003 - Introdução Ao Processamento de Imagens Médicas PDF

Captulo 2
Introduo ao Processamento de Imagens Mdicas

para Auxlio ao Diagnstico
Uma Viso Prtica
Ftima L. S. Nunes
Abstract
Computer-aided diagnosis (CAD) systems are computational tools that
aim to help medical professionals in their diagnostic decisions. These applica-
tions have opened new opportunities for computing professionals and have offe-
red varied researches for academia. This chapter presents the main concepts
of medical image processing, focusing on the construction of CAD systems that
have these images as their main source of data. We cover concepts related to
the formation of medical images and classical techniques of processing these
images. We present examples of computational applications implemented with
a combination of processing techniques to achieve the pre-determined objecti-
ves of CAD systems.
Resumo
Sistemas de auxlio ao diagnstico (computer-aided diagnosis CAD)
so ferramentas computacionais que visam a auxiliar profissionais da Medicina
nas decises a respeito de diagnsticos. Estas aplicaes tm aberto novas
oportunidades para profissionais de Computao e oferecido opes variadas
para pesquisas na academia. Este captulo apresenta os conceitos principais
de processamento de imagens mdicas, focalizando a construo de sistemas
CAD, que tm estas imagens como principal fonte de dados. So abordados
conceitos relacionados formao das imagens mdicas e s tcnicas clssi-
cas de processamento aplicadas a essas imagens. So tambm apresentados
exemplos de aplicaes computacionais implementadas com a combinao de
tcnicas de processamento para atingir objetivos pr-determinados em siste-
mas CAD.
2.1. Introduo
Sistemas de diagnstico auxiliado por computador (ou simplesmente
esquemas CAD, de computer-aided diagnosis) so sistemas computacionais,
muitas vezes acoplados a equipamentos mdicos, com a finalidade de auxiliar
73
L. S. Nunes
na tomada de deciso a respeito de um diagnstico. Aplicaes com finalida-

des diversas tm sido desenvolvidas por vrios grupos de pesquisas, visando
a auxiliar na composio de diagnsticos como uma forma de contribuir para a
deteco precoce de doenas.
Giger (2000) define o diagnstico auxiliado por computador como aque-
le no qual o radiologista usa os resultados de uma anlise computadorizada
de imagens mdicas como uma segunda opinio na deteco de leses e na
elaborao do diagnstico. A importncia desses esquemas enfatizada por
Chanet al. (1990), Doi et al. (1991), Ellis et al. (1993), Giger and MacMahon
(1996) e Petrick et al. (1996), que apresentam taxas de diagnsticos errados
em programas de rastreamento e mostram que o uso de esquemas CAD pode
melhorar o desempenho de radiologistas no diagnstico mdico.
Verifica-se, entretanto, que apesar de ser objeto de pesquisas de vrias
instituies ao redor do mundo, so poucos os sistemas deste tipo aplicados
no dia-a-dia da prtica mdica. Isso se deve principalmente ao fato de que esta
classe de sistema exige alto desempenho, tanto em nvel de velocidade de
execuo quanto em nvel de acerto nos resultados. Seus resultados so utili-
zados para tomar decises em termos de diagnstico e escolha de tratamento;
por isso, alguns tipos de erro so inadmissveis.
No Brasil, a situao no diferente. Alguns grupos de pesquisa, liga-
dos principalmente a universidades, dedicam-se ao estudo, implementao e
avaliao desse tipo de sistema. No entanto, percebe-se que os resultados
so ainda iniciais, constituindo um mercado promissor para os prximos anos,
tanto em termos de pesquisa quanto em termos de implementao em nvel
industrial.
Em geral, os sistemas CAD fornecem opinies a partir de informaes
extradas de imagens mdicas, que podem ser provenientes de diversos tipos
de modalidades, como Radiografia, Ultra-sonografia e Ressonncia Magnti-
ca Nuclear, entre outras. Tcnicas de processamento de imagens, inteligncia
artificial, reconhecimento de padres, entre outras especificidades computa-
cionais, so aplicadas com o objetivo de melhorar tais imagens e extrair delas
informaes teis ao diagnstico.
Sistemas completos, considerando software e hardware, necessitam da
participao de equipes multidisciplinares. Alm dos profissionais da compu-
tao so necessrias as habilidades de engenheiros, fsicos, estatsticos e,
obviamente, especialistas da rea de sade para a qual o sistema est sendo
desenvolvido. Como mencionado, atualmente vrios centros de pesquisas no
mundo dedicam-se ao desenvolvimento de sistemas CAD com objetivos varia-
dos. Exemplos so os CADs para deteco de doenas pulmonares de Arimu-
ra et al. (2004), colonoscopia virtual (Nappi et al., 2004), cncer de mama (Doi
et al., 1997; Nunes et al., 2001a), entre outros.
O objetivo deste captulo apresentar tcnicas de processamento de
imagens, estabelecendo como foco principal as aplicaes sobre imagens
mdicas, destinadas a constiturem fontes de dados para sistemas CAD. So
74
apresentados conceitos sobre a formao de imagens mdicas, tcnicas de

processamento de imagens e seus efeitos sobre imagens mdicas, alm de
exemplos de aplicaes reais de tcnicas com o objetivo de auxiliar na detec-
o precoce de doenas.
As tcnicas aqui apresentadas podem ser aplicadas a imagens pro-
venientes de qualquer modalidade. Por questes de delimitao de objeto de
estudo, maior nfase ser dada s imagens provenientes de Radiografia. Os
exemplos apresentados consideraro apenas imagens em tons de cinza, visto
que grande parte das modalidades mdicas considera escalas de cinza para
representar as diferentes estruturas. No entanto, os conceitos apresentados
podem ser aplicados a imagens coloridas com algumas adaptaes.
2.2. Modalidades de Imagens Mdicas

