtro, muito comumente utilizado, é a binarização, que reduz aescala de cores da imagem a apenas duas possibilidades.

A morfologia se concentra na estrutura geométrica das imagens. Morfologia di-gital é uma ciência recente, pois tornou-se possível apenas após a criação dos computa-dores digitais. Apesar disto, ela utiliza a teoria de conjuntos, uma área bem estudada damatemática. Basicamente trata-se da aplicação de morfologia à objetos digitalizados, ex-traindo informações relativas a geometria e topologia de um conjunto desconhecido pelatransformação, utilizando um outro conjunto pré-definido chamado elemento estruturante.Orientação e dilatação são duas de suas operações básicas [23].

22 2.3 Filtros e Operações Morfológicas

2.3.1 Limiarização

A limiarização é uma técnica de processamento de imagem cujo princípio básicoconsiste em separar as regiões da imagem quando esta possui, de maneira explícita, duasclasses: fundo e objeto. Em sua forma mais simples, é feita a bipartição da imagem atravésda conversão dos pixels em brancos ou pretos. Aplica-se ela definindo um limiar detonalidade a partir do qual os tons serão definidos em apenas dois. Desta forma, umaimagem de entrada f(x,y) de N níveis de cinza produz uma saída g(x,y) cujo número deníveis é menor ou igual que N [23]. Matematicamente pode ser definido como:

g(x,y) =

{1 se f (x,y) é ≥ T0 se f (x,y) é < T

(2-1)

Restringe-se assim os pixels a um número reduzido de valores.

2.3.2 Dilatação Binária

A dilatação pode ser aplicada à imagens limiarizadas (binarizadas) ou à imagensem tons de cinza. Trata-se da combinação de dois conjuntos usando adição vetorial. Seusímbolo é ⊕. O resultado é uma imagem dilatada nas regiões brancas. A dilatação de umconjunto A pelo conjunto B é definida por [23]:

A⊕B = {c|c = a+b,a ∈ A,b ∈ B} (2-2)

Sendo que, A é a imagem original e B é o elemento estrutural, cuja composiçãodefine a natureza da dilatação. Para exemplificar melhor a dilatação em imagens limiari-zadas, Souza e Santos [23] exemplificam o procedimento com a operação nos seguintesconjuntos:

A+{(0,0)}= {(1,1),(1,2),(2,1),(2,2)}=

(1,1)+(0,0) = (1,1)(1,2)+(0,0) = (1,2)(2,1)+(0,0) = (2,1)(2,2)+(0,0) = (2,2)

A+{(1,0)}= {(2,1),(2,2),(3,1),(3,2)}=

2.3 Filtros e Operações Morfológicas 23

(1,1)+(1,0) = (2,1)(1,2)+(1,0) = (2,2)(2,1)+(1,0) = (3,1)(2,2)+(1,0) = (3,2)

A⊕B = {(1,1),(1,2),(2,1),(2,2),(3,1),(3,2)}=

2.3.3 Erosão Binária

A erosão binária, também aplicada à imagens limiarizadas, é uma transformaçãomorfológica que combina dois conjuntos usando vetores de subtração. Pode ser expres-sada como a insterseção de A e B ou A B = B ∩ A. Esta operação é definida por Souza eSantos [23] como:

AB = ( x | x + b ∈ A para todo b ∈ B )

E exemplificada da seguinte forma:

A = {(1,1),(3,3),(3,4),(4,3),(4,4)}=

B = {(0,0),(0,1),(1,0),(1,1)}=

B(1,1) = {(1,1),(1,2),(2,1),(2,2)}B(3,3) = {(3,3),(3,4),(4,3),(4,4)}B(3,4) = {(3,4),(3,5),(4,4),(4,5)}B(4,3) = {(4,3),(4,4),(5,3),(5,4)}B(4,4) = {(4,4),(4,5),(5,4),(5,5)}

AB ={(3,3) | B(3,3) ⊆ A

}=

2.3.4 Contraste

Uma das características de uma imagem digital é o seu contraste. O contrasteentre dois objetos de uma imagem pode ser definido como a razão entre a média dosseus níveis de cinza. O aprimoramento do contraste aumenta a discriminação visual

24 2.4 OpenCV e JavaCV

dos objetos contidos em uma cena aumentando a diferença de brilho entre eles. É umaoperação normalmente utilizada para melhorar a qualidade de imagens sob os critériossubjetivos do olho humano e também na etapa de pré-processamento, em sistemas devisão computacional [1][13].

Apesar de, em grande parte das vezes, os parâmetros utilizados para a aplicaçãodo contraste serem obtidos de maneira empírica, uma avalização prévia do histograma daimagem pode ser útil para uma melhor escolha destes.

2.4 OpenCV e JavaCV

Ao desenvolver um sistema de visão computacional é comum e frequente amanipulação de imagens e estruturas de dados necessárias ao procedimento de obtençãodos resultados. Para tanto, faz-se necessária a utilização de uma biblioteca que contenhaa implementação das operações e estruturas mais utilizadas. Tal prática permite queos desenvolvedores economizem trabalho e tempo, recursos estes que podem então serdistribuídos em camadas de mais alto nível, onde se encontram os detalhes ainda nãoabordados, o foco da solução. Para tanto, uma das opções disponíveis é a biblioteca devisão computacional JavaCV - uma adaptação da popularmente conhecida OpenCV paraa linguagem de programação Java.

A OpenCV é uma biblioteca de visão computacional de código aberto e usolivre, escrita em C e C++. Ela surgiu em 1999, no núcleo de pesquisa da intel, comouma maneira de disponibilizar a infraestrutura necessária para o desenvolvimento deaplicações que explorem a visão por computador. Uma vez que estas aplicações partam deuma infraestrutura comum elas naturalmente se tornarão mais legíveis e possuirão umamaior portabilidade. Estas são características fundamentais para o desenvolvimento daárea de conhecimento como um todo, de uma forma conjunta e integrada. [6]

A biblioteca OpenCV foi desenvolvida tendo em foco a eficiência, buscando odesempenho necessário às aplicações de tempo real. O seu código foi desenvolvido eotimizado na linguagem C, podendo inclusive se beneficiar de processadores de váriosnúcleos. Outro foco da biblioteca foi a usabilidade. Uma das preocupações duranteo seu desenvolvimento foi fazer com que pudessem utilizá-la para construir sistemassofisticados de maneira ágil [6]. O OpenCV contém mais de quinhentas funções que sãodirecionadas para: processamento de imagens, análise estrutural, análise de movimento erastreamento de objetos, reconhecimento de padrões, calibração de câmera e reconstrução3D [15]. Enquanto uma parte dos problemas podem ser resolvidos unicamente com asfunções de alto-nível já prontas, a outra parte pode ser resolvida valendo-se das váriasfunções de nível mais baixo mas que ainda assim, juntas, economizam bastante tempoe trabalho [6].Por conta de seu uso difundido, existem ainda diversas implementações

2.4 OpenCV e JavaCV 25

prontas que utilizam OpenCV, feitas por pesquisadores independentes e compartilhadascom a comunidade para que o seu código seja usado e reaproveitado.

