Um novo método de contorno ativo geodésico rápido para segmentação de pulmão em imagens de tomografia computadorizada

Abstract

Entre as principais causas de morte no mundo ainda se encontram as doenças pulmonares. Nesta perspectiva, imagens médicas têm sido amplamente utilizadas na investigação para a detecção precoce das lesões pulmonares. Assim, a tarefa de identificação automática da região que representa a cavidade pulmonar apresenta relevância no contexto clínico, viabilizando o desenvolvimento de sistemas de auxílio ao diagnóstico. Diante disto, o presente trabalho propõe uma nova abordagem adaptativa para múltipla segmentação de pulmão chamado Contorno Ativo Geodésico Morfológico Rápido (FGAC, do inglês Fast morphological Geodesic Active Contour). O método destaca-se por não possuir estágios prévios de treinamento, entretanto, apresenta um desempenho equivalente ou superior a outras abordagens tradicionais e baseadas em treinamento supervisionado. Além disso, o FGAC propõe, em sua construção, um novo detector de borda baseado em lógica Fuzzy. A metodologia de avaliação proposta considerou 72 imagens de pulmão a partir de exames de tomografia computadorizada do tórax. As imagens são de voluntários e estão distribuídas igualmente em amostras classificadas como Fibrose, Doença Pulmonar Obstrutiva Crônica (DPOC) e saudáveis. As marcações manuais feitas por um especialista foram consideradas como padrão ouro. Quanto ao resultado das segmentações, o FGAC foi avaliado sob dois pontos de vista: o primeiro diz respeito às medidas quantitativas e o segundo aos índices de similaridade. Ambas análises foram aplicadas a dois grupos com abordagens já consolidadas na literatura, sendo o primeiro grupo representado por métodos tradicionais representado pelos métodos VFC, GVF, THRMod, THRMulti. Já o segundo grupo é formado por métodos de segmentação que utilizam conhecimento a priori ou estágios de treinamento supervisionados, são eles OPS, SISDEP, Crisp e CRAD. O FGAC apresentou resultados promissores para os índices de similaridade, a saber o coeficiente de Jaccard (92.73%), coeficiente DICE (96.19%) e também o coeficiente de correlação de Matthews (95.54%). Alcançando sensibilidade (99.21%) e acurácia (98.86%) relevantes. Além destes, o tempo médio de segmentação do FGAC alcança 1.98 segundos, indicando um custo de tempo menor que os demais métodos de segmentação considerados, são eles GVF (240s), VFC (30s), OPS com distância euclidiana (5.86s), SISDEP (4.90s) e CRAD (2s). Sugerindo um potencial para aplicações com restrições de tempo. Portanto, diante da metodologia proposta, o FGAC apr