Desde que Rentgen, em 1895, descobriu a existncia de uma radiao
at ento desconhecida, capaz de atravessar materiais, ser parcial ou total-
mente absorvida por eles e fixar-se em anteparos, a dinmica dos exames
mdicos sofreu drsticas mudanas. Com a descoberta dos Raios-X, h pouco
mais de 100 anos, tornou-se possvel a visualizao de estruturas internas do
corpo e diagnosticar anomalias.
A partir da, o avano na aquisio, processamento e armazenamen-
to de imagens mdicas vem permitindo o aperfeioamento de diagnsticos e
tratamentos de doenas de naturezas diversas. Cada modalidade de imagem
mdica atua de forma diferenciada. Sua aquisio visa a ressaltar as diferen-
as entre os diversos tipos de tecidos existentes na natureza e, especialmen-
te, aqueles que compem o corpo humano, fazendo com que estruturas de
interesse se sobressaiam e, assim, possam ser identificadas como eventuais
anomalias.
Maintz and Viergever (1998) lembram que as modalidades mdicas po-
dem ser classificadas em duas categorias globais: anatmicas e funcionais.
As modalidades anatmicas so dedicadas a identificar morfologias, incluindo
Raio-X, Tomografia Computadorizada (TC), Ressonncia Magntica Nuclear
(RMN), Ultra-som (US), entre outras. H outras modalidades derivadas dessas
primeiras, sendo citadas por nomenclaturas diferentes como Angiografia por
Ressonncia Magntica (derivada da RMN), Angiografia por Tomografia Com-
putadorizada (derivada da TC), Angiografia por Subtrao Digital (derivada de
Raio-X) e Doppler (derivada de US). As modalidades funcionais so aquelas
que tm o objetivo de adquirir informao a respeito do metabolismo relacio-
nado a uma anatomia, incluindo cintilografia, SPECT (single photon emission
computed tomography), PET (positron emission tomography), modalidades de
medicina nuclear, RMN funcional, entre outras (as nomenclaturas foram man-
tidas em ingls a fim de relacion-las com suas siglas, que as identificam na
rea mdica).
As consideraes e imagens apresentadas neste captulo dedicam-se
apenas a modalidades anatmicas. As sees a seguir apresentam as prin-
75
L. S. Nunes
cipais caractersticas da formao de imagens mdicas considerando quatro

modalidades: Radiografia, Ultra-sonografia, Ressonncia Magntica Nuclear e
Tomografia Computadorizada. apresentada uma viso geral da formao da
imagem em cada uma delas e problemas inerentes modalidade, aos quais as
tcnicas de processamento de imagens podem oferecer contribuies. Maior
nfase ser atribuda Radiografia, visto que os exemplos utilizados no cap-
tulo so, na sua maioria, provenientes desta modalidade de imagem e que v-
rios dos problemas relacionados a esta primeira modalidade apresentada so
aplicveis a outras modalidades e podem ser minimizados com o emprego de
tcnicas de processamento de imagens. No se pretende esgotar o assunto,
mas fornecer uma base terica a fim de que possam ser compreendidos os
conceitos e exemplos das prximas sees.
2.2.2. Radiografia
Na Radiografia a imagem se forma em conseqncia, entre outras coi-
sas, da interao dos ftons de Raios-X com a matria. Esses ftons atraves-
sam o objeto, sofrendo atenuaes, causadas pela sua absoro total ou par-
cial. O nvel de absoro depende dos elementos constituintes desse objeto.
Dentro do corpo humano, por exemplo, ossos, msculos e gordura absorvem
os ftons com diferentes nveis de absoro, levando a diferentes atenuaes
e, conseqentemente, diferentes intensidades de radiao que chegam ao an-
teparo no qual a imagem ser formada. Isso resulta em diferentes tons de
cinza. essa diferena que possibilita a formao do contraste, permitindo a
identificao de estruturas anatmicas. A seguir so apresentados alguns pro-
blemas inerentes Radiografia que influenciam na formao da imagem.
Os Raios-X constituem radiao ionizante e o excesso deste tipo de
radiao traz prejuzos ao organismo humano. Por isso, imprescindvel um
controle a fim de que a dose de radiao recebida pelo paciente no seja mais
prejudicial do que o benefcio a que ela se prope. Alguns fatores contribuem
para o aumento da dose absorvida, como o aumento da tenso e o aumento
da corrente para a produo de ftons e, ainda, o prolongamento do tempo de
exposio. Geralmente estas prticas so aplicadas quando desejada uma
imagem com intensidade mais acentuada (Curry III et al.,1990). Com relao
a esta caracterstica, as tcnicas de processamento de imagens podem con-
tribuir no sentido de realar a imagem de acordo com a intensidade desejada,
dispensando os costumeiros aumentos de tempo de exposio, tenso e/ou
corrente de tubo (Ishida et al., 1983).
O efeito Heel outro problema a ser enfrentado pelo processamento
de imagens, conforme destacado por Curry III et al. (1990) e Wilks (1987):
a intensidade da radiao do tubo no uniforme em todas as regies do
campo, sendo dependente do ngulo em que os ftons so emitidos do ponto
focal. Conseqentemente, o nvel de intensidade no filme poder variar para
estruturas que tm o mesmo ndice de absoro. Isso causa uma preocupao
constante com os mtodos a serem empregados nos sistemas de CAD: no
76
possvel fixar valores de cores (em geral, nveis de cinza) que representem
as estruturas de interesse aps a digitalizao. So aplicadas, ento, tcnicas
adaptativas regio.
A radiao espalhada, causada por ftons desviados de suas trajetrias
ideais, um outro ponto que pode constituir um problema no processamento de
imagens. Por apresentar uma caracterstica randmica, no possvel prever o
seu efeito. Por isso, uma das possibilidades que cause rudos e reduo do
contraste na imagem, de acordo com Wilks (1987) e Curry III et al. (1990). Um
dos tipos de espalhamento mais citados na literatura o efeito Compton, onde
parte da energia do fton absorvida pela matria e outra parte permanece no
prprio fton. Ocorrendo o desvio deste fton em uma direo inesperada, seu
efeito pode ser desde rudos e diminuio do contraste da imagem (Jackson et
al.,1993) at aumento da dose no paciente.
O efeito da radiao espalhada pode ser diminudo com a utilizao
de grades (Scaff, 1979), que consistem em peas compostas por uma srie
de faixas de chumbo separadas por espaos. Acopladas ao sistema, o seu
funcionamento ideal deveria permitir a absoro da radiao espalhada sem
absorver a radiao primria e, ento, proporcionar o mximo contraste no fil-
me sem aumentar a exposio do paciente. No processamento de imagens, a
forma de superar o efeito da radiao espalhada estabelecer procedimentos
que removam rudos e aumentem o contraste da imagem, como a limiarizao
e filtros que suprimam os sinais de alta freqncia. No entanto, estes procedi-
mentos devem ser cuidadosos, visto que alguns componentes de alta freqn-
cia podem constituir estruturas de interesse em um diagnstico.
A distoro na imagem radiogrfica pode ser resultante da magnificao
desigual de diferentes partes do mesmo objeto, conforme afirmado por Curry
III et al. (1990). Muitas vezes a magnificao desigual devido ao posiciona-
mento do objeto. A distoro da imagem pode ser diferente para diferentes
partes do feixe de Raios-X. Assim, dois ou mais objetos podem sofrer distor-
es diferentes se estiverem posicionados em locais com distncias diferentes
do filme. A penumbra tambm constitui uma forma de distoro. Consiste em
uma regio de borramento que contorna a imagem real do objeto no filme. Na
mamografia, por exemplo, geralmente a mama est em contato com o local
de registro da imagem, o que, teoricamente, deveria eliminar a possibilidade
de penumbra. No entanto, a estrutura de interesse, estando espalhada pela
mama, nem sempre est em contato com o filme, causando, dessa forma, uma
penumbra (Schiabel et al., 1994). Distores causam complicaes em um
sistema para deteco de estruturas pequenas e cujo formato importante.
Muitas vezes, formato e tamanho so caractersticas empregadas para o reco-
nhecimento e classificao de estruturas de interesse.
A sobreposio de objetos outro aspecto que exerce grande influncia
no reconhecimento de padres, considerando que a imagem radiogrfica
a representao bidimensional de um objeto tridimensional. Dependendo do
posicionamento das estruturas internas do rgo cuja imagem est sendo ad-
77
L. S. Nunes
quirida, a imagem resultante pode apresentar sobreposio destes elementos,