Ao executar um programa que utiliza o OpenCV ele detecta o tipo de processadorque está sendo utilizado e carrega o código otimizado para tal arquitetura. Além das suaspróprias funções, uma distribuição OpenCV contém e utiliza a biblioteca chamada IPC(Image Processing Library), da qual ela depende [15].

A JavaCV encapsula um conjunto de bibliotecas frequentemente utilizadas naárea de visão computacional em uma única API (Application Program Interface) [5].Desta forma é possível fazer uso de suas funções em aplicações Java, mesmo elas sendonativas de outras linguagens de programação. Entre as bibliotecas encapsuladas encontra-se o OpenCV. Ao optar pelo uso da linguagem Java junto com a biblioteca JavaCV, odesenvolvedor se beneficia de uma ampla gama de recursos tais quais objetos e outrasestruturas de dados facilmente utilizadas, sendo desnecessária também a manipulação deponteiros e outros detalhes de baixo nível, presentes em outras linguagens como C e C++.

CAPÍTULO 3Estado da Arte

A segmentação de componentes em imagens de exames médicos tem sido maté-ria de estudos relevantes. Uma fração destes trabalhos aborda a segmentação dos pulmõesem radiografias de tórax digitalizadas. As abordagens existentes revelam diferentes meiospara a obtenção dos resultados.

Em seu trabalho, Brow et al. [7] propõe um sistema baseado em conhecimentopara identificar e segmentar as bordas do pulmão em radiografias de tórax. Ele divide seumétodo em procedimentos que operam dados simples, ainda sem nenhum significado, eem procedimentos que operam sobre estruturas com alguma semântica, denominando-osprocedimentos de baixo nível e de alto nível. O seu trabalho é baseado em conhecimentoporque consiste basicamente em combinar objetos de baixo nível com objetos de altonível, que por sua vez foram descritos em um modelo matemático anatômico. O sistemabasicamente identifica as bordas das figuras contidas na radiografia e verifica se elascombinam com algum dos modelos matemáticos previamente fornecidos. Com base nascombinações observadas o sistema é capaz de informar quais bordas pertencem à quaisórgãos, podendo então eliminar as bordas que não pertencem aos pulmões. Através destemétodo o sistema pode também reportar prováveis anomalias. Ao final, seus autoresconcluem que os resultados obtidos foram encorajadores, apesar de ressaltar que umamelhor validação é necessária.

Aach et al. [2], em seu trabalho, traz uma discussão importante à respeito detécnicas comuns à aquisição de imagens radiográficas e sobre análise de radiografiasem formato digital. Ele discorre sobre caracteristicas às quais uma melhora pode sersignificante, tornando conveniente ressaltá-las, e ainda expõe alguns testes nesse sentido,comparando algumas imagens.

Uma combinação de métodos de detecção de bordas é utilizado por Campadelliet al. [8] para segmentar pulmões em radiografias de tórax de maneira independente doposicionamento do pulmão nas mesmas. Evidencia-se por utilizar uma combinação deduas técnicas simples diferentes na obtenção de um resultado melhor do que se elasfossem utilizadas de maneira separada. É um trabalho que segmenta o pulmão parauma posterior localização de nódulos. Portanto, procura-se também segmentar a parte

27

não visível do pulmão, coberta pelo diafragma e coração, sob o pretexto de ela tambémintegrar a região de interesse.

Em seu trabalho, Ginneken et al. [10] desenvolve um sistema também baseadoem detecção de bordas mas que utiliza um método baseado em regras para eliminaçãode bordas indesejadas. A seleção de bordas proposta difere as demais propostas e osresultados obtidos com ela foram satisfatórios.

Armato et al. [4] propõe uma técnica baseada em limiarização iterativa paraidentificação dos pulmões em radiografias. Em seu trabalho, utiliza análise de histogramae de limiares locais para obter uma limiarização ótima. Utiliza ainda uma série desuavizações para aproximar o contorno obtido com o da borda dos pulmões. Ao realizartestes em 600 radiografias, obteve resultados relevantes, demonstrando que a limiarizaçãotrata-se de uma meio viável para a solução do problema.

Tendo em vista as pesquisas realizadas com o mesmo intuito, nós observamos -além da importância do tema - a existência de diversas abordagens diferentes. Acredita-mos que um método simples e funcional, que possa ser exposto com clareza para futurasimplementações, seria uma contribuição significativa para o presente estado da arte.

CAPÍTULO 4Metodologia

Este trabalho tem por finalidade localizar a região dos pulmões em radiografiasde tórax digitalizadas. Em seu trabalho, Macedo [14] cita tal funcionalidade como sendoimportante para um melhor funcionamento do sistema PneumoCad. Desta forma, oprocedimento de identificação de pneumonia seria aplicado apenas na região de interessee não em toda a imagem da radiografia, otimizando tempo e reduzindo a probabilidade defalsos positivos.

O método aqui proposto baseia-se nas características comuns às radiografias ana-lisadas e utiliza fundamentalmente filtros de imagem e funções morfológicas matemáticaspara a obtenção dos resultados almejados.

4.1 Materiais

Este trabalho foi desenvolvido sobre uma base de dados de 500 radiografias detórax realizadas em crianças de até dois anos. As radiografias foram digitalizadas a umaresolução de 1024x768 pixels e 300 dpi. A figura 4.1 mostra o exemplo de uma imagemoriginal, antes de qualquer alteração.

Como pode ser observado na figura4.1, todas as imagens possuíam marcações naforma de letras e números. Tratam-se de datas ou identificadores inseridos no momento dadigitalização ou também pelas clínicas onde foram radiografadas. Para um correto funci-onamento do software desenvolvido, nos casos apropriados, estas marcas foram cobertaspor uma faixa branca, através de um programa de edição de imagens, antes de serem pro-cessadas, a exemplo da figura 4.2. Em algumas outras, onde as marcações se encontramsobrepondo a região que pretendemos segmentar, não fizemos a substituição, pois ela nãoseria benéfica. A intenção foi simular da melhor maneira possível o processamento deimagens sem este tipo de interferência, que seria o caso mais desejável. Observamos quese houvesse uma padronização destas marcas de identificação, como por exemplo um ta-manho e localização previamente definidos, seria possível removê-las automaticamenteatravés de um algoritmo simples, eliminando assim o trabalho manual. Contudo, nas ima-gens utilizadas não existe um padrão para as marcas e decidimos não nos aprofundar na

4.1 Materiais 29

Figura 4.1: Radiografia de tórax no padrão-ouro digitalizada

eliminação automatizada delas por se tratar de uma tarefa complexa que não é o foco dasolução aqui proposta.

Figura 4.2: Radiografia de tórax digitalizada com as marcas deidentificação cobertas manualmente

Apesar das imagens terem sido radiografadas com base em um padrão definidopela OMS (Organização Mundial de Saúde), a variação de qualidade das imagens obtidasé visível. Tal variação provém de diversos fatores tais como os equipamentos e materiaisutilizados, aptidão do profissional responsável e condições em que o exame foi realizado.Fazer com que um sistema de visão computacional processe imagens com característicasdiferentes e responda de uma maneira previsível e desejável para todas elas é umatarefa complexa. A diferença de qualidade entre as radiografias digitalizadas que aqui

30 4.2 Procedimento

analisamos influenciaram diretamente nos resultados obtidos. Para minimizar os efeitosnegativos, incluímos na solução uma fase de pré-processamento a fim de, na medida dopossível, reduzir as disparidades. Contudo, após uma primeira fase de testes, observamosa necessidade de fazer uma nova triagem da base de dados, eliminando radiografias quenão possuíssem características mínimas para o um bom funcionamento do software, comopor exemplo um contraste que torne possível diferenciar, ainda que a olho nu, o pulmãodos demais órgãos.

4.2 Procedimento

O procedimento de localização dos pulmões que aqui propomos foi divi-dido organizacionalmente em três fases: Pré-processamento, Processamento e Pós-processamento. No Pré-processamento a imagem é preparada para a sua utilização nasfases posteriores. No Processamento, a imagem é manipulada com o objetivo de desta-car todos os pixels que não dizem respeito à região dos pulmões, colorindo-os na mesmacor. No Pós-processamento, última fase da solução, as informações até então obtidas sãoorganizadas em uma estrutura de dados passível de definição da Região de Interesse daimagem analisada. Estas três fases são detalhadas nos subcapítulos que seguem.

4.2.1 Pré-processamento

A fase de pré-processamento que propomos é composta pelas etapas de: mu-dança na escala de cores, realce de contraste e limiarização. Nas próximas seções descre-vemos detalhadamente cada uma delas.

Mudança na Escala de Cores

Como dito no capítulo 4.1, as imagens analisadas são radiografias de tórax di-gitalizadas, das quais algumas marcas de identificação foram removidas manualmente.Basicamente, as cores que compõem uma radiografia estão dentro de um espaço especí-fico e podem ser representadas em uma escala de tons de cinza. Representar digitalmentea imagem em uma escala de tons de cinza quer dizer que cada pixel assumirá um valorinteiro de 0 a 255 e que este valor identifica uma das 256 tonalidades possivelmente en-contradas nela. Valores altos identificam pixels mais claros e valores menores identificampixels escuros, distribuindo assim os tons linearmente. Os componentes do corpo radi-ografado destacam-se pela diferença de absorção que os raios-x apresentam neles. Istosignifica que para fins de diagnóstico, em uma radiografia de tórax comum, as demais co-res fora da escala de cinza não fazem diferença, porque o exame feito é incapaz de obtê-las. Esta informação é relevante por estarmos trabalhando com radiografias representadas

4.2 Procedimento 31

digitalmente, obtidas tradicionalmente e posteriormente submetidas a um escaneamento,o que implica na necessidade do armazenamento de suas informações em uma estruturacomputacional de dados.

As imagens contidas na base de dados utilizadas foram todas digitalizadasem escala de cores, característica esta observada na presença de algumas marcaçõesvermelhas, as mesmas que foram inicialmente removidas. O primeiro passo da fase dePré-processamento foi transformar a imagem para a escala de tons de cinza, utilizandode função pronta, disponível na bilbioteca JavaCV. Não houve perda de qualidade. Ouseja, todas as características utilizadas nas fases posteriores foram mantidas intactas. Pormuitas vezes é vantajoso trabalhar com imagens em tons de cinza pois elas requeremum menor espaço de armazenamento e contém uma menor quantidade de informações aserem processadas [20]. Isto posto, quando tal transformação não compromete o resultadoe demonstra estas características, ela se faz desejável.

Na figura 4.3 podem ser observadas duas radiografias digitalizadas. A da es-querda demonstra uma imagem em escala colorida e a da direita demonstra uma imagemem escala de cinza. Como dito, por causa das características do exame, similaridade éperceptível e a diferença se restringe apenas à estrutura de armazenamento dos dados. Nafigura demonstrativa, não removemos as marcas de identificação para que a coloração sejaperceptível nestes pontos:

Figura 4.3: A imagem da esquerda encontra-se em escala coloridae a da direita encontra-se em escala de cinza

No caso da aplicação que aqui propomos, para além das vantagens supracitadas,a transformação da imagem para a escala de tons de cinza foi necessária e indispensável.Isto porque uma das funções da JavaCV utilizada ainda da fase de pré-processamento,para a limiarização, é aplicável, em sua implementaçãop, apenas a imagens desta natureza.

32 4.2 Procedimento

Realce de Contraste

A solução que propomos para a identificação dos pulmões na radiografia digitali-zada fundamenta-se basicamente na maneira como estes órgãos se destacam visualmentena imagem obtida pelo exame. Nela, os pulmões podem ser observados como as duasmanchas mais escuras contidas na área que representa o tórax do corpo humano. Por suavez, o restante do torax pode ser identificado por sua tonalidade que é muito mais clarado que o fundo sobre o qual foi radiografado. Em um exame bem realizado, os ossos sedestacam como sendo regiões bastante claras, inclusive as costelas que, do lado externodo corpo, podem ser a referência do ponto onde os pulmões acabam. No centro da radi-ografia encontra-se a região do mediastino, caracterizada por normalmente ser a regiãomais clara de toda a imagem. A figura 4.5 mostra um exame no qual os pulmões foramcontornados de verde manualmente. Nesta mesma imagem, o centro foi marcado por umponto vermelho:

Figura 4.4: Exemplo de radiografia com a os pulmões manual-mente marcados em verde e o centro da imagem mar-cado em vermelho.

Observadas as características gerais das imagens que analisamos, utilizamoscomo princípio para a identificação dos pulmões a diferença de tonalidade destes órgãospara com a área que os cerca. Consideramos então os pulmões como dois objetosque se destacam sobre um fundo. Quanto mais estes objetos se destacam, maior é achance do nosso programa obter êxito na sua identificação. Como dito no Capítulo 2,o aprimoramento do contraste aumenta a discriminação visual dos objetos contidos emuma cena. Portanto, como segunda etapa da fase de pré-processamento, aplicamos umrealce de contraste simples, multiplicando o valor de todos os pixels da imagem porum mesmo número. Na figura 4.5 podem ser observadas duas radiografias sendo a da

4.2 Procedimento 33

esquerda um exemplo prévio ao realce de contraste e a da direita um exemplo com ocontraste já realçado. Observa-se que na radiografia da direita existe uma diferença maiorde tonalidade entre as regiões claras e escuras, o que torna os pulmões um pouco maisevidentes.

Figura 4.5: Na esquerda, uma imagem sem realce de cotraste. Nadireita, uma imagem com o contraste realçado.