transformando dois ou mais objetos em um bloco nico. Uma possvel soluo
para esta questo o processamento da imagem a partir de projees diferen-
tes do mesmo objeto, de forma que a localizao de possveis estruturas e o
relacionamento entre suas localizaes forneam aos mdicos mais subsdios
para o diagnstico correto. Outra maneira de solucionar a questo seria o pro-
cessamento e a reconstruo de imagens tridimensionais.
O contraste e a resoluo espacial tambm so caractersticas das ima-
gens que podem prejudicar o diagnstico. Na imagem radiogrfica o contraste
refere-se diferena de densidades entre reas, conforme afirmam Dhawan et
al. (1988) e Curry III et al. (1990). Se o objeto cuja imagem est sendo regis-
trada formado por diferentes elementos e cada um desses elementos apre-
senta diferentes nveis de absoro dos ftons de Raios-X, ento, o padro a
ser registrado no filme apresentar diferentes intensidades. Quanto maior for
a diferena entre as intensidades, maior ser o contraste percebido e, prova-
velmente, maior facilidade oferecer para interpretao mdica. Alm disso,
para que seja utilizado um esquema computadorizado para reconhecimento
de estruturas, os filmes radiogrficos precisam ser digitalizados ou, ento, a
imagem precisa ser adquirida digitalmente. Os equipamentos utilizados para
esse processo variam muito em termos de escala de cores (ou nveis de cinza)
oferecidas e resoluo espacial. As cores (ou nveis de cinza) esto diretamen-
te relacionadas com o contraste. Geralmente uma faixa de densidades pticas
do filme representada por um nico valor na escala de cores durante a digi-
talizao, como mostrado por Chan et al. (1987).
A resoluo espacial, por sua vez, refere-se quantidade de pontos por
unidade de medida que permite a maior ou menor percepo de detalhes na
imagem. Em uma imagem digitalizada, refere-se quantidade de pontos em
um centmetro ou milmetro quadrado que, ao final, estabelecer o tamanho da
menor unidade da imagem digitalizada: o pixel.
Esses dois ltimos aspectos abordados devem ser bem analisados e
definidos para se ter um esquema CAD eficiente. As cores ou nveis de cinza
sero processados a fim de informarem o tamanho e localizao da estrutura
reconhecida. Da mesma forma, no processamento, o tamanho do pixel muito
importante, principalmente na identificao de estruturas pequenas, como
o caso de microcalcificaes em mamogramas. Se a digitalizao no forne-
cer um tamanho suficientemente pequeno de pixel, algumas microcalcifica-
es pequenas podem ser desprezadas e at mesmo desaparecer durante o
prprocessamento, conforme afirmam Chan et al. (1987).
Apesar dos problemas citados nesta seo estarem relacionados com
as imagens radiolgicas, vrios deles esto presentes em imagens advindas
de outras modalidades, principalmente aqueles inerentes imagem propria-
mente dita, como distoro e resoluo de contraste. Esses aspectos so
aqueles que podem ser mais beneficiados pelas tcnicas de processamento
de imagens.
78
2.2.3. Ultra-sonografia
Bronson (2002) e Bega et al. (2001) definem a Ultra-sonografia como
uma modalidade de exame baseada na reflexo de som. A imagem se forma
quando uma onda sonora refletida ao chocar-se com a regio anatmica em
anlise. Para formar as imagens da estrutura do corpo humano, esta modali-
dade utiliza uma faixa de ondas sonoras com uma freqncia maior do que a
audvel para o ser humano. Em aplicaes de diagnsticos mdicos so utiliza-
das freqncias de 1 a 10 MHz.
um dos mtodos, dentre os exames de diagnstico por imagem, mais
utilizado no rastreamento de doenas, especialmente por no ser invasivo, ter
boa sensibilidade e baixo custo, permitindo o exame de rgos abdominais,
plvicos e estruturas superficiais como mama, tireide, globo ocular e sistema
msculo-esqueltico. Por outro lado, pode-se citar como desvantagens o fato
de que a qualidade da imagem depende da habilidade do operador, a baixa
resoluo espacial e a presena constante de rudos na imagem.
O equipamento de ultra-sonografia porttil e o modelo padro for-
mado por monitor, aparelho de impresso, teclado e um emissor/receptor. As
imagens so geradas em nveis de cinza e em tempo real, sendo seu tamanho
definido por uma matriz que contm geralmente 512x512 pixels. As imagens
geradas so armazenadas em memria digital, videocassete, ou diretamente
no filme atravs de uma cmera multiformato. importante destacar que ru-
dos de outros equipamentos podem ser captados pelo aparelho de ultra-som
gerando faixas lineares ou pontos na imagem, criando certas deformaes e
irregularidades capazes de dificultar a anlise do exame.
2.2.4. Ressonncia Magntica Nuclear