Limiarização

A etapa mais importante e computacionalmente dispendiosa da fase de pré-processamento, na solução aqui proposta, é a limiarização. Como explicado no Capítulo2.3, o intuito desta operação é separar um objeto do fundo sobre o qual ele se destaca.Neste trabalho, consiste basicamente em converter os pixels da imagem em brancos oupretos, dependendo do valor que eles possuem. Aplicamos a limiarização à imagensrepresentadas em escala de cinza, ressaltando a importância da primeira etapa onde astransformamos para a escala devida.

Para as radiografias que analisamos, uma boa escolha do limiar consiste em umaclara evidenciação dos pulmões. Definimos como sendo uma boa escolha aquela cujoresultado, ao ser analisado visualmente por um humano, destaca os pulmões na formade duas manchas pretas sobre uma superfície branca, desconexas de qualquer ruído.Contudo, se a escolha do limiar não for suficientemente boa, a identificação dos pulmõesse torna impossível, pois em alguns casos, eles poderão desaparecer ou estar conectadosao fundo da radiografia, impossibilitando saber ao certo onde começa um e onde terminao outro. De início, utilizamos para todas as imagens um mesmo valor de limiar, fixo eobtido empiricamente, através de testes e observações. Percebemos porém que o mesmolimiar que cabia perfeitamente para algumas imagens, não servia para outras. Creditamosisto à diferença de características entre elas. Observa-se que o contraste que diferenciao pulmão das demais áreas tidas como referência para sua delimitação (como costelas emediastino, por exemplo) varia imprevisivelmente de acordo com a radiografia analisada.

34 4.2 Procedimento

Para minimizar este problema, propusemos então que o limiar para esta etapado pré-processamento seja obtido dinamicamente. Modularizando a escolha do limiar naforma de uma função, ao invés de utilizarmos apenas um valor fixo, criamos um pontode otimização que independe dos demais módulos do programa, podendo ser melhoradoseparadamente e ainda assim com influência direta nos resultados. Inicialmente a técnicaproposta para obtenção do limiar era uma média simples dos valores dos pixels contidosna imagem, mas desta maneira não obtivemos bons resultados. Após testes exaustivos,definimos que a obtenção do limiar seria por meio de uma média do valor dos pixelsexcluindo dela os pixels de valor exageradamente claros (maxVal) ou escuros (minVal).Adicionamos a esta média um valor constante C, para fim de otimização, o qual escolhe-mos experimentalmente.

Apesar do resultado ser um limiar dinâmico alguns valores são constantes obtidaspor experiência. Definimos maxVal como sendo 250, portanto consideramos para o cáculoapenas pixels que tenham valor abaixo deste, eliminando os extremamente brancos. Demaneira similar, definimos o minVal como sendo 50, excluindo desta forma os pixelsde valor menor e eliminando os extremamente escuros. Calculamos o valor médio dosdemais pixels e somamos a constante C.

A figura 4.6 demonstra o estado de uma imagem após a fase de limiarização.À esquerda observa-se a radiografia digitalizada original, como a obtivemos. À direita amesma radiografia encontra-se já limiarizada utilizando o procedimento que propomos.Os pulmões podem ser identificados por um ser humano como duas manchas visivelmentedestacadas sobre um fundo branco. A área negra que se encontra nas laterais esquerda edireita da imagem significam o fundo sobre o qual o corpo foi radiografado. Denomi-namos todas as manchas que não são pulmões como sendo ruídos, inclusive este fundolateralmente visto. Definimos como caso ideal aquele em que conseguimos separar com-pletamente o pulmão de qualquer ruído.

Figura 4.6: Na esquerda, uma imagem original e na direita amesma imagem após a limiarização.

4.2 Procedimento 35

Na figura 4.6, apesar do pulmão estar visível, observa-se que uma pequena partedele ainda se encontra conectada ao fundo do lado esquerdo e por isto não consideramoseste exemplo como sendo um melhor caso. Contudo, por tratar-se de uma conexãopequena, demonstraremos na fase de processamento que conseguimos facilmente eliminá-la sem grandes prejuízos ao resultado. Havendo conexões maiores entre o pulmão e ofundo, a fase de processamento se tornará mais complicada e por vezes inviável para umresultado satisfatório. Por este motivo, consideramos o resultado da limiarização comofundamentalmente importante.

Ao final da fase de pré-processamento obtivemos então uma imagem limiarizadada radiografia, obtida após transformação na escala de cores e otimização de contraste.Na próxima fase, o processamento, iremos identificar os pulmões nela.

4.2.2 Processamento

O objetivo desta fase é processar a imagem binarizada e eliminar todos osruídos, deixando apenas os pixels referentes aos pulmões. No geral, as imagens até aquiobtidas são formadas por duas manchas escuras separadas pelo mediástino. Por conta domediástino, o centro da imagem é composto por pixels brancos. Conectadas às bordaslaterais da imagem encontram-se duas regiões compostas por pixels pretos que significamo fundo sobre o qual o corpo foi radiografado. Espera-se que estas regiões de fundoestejam completamente separadas das manchas que representam os pulmões mas atéentão não podemos garantir que isto seja verdade. Observamos que em grande parte doscasos, após a fase de pré-processamento, os pulmões encontram-se conectados à região defundo na imagem binarizada. Automatizamos então tal observação para tratar a imagemde maneira adequada.

Para localizar os pulmões precisamos de um referencial, de um ponto quesabemos estar contido na região dele. Para encontrá-lo, utilizamos o centro da imagemcomo ponto de partida. Define-se o centro da imagem como um ponto cartesiano c(x,y),onde x é a metade de largura e y a metade da altura da imagem. Para tamanhos de1024x768 pixels, como o das imagens que utilizamos, o centro é o ponto c(712,384).Tratando-se de radiografias de tórax no padrao-ouro digitalizadas, pela maneira comotradicionalmente são feitas, em seu centro encontra-se o mediástino que será uma regiãobranca após a ocorrer a limiarização. De acordo com a anatomia do corpo radiografado,o mediástino contrasta com o lado interno dos pulmões. Partindo do ponto central c(x,y),deslocamos horizontalmente para os lados direito e esquerdo, mantendo fixa a variável y ealterando o valor de x. Fazemos isto sobre uma região branca até encontrarmos o primeiropixel preto. Se incrementamos a variável x, então saberemos que o pixel preto encontradopertence ao pulmão direito. Se decrementamos, significa que o pixel pertence ao pulmão

36 4.2 Procedimento

esquerdo. O método de segmentação que propomos é executado separadamente para cadaum dos pulmões. Este procedimento é ilustrado na figura 4.7. A seta vermelha parte docentro da imagem para as laterais.

Figura 4.7: Localizando os pulmões na imagem binarizada.

Uma vez que o pixel pertencente ao pulmão tenha sido encontrado, aplicamos aele um preenchimento de área. Este preenchimento colore de cinza o ponto de referênciae também todos os pixels contíguos que tenham o mesmo valor. Após isto, podemosafirmar que a área do pulmão que estamos segmentando encontra-se colorida de cinza. Asregiões que não estejam conectadas ao pulmão deverão ser compostas por pixels brancose pretos. Contudo, precisamos saber se, na imagem que estamos analisando, o pulmão nãose encontra conectado ao fundo. Tal verificação é feita simplesmente observando a bordalateral da imagem do lado que está sendo analisado. As bordas da imagem binarizada,ou seja, os primeiros pixels na lateral da imagem, são pixels pretos que representamo fundo da radiografia. Havendo conexão do fundo com o pulmão, ao efetuarmos neleo preenchimento de área com a cor cinza, o fundo também será colorido. Para saberse o pulmão encontra-se conectado com o fundo, verificamos, após o preenchimentode área de cor cinza, feito anteriormente, a cor dos pixels na borda lateral. Sendo elesainda pretos, podemos presumir que o pulmão se encontra completamente separado dofundo da imagem. Estando eles cinza, presumimos que há uma conexão. A figura 4.8ilustra um caso onde o pulmão esquerdo encontra-se conectado com o fundo, podendoesta característica ser detectada pela coloração da borda.

Se, após a fase de pré-processamento, os pulmões estiverem completamenteseparados do fundo e mantiverem a forma original, trata-se de um caso ótimo. Sendoassim, após o preenchimento de área, apenas os pulmões estarão coloridos de cinza e o

4.2 Procedimento 37

Figura 4.8: A borda esquerda da imagem denuncia uma conexãodo pulmão com o fundo.

trabalho da fase de processamento estará praticamente terminado. Para os casos que nãoforem ótimos, precisa-se tratar da eliminação do fundo que se confunde com o pulmão.

Para eliminar corretamente a área de fundo das radiografias, deixando apenas ospulmões, utilizamos as operações de erosão e dilatação. Ao detectarmos, através da borda,a necessidade de tal eliminação efetuamos uma dilatação na imagem. Como explicadono Capítulo 2.3, uma dilatação sobre a imagem binarizada irá expandir a região branca,retraindo a área composta pelos pixels pretos. Isto tende a separar regiões de pixelsnegros que estejam conectadas. Na figura 4.9 demonstramos uma imagem exatamenteantes e após a sua dilatação. Observa-se que o pulmão esquerdo continua conectado aofundo porém, há uma conexão menor. Dilatações sucessivas irão ocasionar uma separaçãocompleta.

Figura 4.9: A imagem da esquerda demonstra a imagem binari-zada e a imagem direita demonstra a mesma após di-latação.

Como exemplificamos na figura 4.9, nem sempre uma dilatação será suficiente

38 4.2 Procedimento

para eliminar o ruído de fundo. Em muitos casos observados serão necessárias várias di-latações. A princípio, aplicamos uma quantidade fixa de dilatações a todas as imagens.Observamos um insucesso nesta abordagem pelo fato de não haver um parâmetro idealpara o número de dilatações que se adequasse à várias imagens diferentes. Observamostambém que a fidelidade ao formato original do pulmão é inversamente proporcional àquantidade de dilatações utilizadas. Portanto, para um melhor resultado final, objetiva-mos diminuir ao máximo o número de dilatações. Para isto, após detectada uma conexãoentre o pulmão e o ruído de fundo, efetuamos uma dilatação e o procedimento supracitadopara verificar se houve separação. Ainda sendo necessário, incrementamos o número dedilatações em dois e executamos os mesmos passos até detectarmos, pela verificação dacor da borda da imagem após o preenchimento de área, que as dilatações foram suficien-tes. Se comparada à primeira abordagem, onde utilizamos um número fixo de dilataçãopara todas as imagens, houve um acréscimo considerável de esforço computacional dire-cionado à solução, sobretudo nos casos em que mais iterações são necessárias.

Observamos também na figura 4.9 que ao dilatarmos a imagem para separar opulmão esquerdo do fundo, deformamos também o pulmão direito que já estava livre dequalquer ruído, em perfeitas condições para ser extraído como região de interesse. Esteé o importante motivo pelo qual, apesar de demonstrarmos uma radiografia completa nafigura 4.9, propomos uma análise de cada pulmão separadamente: é normal que cada umdeles exija uma quantidade diferente de dilatações.

A figura 4.10 demonstra três imagem do processamento do pulmão direito de umimagem analisada.

Figura 4.10: (A) Imagem antes de qualquer dilatação. (B) Imagemapós duas dilatações. (C) Imagem após quatro dila-tações.

A imagem A demonstra o pulmão exatamente após verificarmos se há nele umaconexão com o ruído de fundo. Observa-se que, ao colorirmos o pulmão, a borda da

4.2 Procedimento 39

imagem também acaba sendo colorida. Na imagem B demonstramos o resultado apósduas dilatações. Nela verifica-se que ainda há uma conexão do pulmão com o fundo masque a mesma já se encontra diminuída. A imagem C demonstra o resultado após quatrodilatações. Nela, o pulmão direito já se encontra separado completamente do ruído defundo e não há borda cinza, o que significa que não precisamos de mais iterações.

Após verificar se o pulmão continua conectado ao fundo, não havendo talconexão, o resultado do procedimento será a área do pulmão colorida de cinza e as demaisregiões da imagem em cor preta ou branca. A área cinza é a nossa região de interesse.Para uma melhor visualização do resultado, transportamos a região de interesse para umaimagem de fundo azul e demonstramos na figura 4.11.

Figura 4.11: Área do pulmão direito após segmentação e elimina-ção dos ruídos.

Se dilatações foram necessárias, isso significa que o pulmão encontra-se dimi-nuído. Para retornar ele ao seu tamanho original, após os ruídos terem sido eliminados,utilizamos a operação morfológica erosão. Aplicamos proporcionalmente a quantidade deerosões necessárias para compensar as dilatações feitas, dando assim o tamanho adequadoà região segmentada.

Após a segmentação do pulmão direito, efetuamos o mesmo procedimento desegmentação para o pulmão esquerdo da radiografia. Ao final da fase de processamento,teremos uma imagem de fundo azul com uma mancha cinza significando a região de inte-resse. Das três fases da solução que propomos para o problema, a fase de processamentoé a de maior complexidade e computacionalmente mais dispendiosa. Após ela, iniciamosa última parte da solução: o pós-processamento.

4.2.3 Pós-processamento

De maneira geral, a fase de pós-processamento que propomos é bastante simples.O intuito deste procedimento é transformar a imagem de fundo azul com pixels cinzas,

40 4.2 Procedimento

que representa a região de interesse, em uma estrutura de dados que possa ser facilmenteutilizada por demais programas. Modularizamos esta parte da solução para que, deacordo com a necessidade, outras estruturas possam ser construídas, independentementeda primeira e da segunda fase.