Dainty and Shaw (1976) definem que a Ressonncia Magntica Nuclear
baseada nas propriedades magnticas dos ncleos atmicos, sendo capaz
de oferecer detalhes anatmicos e informaes estruturais e fisiolgicas de
forma superior fornecida por outras modalidades. capaz de gerar imagens
que diferenciem claramente os vrios tipos de tecidos moles, mesmo que es-
ses tenham a mesma densidade de massa.
O fenmeno de ressonncia, de acordo com Luiten (1981), manifesta-
se nos mais diversos tipos de sistemas da natureza, ocorrendo sempre que
acontece um estmulo cuja freqncia seja prxima freqncia do sistema.
No ncleo das clulas, esta ressonncia tem natureza magntica, derivando
do fato de certos ncleos terem um momento angular intrnseco chamado spin
e um momento magntico associado a ele.
Arcuri and McGuire (2001) citam que esta tcnica baseia-se no prin-
cpio de que os ncleos dos tomos, que em estado normal giram com spins
em orientaes randmicas, se orientam quando colocados num campo mag-
ntico. Por isso, a aplicao de um pulso de rdio-freqncia a esses ncleos
orientados faz com que estes absorvam e emitam uma quantidade de energia
cuja freqncia precisa de ressonncia e depende das prprias caractersticas
79
L. S. Nunes
do ncleo e do campo magntico. Quando o crebro, por exemplo, submetido

a um campo magntico ao qual uma freqncia de rdio superimposta, seus
tecidos emitem freqncias diferentes por terem constituies fsico-qumicas
distintas. Isso torna possvel diferenciar os sinais emitidos pelas substncias
cinzenta ou branca, gerando uma imagem de grande preciso espacial.
Na formao da imagem na RMN, uma das principais propriedades
mapeadas a densidade local dos ncleos atmicos, sendo o hidrognio o
elemento mais utilizado, devido s caractersticas intrnsecas deste elemento e
tambm pelo motivo de que o corpo humano possui grande quantidade deste
elemento na sua composio. Para gerar as imagens, uma amostra de ncle-
os perturbada por uma seqncia de pulsos de radiofreqncia, emitindo
um sinal de RMN para cada um dos ncleos excitados. O registro dos sinais
retornados permite a formao da imagem com grande diferenciao entre os
tecidos.
Durante a execuo do exame, o paciente se posiciona em uma esp-
cie de tnel no qual esto localizadas as bobinas magnticas que geram a fre-
qncia necessria ao procedimento. Conforme lembram Arcuri and McGuire
(2001), a claustrofobia e o barulho do equipamento so desvantagens da tcni-
ca. Tambm deve ser citado como desvantagem o fato de que esta modalidade
de imagem mdica pode ser perigosa para pacientes que possuem implantes
metlicos, como marcapassos.
2.2.5. Tomografia Computadorizada

Conforme define Wilks (1987), da mesma forma que a radiografia con-
vencional, a Tomografia Computadorizada baseia-se no princpio de os Raios-
X serem apenas parcialmente absorvidos pelo corpo.
Enquanto que na radiografia convencional o feixe de Raios-X pirami-
dal e a imagem obtida uma imagem de projeo, na TC o feixe emitido por
uma pequena fenda e tem a forma de leque. O tubo de Raios-X gira 360 graus
em torno da regio do corpo a ser estudada e a imagem obtida tomogrfica,
ou seja, so obtidas fatias da regio investigada. Em oposio ao feixe de
Raios-X emitidos, tem-se um detector de ftons que gira concomitantemente
ao feixe. Os ftons emitidos dependem da espessura do objeto e da capacida-
de deste de absorver os Raios-X. Os detectores de ftons da TC transformam
os ftons emitidos em sinal analgico e depois digital.
Aps a aquisio das sees transversais, as informaes obtidas so
processadas utilizando uma tcnica matemtica chamada de projeo retr-
grada, ou outras, como a transformada de Fourier.
As imagens tomogrficas podem ser obtidas em dois planos: axial (per-
pendicular ao maior eixo do corpo) e o coronal (viso frontal). Aps a sua
obteno, recursos computacionais podem permitir reconstrues no plano
sagital (paralelo sutura sagital do crnio) ou reconstrues tridimensionais.
A principal vantagem da TC que permite o estudo de sees trans-
versais do corpo vivo. uma grande melhoria em relao s capacidades da
80
radiografia convencional, pois permite a deteco ou o estudo de anomalias

que no seria possvel seno atravs de mtodos invasivos.
Uma das principais desvantagens a grande quantidade de radiao
X imprimida ao paciente. Outra desvantagem o seu elevado preo, especial-
mente quando comparada com outros mtodos como a radiografia convencio-
nal.
2.2.6. Consideraes para o processamento de imagens

Cada modalidade de imagem mdica responde a um ou mais aspectos
presentes nos materiais que compem os seres da natureza. Assim, cada uma
delas tem peculiaridades que fazem com que sejam mais ou menos adequa-
das para o diagnstico de determinadas doenas.
A finalidade das imagens mdicas auxiliar na composio do diag-
nstico de anomalias e fornecer material para acompanhamento de terapias.
Como mencionado nas sees anteriores, cada modalidade tem objetivos es-
pecficos e pode apresentar problemas especficos. Na prtica, a composio
de um diagnstico pode utilizar imagens adquiridas de modalidades diversas,
visto que as limitaes de uma modalidade podem ser superadas por caracte-
rsticas de uma outra modalidade, fazendo com que uma modalidade comple-
mente a outra.
Os diferentes objetivos e os diferentes problemas apresentados pelas
modalidades requerem tratamentos diferentes, que podem ser obtidos a partir
da aplicao de tcnicas de processamentos de imagens. No tratamento de
imagens mdicas, necessrio, antes de qualquer deciso, definir-se o objeti-
vo a ser alcanado. Somente aps esta definio possvel traar estratgias
a partir da utilizao de uma tcnica de processamento, da combinao de
vrias delas ou, ainda, da criao de novas tcnicas.
O tpico a seguir apresentar inicialmente algumas definies e concei-
tos bsicos sobre imagem digital. Em seguida, so abordadas as principais tc-
nicas citadas na literatura para suavizao, realce e segmentao de imagens,
com exemplos de aplicao e algoritmos para implementao.
2.3. Processamento de imagens mdicas
2.3.2. Definies bsicas