Para representar a região de interesse obtida através do processamento, deci-dimos criar uma estrutura P formada por dois números inteiros (x, y) que assumirão aposição cartesiana de um pixel dentro da imagem analisada. Criamos então uma lista naqual cada pixel da região de interesse é representado por um P(x, y) contendo sua posi-ção. Logo, o número de itens na lista obtida será igual à quantidade de pixels cinzas daimagem.

Apesar de termos sugerido uma lista contendo a coordenada cartesiana de cadapixel da região de interesse, frisamos que a estrutura de dados construída nesta fasenão altera o resultado até aqui obtido. Contudo, definimos a fase de pós-processamentona solução proposta para que se garanta a compatibilidade do resultado com qualquerprograma onde ele venha a ser utilizado.

CAPÍTULO 5Resultados

Após a limiarização, ocorrida no pré-processamento, observamos que a formamais eficaz de localizar o pulmão é partindo do centro da imagem. Uma vez localizado,o principal ruído que se confunde com o pulmão é o fundo sobre o qual o corpo foi radi-ografado. Uma limiarização eficaz resulta em uma desconexão com o fundo ou em umaconexão pequena. Para eliminar este ruído, efetuamos dilatações na imagem binarizada.As dilatações se mostraram eficazes, entretanto percebemos que muitas dilatações conse-cutivas resultam na perda do formato do pulmão. Por este motivo, objetivamos diminuiro número de dilatações ao máximo, efetuando uma quantidade específica delas para cadaimagem.

A maior dificuldade encontrada na elaboração deste trabalho foi garantir resul-tados similares para imagens diferentes. Apesar das radiografias analisadas terem sidofeitas no padrão-ouro - preconizado pela OMS - as diferenças existentes são o bastantepara alterar o comportamento do programa. Por este motivo, observamos casos em queconseguimos o resultado esperado e outros nos quais encontramos problemas.

A fase de pré-processamento é aplicada à radiografia como um todo, terminandona imagem limiarizada. A fase de processamento - na qual localizamos a região de inte-resse e a separamos do fundo - é aplicada em cada um dos pulmões separadamente. Porconveniência, iremos expor exemplos de segmentação do pulmão direito. A segmenta-ção do pulmão esquerdo é feita pelo mesmo procedimento. Utilizaremos neste capítulocasos especificos que ilustrem os resultados obtidos. No Apêndice A, demostraremos oresultado da execução do programa sobre vinte diferentes radiografias digitalizadas.

O melhor caso para o programa que desenvolvemos é quando a imagem limiari-zada, oriunda da fase de pré-processamento, possui o pulmão sem conexão com o fundo.Isto significa que o limiar utilizado foi ideal para o que propomos, como é o exemplo dafigura 5.1. Neste caso, após a localização e coloração do pulmão de cinza, o programairá identificar que dilatações são desnecessárias e os pixels que não possuam a cor cinzaserão coloridos de azul. A figura demonstra um exemplo em que a limiarização oteve umexcelente resultado para o pulmão direito.

Consideramos satisfatórios os casos em que conseguimos identificar a maior

42

Figura 5.1: Radiografia limiarizada após o pré-processamento.Pulmão direito desconectado

parte da região do pulmão. Das 500 imagens analisadas, obtivemos resultados satisfatóriosem 60% delas. Entre estes, observamos uma limiarização ótima para o pulmão direitoem cerca de 5% dos casos e uma identificação parcial do pulmão em 26% deles. Emalguns, o pulmão esquerdo encontra-se conectado ao fundo, o que demonstra que umlimiar considerado ótimo para um dos pulmões pode não necessariamente ser bom paraambos eles.

Figura 5.2: Processo de segmentação do pulmão direito.

O resultado do processamento de um caso ótimo é demonstrado na figura 5.2.Nela, podemos observar, do lado esquerdo, a radiografia originalmente analisada. Do ladodireito da figura, em parte da imagem, encontra-se o pulmão segmentado sobre um fundoazul, significando o resultado.

43

A remoção manual das marcas de identificação contidas nas radiografiasmostrou-se útil nos casos em que os seus caracteres conectavam o pulmão ao ruído defundo. Na prática, observamos que nem todos os casos são beneficiados. Entretanto, tam-bém observamos situações em que a remoção da marca identificativa prejudicou o resul-tado da segmentação. A figura 5.3 exemplifica isto. No canto inferior direito da imagemoriginal observamos que a mancha branca sobre a identificação separa uma pequena partedo pulmão que desaparece após o processamento. Neste caso específico, seria melhor nãofazermos a remoção, tendo em vista que não há mancha de fundo do lado direito. Apesardisto, resolvemos não ponderar separadamente sobre a remoção destas marcas, vislum-brando um caso em que elas sejam removidas automaticamente. Contudo, ao utilizar asolução em uma base maior de dados, é conveniente estudar se a remoção das marcasatrapalhará o processamento da maioria delas.

Figura 5.3: Exemplo de segmentação após limiarização ótima.

Em algumas outras imagens, apesar da limiarização ter resultado em um melhorcaso, observamos que algumas regiões de pixels, dentro da área do pulmão, não foramcoloridas de cinza pelo procedimento de localização. Utilizamos a figura 5.4 para exem-plificar este fato. Nela, tanto o pulmão esquerdo, limiarizado, quanto o pulmão direitoidentificado apresentam diversos buracos em seu interior. Isto ocorre por causa da pro-porção do contraste de tonalidade entre o pulmão e as costelas que aparecem sobre ele naradiografia. Em algumas imagens esta proporção resulta nas falhas em forma de buracoenquanto em outras, como é o caso da figura 5.3, as mesmas não acontecem.

Se a estrutura de dados criada na fase de pós processamento for utilizada paraextrair apenas o contorno do pulmão da imagem original, os buracos internos na áreaidentificada não serão problema. Porém, se a estrutura for utilizada para transferir ospixels da imagem original que pertençam ao pulmão para uma imagem auxiliar, ospixels não identificados estarão ausentes. Podemos ainda observar que houve regiões nãoidentificadas corretamente na borda do pulmão, principalmente na externa. Tratam-se deáreas onde o contorno da costela sobre o pulmão é mais evidente. Contudo, nem sempre

44

Figura 5.4: Falhas observadas na área do pulmão.

estas falhas irão comprometer o auxílio ao diagnóstico de pneumonia, pois por vezestratam-se de impedimento inclusive ao profissional treinado.

Nem todos os resultados foram obtidos com um número zero de dilatações. Noscasos em que as dilatações foram necessárias, observamos que um menor número delasresultou em uma fidelidade maior com a área do pulmão identificado. Por isto, as conexõesmenores entre pulmão e ruído de fundo ocasionaram resultados melhores. A figura 5.5demonstra um caso de conexão onde 4 dilatações foram utilizadas.

Figura 5.5: Pulmão identificado após 4 dilatações.

O resultado das iterações feitas até chegarmos no pulmão segmentado da figura5.5 pode ser visto na figura 5.6. A imagem A demonstra o pulmão logo após a sua primeiraidentificação, com 0 dilatações, ainda conectado ao fundo. Incrementamos então o númerode dilatações em 2 e as efetuamos, o que resulta na imagem B, ainda conectada masmenos do que antes. Percebendo que o número de dilatações ainda não foi suficiente,efetuamos então 4 dilatações, incrementando mais uma vez em 2 a quantidade utilizadaanteriormente. O resultado visto na imagem C é o pulmão já separado completamentedo ruído de fundo e diminuído de tamanho graças às dilatações. A imagem D demonstrao resultado do processamento, onde os ruídos foram substituídos por um fundo azul e aimagem foi erodida na proporção necessária para que o pulmão retorne ao seu tamanhooriginal.

5.1 Dificuldades Encontradas 45

Figura 5.6: Imagem: (A) Após 0 dilatações. (B) Após 2 diatações.(C) Após 4 dilatações. (D) Erodida e sem ruídos.

Na figura 5.7 demonstramos o resultado do processamento para uma caso de co-nexão maior. Na imagem A, encontra-se a radiografia imediatamente após a limiarização.Na imagem B, consta que 6 dilatações não foram o suficiente para desconectar o pulmãodo fundo. A imagem C demonstra o pulmão desconectado após 12 dilatações, mas bas-tante diminuído. A imagem D exibe o pulmão retornado ao seu tamanho, já erodido esobre um fundo limpo de ruídos. Observa-se que, dado o grande número de dilatações,apesar de tratar-se de um caso satisfatório, houve certa perda do formato originalmenteidentificado.

Figura 5.7: Imagem: (A) Após 0 dilatações. (B) Após 6 diatações.(C) Após 12 dilatações. (D) Erodida e sem ruídos.

5.1 Dificuldades Encontradas

Em 40% das radiografias a solução que propomos obteve resultados inesperados.Nestes casos, a segmentação do pulmão não foi satisfatória. Observamos que em algumasimagens, mesmo após uma boa limiarização, no resultado final o pulmão havia desapa-recido. A figura 5.8 exemplifica uma destas ocorrência. Observa-se que, mesmo havendouma pequena conexão com o fundo, após a limiarização, o pulmão ficou bem definido.

46 5.1 Dificuldades Encontradas

Contudo, quando partimos do lado esquerdo para o direito da image, em direção à regiãode interesse, o programa encontra um pixel preto pelo caminhho. Trata-se de um pequenoruído que o programa preenche de cinza e, por esperar que ele esteja conectado ao pul-mão, segue o seu procedimento normal, verificando se a borda da imagem ou o fundotambém foi preenchido. Neste momento o programa percebe que não há borda cinza eelimina todos os pixels pretos, restando apenas o pixel de ruído colorido e o fundo azul.

Figura 5.8: O pixel indicado pela seta impede uma correta identi-ficação.

Pare resolver o problema ocorrido na figura 5.8, criamos uma função paraeliminação de ruídos pequenos, como é o caso de um pixel ou de um pequeno conjuntodeles que esteja disperso na imagem. Trata-se de um número diminuto de dilatações eerosões. Dilatamos a imagem diminuindo as regiões compostas por pixels pretos. Asregiões suficientemente pequenas irão desaparecer com a dilatação. Depois erodimosa imagem em uma proporção adequada para que as regiões diminuídas retornem aoseu tamanho original. Com isso, as regiões que desapareceram após a dilatação nãoreaparecerão novamente, eliminando assim os pequenos ruídos. A figura 5.9 demonstra oresultado para a mesma imagem após inserirmos a eliminação de pequenos ruídos na fasede pré-processamento.

Observamos que estes pequenos ruídos contidos no centro da imagem prejudi-caram o resultado final em um número reduzido casos. Portanto, mantivemos a funçãopara eliminar pequenos ruídos como uma opção que pode ser ou não utilizada, de acordo

5.1 Dificuldades Encontradas 47

Figura 5.9: Pulmão identificado após eliminar os pequenos ruídos.

com o número de ocorrêncis na base de imagens, cabendo ao utilizador do programa asua ativação através de parâmetro.

Alguns resultados problemáticos não puderam ser solucionados. Um destes ca-sos é exemplificado pelas figuras 5.10, 5.11 e 5.12. Nelas, observamos que as radiografiasse encontram bastante claras. Graças ao contraste das costelas, a mancha que significa opulmão na imagem binarizada ficou dividida em várias partes desconexas. Quando parti-mos da esquerda para a direita, na metade da altura da imagem, o primeiro agrupamentede pixels pretos é encontrado e preenchido de cinza. Porém, por ser uma pequena fraçãodesconexa das demais, o restante do pulmão não é preenchido e consequentemente elimi-nado como ruído. Este é um caso típico em que não conseguimos um bom resultado nafase de pré-processamento, comprometendo o método proposto para as fases posteriores.Uma pequena fração do pulmão foi localizada e todo o restante foi identificado comoruído e eliminado.

Figura 5.10: Pequena fração desconexa identificada.

48 5.1 Dificuldades Encontradas

Figura 5.11: Pequena fração desconexa identificada.

Figura 5.12: Pequena fração desconexa identificada.

Outro problema observado quando o pulmão ficou dividido em partes, tal qualdemonstra a imagem limiarizada da figura 5.10, foi quando, ao caminharmos horizontal-mente na imagem, passamos diretamente por uma região branca até atingirmos a manchade fundo do lado oposto. Neste casos o programa irá concluir que trata-se de uma conexãoentre pulmão e fundo, efetuando dilatações persistentemente até que não reste nada alémde um fundo azul.

Na figura 5.13 demonstramos um caso em que o pulmão encontra-se muitoconectado ao ruído de fundo. A imagem A, logo após a limiarização, denuncia que olimiar automaticamente escolhido não foi adequado. A imagem B mostra que mesmo após12 dilatações a conexão com o ruído de fundo ainda é considerável. Na imagem C, após20 dilatações, o pulmão perdeu todo o seu formato, inutilizando o resultado. A imagemD demonstra que, ao final do processamento, o pulmão confundiu-se com o ruído e foieliminado completamente. As figuras 5.14 e 5.14 exemplificam outros casos similares.

Dos problemas ocorridos no método que propomos, a grande maioria é con-sequência de uma conexão muito grande entre o pulmão e o ruído de fundo. Nestes casos,o pulmão desapareceu completamente ou ficou totalmente deformado após o processa-mento resultando em uma imagem azul ou em uma mancha disforme, ambos inúteis paraa segmentação. Tais conexões são um problema oriundo da fase de pré-processamento

5.1 Dificuldades Encontradas 49

Figura 5.13: Uma conexão muito grande com o ruído de fundocompromete o resultado.

Figura 5.14: Conexão com o fundo provoca desaparecimento dopulmão.

Figura 5.15: Conexão com o fundo provoca desaparecimento dopulmão.

e ocorrem por causa de um parâmetro ruim para a limiarização. A obtenção automá-tica deste parâmetro, tal qual propomos, através de uma média, mostrou-se satisfatóriapara grande parte das imagens. Contudo, as diferenças de tonalidade observadas em cadaradiografia colaboraram para que em alguns casos a conexão do pulmão com o ruídopermanecesse ainda muito grande para ser eliminada nas fases posteriores.