Na literatura, h vrias obras clssicas de processamento de imagens,
com tima qualidade no que se refere apresentao de definies e concei-
tos. O contedo a seguir tem como base principalmente Gonzalez and Woods
(2002), Ballard and Brown (1982) e Russ (1992). Para leitores que estejam
interessados em processamento de imagens utilizando a linguagem Java, uma
boa introduo apresentada por Santos (2004).
De acordo com Ballard and Brown (1982), a formao da imagem ocor-
re quando um sensor registra a radiao que interagiu com objetos fsicos. A
imagem, ento, uma representao do objeto fsico que pode ser armaze-
81
L. S. Nunes
nada, manipulada e interpretada de acordo com as necessidades do interes-

sado. Matematicamente, uma imagem pode ser descrita como uma funo da
intensidade do sinal retornado em um sensor. A aproximao mais clssica
a definio como uma funo da intensidade luminosa refletida do objeto A
maioria das imagens considera o espao bidimensional, sendo definida como
f(x,y), onde x e y so as coordenadas espaciais e o valor de f na coordenada
espacial (x,y) fornece a intensidade, ou seja, o brilho da imagem no ponto. A
imagem depende da quantidade de luz incidente na cena e da quantidade de
luz refletida pelos objetos da cena.
Dessa forma, afirma-se que: f(x,y) = i(x,y) * r(x,y)
onde:
i(x,y) depende da fonte de luz, (0 < i(x,y) < );
r(x,y) depende do tipo de material que compe o objeto,
(0r(x,y)1).
Verifica-se que r(x,y) assume o valor zero para absoro total e o valor
1 (um) para reflexo total.
Um caso especial de imagem constitudo pelas imagens digitais, onde
a representao consiste em um vetor de valores discretos. Geralmente este
vetor unidimensional e o domnio e a imagem de f(x,y) so tambm discretos.
O domnio finito (geralmente uma matriz retangular) e o conjunto imagem
formado por valores no intervalo [0,M]. Para aplicaes prticas, a imagem
uma funo contnua, representada por medidas obtidas em intervalos regu-
larmente espaados. Os valores assumidos em cada ponto medido so quan-
tificados em um nmero pertencente a uma escala de diferentes cores. Em
imagens mdicas, geralmente essas cores so relacionadas a nveis de cinza,
sendo atribudo o valor zero cor mais escura (preto) e o valor mximo M
cor mais clara da escala (branco). Dessa forma, pode-se representar uma ima-
gem como uma matriz onde cada ponto um valor discreto, conforme mostra
a equao 1, onde n e m correspondem quantidade de colunas e linhas,
respectivamente.

(1)
f (0,0) f (0,1) ... f (0, n 1)

f (1,0) f (1,1) ... f (1, n 1)

.
f ( x, y ) =
.
.

f (m 1,0) f (m 1,1) ... f (m 1, n 1)
82
O objetivo de definir matematicamente a imagem a possibilidade de

manipular o seu contedo a fim de transform-la ou retirar dela informaes
importantes. Ao vasto conjunto de operaes que podemos aplicar em uma
matriz que representa uma imagem denominamos processamento de ima-
gem.
Cada ponto ou elemento constituinte da matriz-imagem chamado de
pixel que uma abreviao do termo em ingls picture element. A medida de
um pixel depende da resoluo espacial com a qual a imagem foi adquirida.
O pixel , ento, a menor unidade sobre a qual podemos realizar operaes.
Para essas operaes so definidas algumas relaes bsicas, apresentadas
a seguir.
a) Vizinhana
Gonzalez & Woods (2002) e Russ (1992) definem a vizinhana de um
pixel da forma a seguir. Seja p, um pixel nas coordenadas (x,y):
i. A vizinhana de 4 do pixel p ou N4(p) composta por seus
vizinhos de coordenadas (x+1,y), (x-1,y), (x,y+1), (x,y-1).
ii. A vizinhana diagonal do pixel p ou ND(p) composta por
seus vizinhos de coordenadas: (x+1,y+1), (x+1,y-1), (x-1,y+1),
(x-1,y-1).
iii. A vizinhana de 8 ou N8(p) composta pelo conjunto de
todos os pixels vizinhos, ou seja, N4(p) ND(p).
Na Figura 2.1 so apresentados exemplos dos conceitos de vizinhan-
a citados.
Figura 2.1. Ilustrao do conceito de vizinhana considerando o

ponto central como o pixel de interesse, os pixels da vizinhana
so representados pelos espaos em cinza: (a)vizinhana-de-4;
(b)vizinhana diagonal; (c)vizinhanade-8
83
L. S. Nunes
b) Adjacncia
A adjacncia caracterstica de um par de pixels vizinhos que compar-
tilham uma borda ou um vrtice, sendo que:
um par de pixels compartilha uma borda dito adjacente por
borda ou 4-adjacente;
um par de pixels de uma imagem que compartilha um vrtice
dito adjacente por vrtice ou 8-adjacente.
Na Figura 2.1(a), por exemplo, observa-se que os pixels de cor cinza
so 4adjacentes e tambm 8-adjacentes do pixel de cor preta, pois compar-
tilham uma borda e um vrtice com este pixel. Na mesma figura, os pixels
brancos so somente 8adjacentes do pixel preto, pois compartilham somente
um vrtice com o mesmo.
c) Conectividade
A conectividade um importante conceito usado para estabelecer bor-
das de objetos e componentes de regies em uma imagem. Dois pixels so
conectados se:
a) so adjacentes e;
b) obedecem a um critrio de similaridade dentro de uma esca-
la de cor, isto , seus valores esto dentro de um conjunto
pr-estabelecido de valores de cinza.
Seja V={G1, G2, ..., Gk} o conjunto de k valores de nveis de cinza usa-
do para definir a conectividade. So definidos trs tipos de conectividade:
Conectividade-4: dois pixels p e q com valores em V e
qN4(p);
Conectividade-8: dois pixels p e q com valores em V e
qN8(p);
Conectividade-m: dois pixels p e q com valores em V e:
i) qN4(p) ou
ii) qND(p) e N4(p) N4(q) = .
d) Distncia entre pixels

A distncia entre pixels um valor mensurvel, constituindo uma impor-
tante definio para grande parte dos algoritmos que manipulam a imagem.
Gonzalez and Woods (2002) lembram que:
d(x,y) = 0, se x = y;
d(x,y) = d(y,x);
d(x,y) + d(y,z) d(x,z).
H diversas frmulas empregadas para a definio de distncia e fre-
qentemente so definidas e adaptadas frmulas para aplicaes especficas.
Algumas das mtricas mais conhecidas, aplicadas para dois pixels p=(xp,yp) e
q=(xq,yq) so:
84
Distncia Euclidiana:
Distncia City Block (ou de Manhattan):
Distncia Chessboard:
Introduzidos os conceitos anteriores, podemos aplic-los ao processa-

mento de imagens. As tcnicas de processamento de imagens so, em geral,
divididas em trs nveis, cada qual com suas funes especficas:
processamento de baixo nvel: responsvel pela remoo de
dados indesejveis e realce de dados importantes;
processamento de nvel mdio: responsvel pela identifica-
o de formas significativas. A esse processo damos o nome
de segmentao;
processamento de alto nvel: responsvel pela ligao da
imagem com algum banco de conhecimento.
Os itens a seguir apresentam tcnicas aplicadas aos dois primeiros n-
veis citados. No so apresentadas tcnicas relacionadas ao alto nvel pelo
motivo de que estas envolvem conceitos que extrapolam o domnio do proces-
samento de imagens, englobando tarefas de inteligncia artificial e estatstica,
entre outras reas.
2.3.3. Processamento de Baixo Nvel

Partindo do princpio de que a vizinhana de pixels na imagem tem
exatamente os mesmos ou aproximadamente os mesmos parmetros fsicos,
o processamento de baixo nvel visa explorao da redundncia presente
nessa vizinhana. Essa fase de processamento utilizada para recuperar es-
truturas intrnsecas da imagem, como descontinuidade de superfcie, orienta-
es, profundidades, velocidade etc.
As definies e tcnicas apresentadas a seguir so baseadas em
Ballard and Brown (1982), Low (1991) e Gonzalez and Woods (2002). Em al-
guns casos os conceitos e resultados das tcnicas so apresentados em ima-
gens fora do domnio do contexto deste trabalho (modalidades mdicas) a fim
de que o efeito da tcnica possa ser percebido com mais nitidez.
Neste nvel de processamento, algumas tcnicas so derivadas a partir
de modificaes no histograma da imagem. Por isso, a seo 2.3.2.1 (Mani-
pulao do Histograma da Imagem) apresenta o conceito de histograma e a
definio de algumas tcnicas de processamento que utilizam este conceito.
85
L. S. Nunes
2.3.2.1. Manipulao do Histograma da Imagem

O histograma uma funo que fornece a freqncia de cada nvel de
cinza na imagem, como demonstrado na Figura 2.2. O valor do histograma em
um nvel de cinza, dado por H(k), a quantidade de pixels da imagem com
aquele valor de nvel de cinza. Esse recurso til para alteraes globais na
imagem, porm, no possvel aplic-lo em processamentos que necessitem
de conhecimento sobre a localizao de pixels, uma vez que esta informao
no est disponvel no grfico construdo. As tcnicas a seguir so definidas
sobre o conceito de histograma. Nos exemplos, sempre so apresentadas a
imagem original e as imagens resultantes do processamento a fim de facilitar
a comparao entre elas.
Figura 2.2. Exemplo de histograma de uma imagem
a) Alteraes globais no brilho

possvel tornar uma imagem mais clara ou mais escura atravs da
soma ou subtrao, respectivamente, de uma constante em todos os pixels da
imagem. Quanto maior for o valor desta constante mais clara ou mais escura
fica a imagem resultante.
A Figura 2.3 mostra um exemplo de alterao de histograma que re-
sultaria em uma imagem mais clara e outra mais escura. As imagens apre-
sentadas so resultantes da aplicao da alterao de brilho sobre a imagem
original considerando um aumento ou diminuio de 60 nveis, isto , em cada
pixel o nvel de cinza foi aumentado ou diminudo em 60 tons na escala consi-
derada. Como pode ser observado, a operao aplicada imagem inteira. No
entanto, pode-se aplicar o mesmo conceito em partes da imagem, delimitando
a rea de abrangncia do algoritmo. A Figura 2.4 apresenta um algoritmo ge-
nrico para a implementao da tcnica.
b) Quantizao do Histograma
A quantizao ou agrupamento do histograma a reduo da quanti-
dade de nveis de cinza diferentes na imagem. til para remover gradaes
indesejveis na imagem, promovendo um efeito de aumento de contraste.
86
Um exemplo de quantizao mostrado atravs da imagem e do histo-

grama apresentados na Figura 2.5. A implementao desta tcnica considera
intervalos da escala de cinza para agrupar os valores do histograma, conforme
sugere o algoritmo da Figura 2.6. Ao final, como a quantidade de nvel de cinza
empregados drasticamente diminuda, tem-se o efeito de maior nitidez das
estruturas presente na imagem, como pode ser observado na Figura 2.5.
Figura 2.3. Exemplo de alterao global no brilho da imagem: (a)

imagem original e respectivo histograma; (b) imagem com tons de cinza
atenuados e respectivo histograma; (c) imagem com tons de cinza
acentuados e respectivo histograma
87
L. S. Nunes
Figura 2.4. Algoritmo para implementao de alterao global no brilho

de uma imagem
Figura 2.5. Exemplo de quantizao do histograma: (a) imagem original;

(b) imagem quantizada com 10 nveis de cinza; (c) imagem quantizada
com 5 nveis de cinza; (d) histograma da imagem b;
(e) histograma da imagem c
88
Figura 2.6. Algoritmo para implementao de quantizao do histograma
c) Splitting
A tcnica de Splitting visa a aumentar o contraste de uma imagem com
base no seu histograma. Como mostrado na Figura 2.7, esta operao divide
os pixels em dois grupos distintos de nveis de cinza. Desta forma, os pixels
com valores menores da imagem (cores escuras) so diminudos ainda mais e
aqueles com valores altos (pixels claros) tornam-se ainda mais claros.
Uma forma simples de implementar este algoritmo somar ou sub-
trair uma constante em cada pixel da imagem, considerando-se um limiar que
define os pontos de soma ou subtrao, conforme sugerido no algoritmo
apresentado na Figura 2.8.
Figura 2.7. Exemplo de splitting do histograma: (a) imagem original;

(b) imagem aps aplicao da tcnica de splitting, considerando uma
constante igual a 40 nveis de cinza;
(c) histograma da imagem resultante
89
L. S. Nunes
Figura 2.8. Algoritmo para implementao de splitting do histograma
d) Equalizao
Tambm conhecida como Linearizao de Histograma, esta tcnica
tem a finalidade de obter um histograma uniforme, atravs do espalhamento
da distribuio dos nveis de cinza. Aparentemente comum, esta operao
muito poderosa, conseguindo, muitas vezes, recuperar imagens consideradas
perdidas.
H vrios mtodos empregados para a realizao da equalizao, sen-
do que muitos deles so baseados em distribuies estatsticas. Um exemplo
de um histograma equalizado pode ser observado na Figura 2.9. Na seo
2.3.2.3, que abordar com mais propriedade a questo especfica de realce de
contraste, ser apresentada uma forma de efetuar a equalizao com detalhes
de implementao.
Figura 2.9. Exemplo de equalizao do histograma: (a) imagem original;