CAPÍTULO 6Conclusões

Propomos um novo método para a localização e segmentação de pulmões em ra-diografias de tórax digitalizadas, com o intuito de integrar o Pneumocad, uma ferramentapara auxiliar o diagnóstico de pneumonia na infância. Dividimos o método em três fases:pré-processamento, processamento e pós-processamento. Desenvolvemos um programacom o método proposto e aplicamos sobre uma base de radiografias de crianças.

Eliminamos manualmente marcas de identificação contidas originalmente nasradiografias e observamos que a adoção de um padrão para estas marcas é importantepara uma futura remoção automática das mesmas. O principal desafio encontrado foigarantir resultados similares para imagens diversas. A média que utilizamos ao limiarizarse mostrou adequada para grande parte das imagens. Porém, em virtude à diferença detonalidade inerente à elas, observamos casos em que o resultado não foi adequado.

Durante a segmentação - na fase de processamento - procuramos localizar opulmão e eliminar os ruídos presentes. Após a limiarização, consideramos como ruídotoda e qualquer área composta por pixels pretos mas que não pertencessem ao pulmão.Testes demonstraram que o principal ruído a ser eliminado foi o fundo sobre o qual ocorpo foi radiografado, que apareceu na forma de uma mancha negra colada à borda daimagem. Onde houve conexão entre o pulmão e o ruído de fundo, as dilatações e erosõesdemonstraram-se eficazes ao eliminá-las. Entretanto, no caso de conexões muito grandes,dilatações consecutivas resultaram na perda de formato do pulmão ou em seu completodesaparecimento.

Os problemas externos ao software observados foram radiografias de baixa qua-lidade e marcas de identificação impressas de forma inadequada. Para além destes proble-mas, observamos que os casos de insucesso originaram-se na fase de pré-processamento,onde calculamos o limiar para efetuarmos a limiarização da imagem. A natureza modulardo programa permitirá uma otimização futura do pré-processamento de maneira indepen-dente do restante do código.

O método que propomos para a segmentação dos pulmões obteve um sucessosignificante, obtendo a região de interesse correta em uma grande quantidade de casos.

6.1 Trabalhos Futuros 51

6.1 Trabalhos Futuros

• Desenvolver um método para a remoção automática das marcas de identificaçãocontidas nas radiografias.• Otimizar a obtenção do parâmetro para a limiarização, na fase de pré-

processamento, adequando-o para uma diversidade maior de imagens.• Providenciar o preenchimento de áreas internas à região de interesse, que eventual-

mente não tenham sido identificadas.• Otimizar o desempenho do programa desenvolvido, buscando assim obter segmen-

tações mais ágeis.

Referências Bibliográficas

[1] Image Enhancement Processing, chapter 9 - Image Enhancement Processing.

Society of Photo-Optical Instrumentation Engineers, 2010.

[2] AACH, T.; SCHIEBEL, U.; SPEKOWIUS, G. Digital image acquisition and proces-

sing in medical x-ray imaging. Journal of Electronic Imaging, 8(Special Section on

Biomedical Image Representation):7–22, 1999.

[3] ANDRADE, A. L. S.; FRANCO, C. M.; LAMARO-CARDOSO, J.; ANDRÉ, M. C. D.;

OLIVEIRA, L. L.; KIPNIS, A.; ROCHA, C. G.; ANDRADE, J. G.; ALVES, S. L.; PARK,

I. H. Non-typeable streptococcus pneumoniae carriage isolates genetically

similar to invasive and carriage isolates expressing capsular type 14 in brazilian

infants. The Journal of Infection, 2010.

[4] ARMATO, S.; GIGER, M.; MACMAHON, H. Automated lung segmentation in

digitized posteroanterior chest radiographs. Academic Radiology, Abril 1998.

[5] AUDET, S. JavaCV.

[6] BRADSKI, G.; KAEHLER, A. Learning OpenCV. O’Reilly, 2008.

[7] BROWN, M. S.; WILSON, L. S.; DOUST, B. D.; GILL, R. W.; SUND, C. Knowledge-

based method for segmentation and analysis of lung boundaries in chest x-ray

images. Computerized Medical Imaging and Graphics, 1998.

[8] CAMPADELLI, P.; CASIRAGHI, E. Lung field segmentation in digital postero-

anterior chest radiographs. Universit‘a degli Studi di Milano.

[9] FRANCISCO, F. C.; MAYONE, W.; CARVALHO, A. C. P.; FRANCISCO, V. F. M.; FRAN-

CISCO, M. C. Radiologia: 110 anos de história. sociedadeclementeferreira.org.br,

2005.

[10] GINNEKEN, B. V.; ROMENY, B. M. T. H. Automatic segmentation of lung fields in

chest radiographs. Medical Physics, 2000.

[11] GONZALEZ, R. C.; WOODS, R. E. Digital Image Processing. 2008.

Referências Bibliográficas 53

[12] JOANNE M. LANGLEY, MD; JOHN S. BRADLEY, M. Defining pneumonia in critically

ill infants and children. Pediatric Critical Care Medicine, 2005.

[13] LOPES, E. S. S.; NAMIKAWA, L. M.; BRUNO, R. L. Spring: Tutorial de geoproces-

samento.

[14] MACEDO, S. O. D. Desenvolvimento de um sistema de auxílio ao diagnóstico

de pneumonia na infância utilizando visão computacional. Master’s thesis,

Universidade Federal de Goiás, 2007.

[15] MARENGONI, M.; STRINGHINI, D. Tutorial: Introdução à visão computacional

usando opencv. Universidade Presbiteriana Mackenzie.

[16] MILANO, D. D.; HONORATO, L. B. Visão computacional. – Universidade Estadual

de Campinas– Faculdade de Tecnologia.

[17] OLIVEIRA, L. L. G. D. Diagnóstico auxiliado por computador na detecção de

pneumonias na infância. Master’s thesis, Universidade Federal de Goiás, 2007.

[18] ORGANIZATION, W. H. Standardization of interpretation of chest radiographs for

the diagnosis of pneumonia in children. 2001.

[19] ORGANIZATION, W. H. Pneumonia is the leading cause of death in children.

2011.

[20] REHEM, A.; TRINDADE, F. H. Técnicas de visão computacional para rastrea-

mento de olhar em videos, 2009.

[21] ROSENFELD, A.; CHELLAPA, R. Computer vision: Attitudes, barriers, counseling.

World Scientific Publishing Radiology, Abril 1993.

[22] SCURI, A. E. Fundamentos da imagem digital. Pontifícia Universidade Católica do

Rio de Janeiro, 1999.

[23] SOUZA, A. I. D.; SANTOS, C. A. D. Introdução à visão computacional - morfologia

matemática.

APÊNDICE AImagens Processadas

55

56

57

58

59