(b) imagem aps aplicao da equalizao;
(c) histograma da imagem resultante
90
e) Utilizao de templates
A manipulao de imagens digitais pode ser efetuada no domnio da
freqncia ou no domnio espacial.
O domnio espacial refere-se ao conjunto de pixels que compem a
imagem. As tcnicas de processamento de imagem que trabalham neste do-
mnio so aplicadas diretamente nos pixels da imagem.
As tcnicas que trabalham no domnio da freqncia tm como princ-
pio bsico o teorema da convoluo, efetuando-se alteraes na transformada
de Fourier da imagem.
Em geral, o domnio da freqncia exige uma maior complexidade ma-
temtica, mas o processamento mais rpido. O domnio espacial no exige
grande complexidade matemtica, mas o processamento mais lento, uma vez
que muitas vezes vrias operaes so requeridas para obter-se o novo valor
de um pixel. A abordagem deste captulo relacionada ao domnio espacial,
no qual os pixels so considerados como uma matriz de atributos numricos,
conforme definido no incio da Seo 2.3.1. Tcnicas no domnio da freqncia
so abordadas com Gonzalez and Woods (2002) e Russ (1992).
Para a manipulao no domnio espacial, muitas vezes so utilizados
templates. Gonzalez and Woods (2002) definem um template como uma ms-
cara utilizada para a realizao de operaes na vizinhana de um pixel. Na
prtica, uma matriz cujo elemento central posicionado no pixel de interesse.
Os elementos da vizinhana, incluindo o pixel em questo, so multiplicados
pelos valores indicados nas posies correspondentes da matriz. A soma dos
resultados obtidos substitui o valor do pixel de interesse na imagem resultante.
Genericamente, uma mscara de tamanho 3x 3 pode ser representada da
forma indicada na Figura 2.10.
w1 w2 w3
w4 w5 w6
w7 w8 w9
Figura 2.10. Exemplo genrico de uma mscara 3 x3
Considerando wi, i=1,...,9 os coeficientes da mscara em questo e xi,

i=1,...,9 os valores dos pixels sob a mscara, o resultado que ser atribudo ao
pixel central ser: w1x1+ w2x2 + ... + w9x9. Um algoritmo genrico para aplicao
de um template apresentado na Figura 2.11.
91
L. S. Nunes
Figura 2.11. Algoritmo genrico para aplicao de templates
2.3.2.2. Suavizao de imagens

Operaes de suavizao so usadas para diminuir efeitos esprios
resultantes do processo de aquisio da imagem (rudos, por exemplo). Vrias
tcnicas podem ser definidas para esta finalidade. Aqui so apresentadas as
tcnicas mais clssicas e, tambm, seus efeitos sobre algumas imagens m-
dicas. No entanto, observa-se que comum derivar mtodos a partir dessas
tcnicas para atingir objetivos especficos nesta categoria de imagens. Em al-
guns casos so apresentados exemplos de aplicao em imagens genricas,
no necessariamente provenientes de alguma modalidade mdica, a fim de
permitir uma visualizao mais adequada do efeito da tcnica.
f) Mdia da Vizinhana
A mdia da vizinhana uma tcnica que consiste em gerar uma ima-
gem na qual o nvel de cinza de cada pixel obtido atravs da mdia dos va-
lores de cinza dos pixels de uma vizinhana pr-definida. uma tcnica muito
empregada para eliminao de rudos na imagem, apresentando, porm, bor-
ramento na imagem final obtida e conseqente perda na definio de bordas.
Considerando a imagem f(x,y) com NXM pixels, podemos definir a imagem
gerada g(x,y) conforme a equao 2.
, para x=0,1,...,N-1; y=0,1,...,M-1 (2)
onde:
S o conjunto de coordenadas de pontos na vizinhana do
ponto (x,y), incluindo o prprio (x,y);
V o nmero total de pontos na vizinhana escolhida.
A mostra dois exemplos de template, de tamanho 3x3 e 5x5, respectiva-
mente, utilizados para suavizar as imagens apresentadas na Figura 2.13. Uma
primeira observao importante que para implementar esta tcnica basta
multiplicar cada elemento da vizinhana do pixel de interesse pelo seu peso
respectivo e substituir o pixel de interesse pela soma desses resultados.
importante salientar, ainda, que quanto maior a dimenso do template, maior
ser o borramento na imagem resultante, visto que h influncia maior da vizi-
nhana do pixel processado.
92
1 1 1
9 9 9
1 1 1
9 9 9
1 1 1
9 9 9
1 1 1 1 1
25 25 25 25 25
1 1 1 1 1
25 25 25 25 25
1 1 1 1 1
25 25 25 25 25
1 1 1 1 1
25 25 25 25 25
1 1 1 1 1
25 25 25 25 25
Figura 2.12. Exemplos de templates para implementao

da mdia da vizinhana
Como os exemplos apresentados trabalham no domnio espacial in-

teressante observar, ainda, que o tamanho da mscara exerce influncia no
desempenho do processamento, pois o esforo computacional aumenta pro-
porcionalmente a esta dimenso devido ao incremento na quantidade de ope-
raes matemticas que devem ser realizadas.
93
L. S. Nunes
Figura 2.13. Exemplos de suavizao utilizando mdia da vizinhana: (a)

imagem original; (b) imagem suavizada com template de tamanho 3x3;
(c) imagem suavizada com template de tamanho 5x5
Na Figura 2.14 so apresentados exemplos da aplicao da tcnica

em imagens mdicas. Observa-se borramento nas imagens provenientes das
trs modalidades apresentadas. Como a imagem de US aquela que contm
maior nvel de rudo devido a sua natureza, possvel observar o efeito da
suavizao dos rudos. No entanto, outras estruturas foram suavizadas junta-
mente com os rudos. Na Figura 2.15 apresentado um algoritmo simples para
implementao da tcnica.
g) Filtragem Mediana
A filtragem mediana uma tcnica de suavizao na qual cada pixel da
imagem final substitudo pelo nvel de cinza mediano em uma vizinhana do
pixel. O nvel mediano m de um conjunto de valores tal que metade dos valo-
res no conjunto so menores que m e a outra metade constituda de valores
maiores que m.
Na Figura 2.16 apresentado um exemplo de aplicao desta tcnica.
Comparando-se as imagens desta figura com as imagens da Figura 2.13
possvel verificar que o efeito de borramento desta tcnica menor quando
94
comparado ao resultado fornecido pela tcnica anterior. Uma das vantagens

desta tcnica a eliminao de rudos aleatrios com o borramento mnimo
das bordas que compem os objetos representados na imagem.
Figura 2.14. Exemplos de suavizao utilizando mdia da vizinhana

em imagens mdicas. (a) imagem de Raios-X original esquerda
e suavizada direita; (b) imagem de RMN; (c) imagem de US. Os
processamentos usaram template com tamanho 3x3 pixels
95
L. S. Nunes
Figura 2.15. Algoritmo para implementao

da mdia da vizinhana
A Figura 2.17 apresenta exemplos da tcnica aplicada s mesmas ima-

gens do tpico anterior. possvel observar que, apesar de tambm introduzir
borramento, este menor quando se compara a filtragem mediana com o filtro
de mdia. Assim, as imagens mais beneficiadas so aquelas provenientes de
ultra-som que, invariavelmente, devem ser submetidas a um filtro de suaviza-
o devido ao rudo inerente da modalidade.
Figura 2.16. Exemplos de suavizao utilizando mediana da vizinhana:

(a) imagem original; (b) imagem suavizada com template de tamanho
3x3; (c) imagem suavizada com template de tamanho 5x5
96
Figura 2.17. Exemplos de suavizao utilizando mediana da vizinhana

em imagens mdicas. (a) imagem de Raios-X original esquerda
e suavizada direita; (b) imagem de RMN; (c) imagem de US. Os
processamentos usaram template com tamanho 3x3 pixels
97
L. S. Nunes
Na Figura 2.18 apresentado um algoritmo genrico para implementa-

o da tcnica.
Figura 2.18. Algoritmo para implementao da mediana da vizinhana
h) Mdia de Mltiplas Imagens

Obter a mdia de mltiplas imagens consiste em obter uma imagem
onde cada pixel a mdia dos pixels de mesma posio em um conjunto de
imagens semelhantes. O objetivo permitir a eliminao de rudo aleatrio
presente nas imagens do conjunto processado.
Esta tcnica possibilita a obteno de bons resultados quando esto
disponveis imagens do mesmo objeto adquiridas em instantes diferentes,
como exemplificado na Figura 2.19. O algoritmo para implementao da tcni-
ca extremamente simples, consistindo na realizao de uma nica operao
de mdia aritmtica, conforme apresentado na Figura 2.20.
Figura 2.19. Exemplo de suavizao utilizando mdia de mltiplas

imagens: (a) imagens originais com rudos aleatrios; (b) mdia das
duas primeiras imagens de a; (c) mdias das trs imagens de a
98

Figura 2.20. Algoritmo para implementao da mdia

de mltiplas imagens
2.3.2.3. Realce de imagens

As tcnicas de realce de imagens produzem justamente o efeito contr-
rio ao provocado pela suavizao. Tm o objetivo de destacar bordas e deta-
lhes procurados na imagem. Algumas das tcnicas so executadas a partir do
histograma da imagem, conforme j mencionado. Nesta seo estas tcnicas
sero retomadas a fim de possibilitar a observao dos seus efeitos em ima-
gens mdicas. Tambm muito comum empregar o conceito matemtico de
diferenciao para o realce de imagens, visto que o objetivo destacar as dife-
renas entre os pixels da imagem, conforme citado nos tpicos a seguir. Nesta
seo no so includos algoritmos porque boa parte das tcnicas resume-se
a aplicao de templates, apresentados anteriormente.
i) Quantizao do Histograma
Como mostrado anteriormente, a quantizao, tambm conhecida como
agrupamento do histograma, diminui a quantidade de nveis de cinza utilizados
para a representao da imagem, resultando em uma imagem com maior con-
traste, conforme pode ser verificado nos exemplos da Figura 2.21.
interessante observar que seus efeitos podem ser teis quando a
imagem mdica apresenta estruturas de interesse com grupos de nveis de
cinza com limites bem delineados. Nestes casos, as estruturas podem ser sa-
tisfatoriamente diferenciadas e a imagem pode auxiliar na identificao de ob-
jetos de interesse que indiquem possveis anomalias. Observa-se, ainda, que
o intervalo de nveis de cinza utilizado no processo exerce grande influncia
no resultado final, destacando as formas das estruturas com maior ou menor
adequao. Nas imagens das trs modalidades apresentadas na Figura 2.21
possvel perceber este efeito. Na imagem radiolgica, por exemplo, possvel
perceber o maior destaque das estruturas mais claras, correspondentes s
partes que absorvem maior quantidade de Raios-X.
99
L. S. Nunes
Figura 2.21. Exemplos de quantizao em imagens mdicas: (a) imagem

de Raios-X original esquerda e quantizada com 10 nveis de cinza
direita; (b) imagem de Raios-X original esquerda e quantizada com
20 nveis de cinza direita; (c) imagem de US original esquerda e
quantizada com 5 nveis de cinza direita
b) Splitting
Essa tcnica visa ao aumento de contraste por meio da diviso dos pi-
xels em dois grupos distintos de nveis de cinza. Assim, os pixels escuros ficam
100
ainda mais escuros na imagem resultante e aqueles claros tornam-se mais

claros, conforme pode ser conferido nos exemplos da Figura 2.22.
Da mesma forma que na tcnica anterior, h variaes nos resultados
obtidos com esta tcnica em funo da variao dos parmetros utilizados.
Na Figura 2.22 essa variao pode ser percebida. Na imagem de Raios-X, por
exemplo, pixels mais escuros foram transformados em fundo da imagem, dando
nfase s estruturas que absorvem maior quantidade de Raios-X e permitindo a
visualizao mais ntida do contorno dessas estruturas na imagem. Efeito seme-
lhante pode ser observado na imagem de US. No entanto, o parmetro utilizado
na imagem da RMN fez com que houve uma maior homogeneizao de pixels
claros, fazendo desaparecer alguns detalhes presentes na imagem original.
Figura 2.22. Exemplos da tcnica de sppliting: (a) imagem de Raios-

X original esquerda e aps splitting direita; (b) imagem de
US; (c) imagem de RMN. Os processamentos usaram constante de
deslocamento igual a 40 nveis de cinza
101
L. S. Nunes
c) Equalizao
A obteno de um histograma mais uniforme a regra para o realce de
contraste pela tcnica de equalizao. Vrios mtodos podem ser empregados
para a redistribuio dos pixels na imagem, de modo a espalh-los ao longo da
escala de cores utilizada.
O mtodo apresentado a seguir parte de conceitos estatsticos. Para
descobrir o novo nvel de cinza (q) de um pixel que possui um determinado va-
lor k de nvel de cinza so utilizadas as equaes 3 e 4. Primeiro, encontra-se
a quantidade ideal de pixels para cada valor de nvel de cinza, de acordo com
a escala de cores utilizada, conforme a equao 3. Em seguida, calcula-se o
novo nvel de cinza q, isto , o valor para o qual os pixels do nvel de cinza atual
sero removidos.
(3)
(4)
onde:
I a quantidade ideal de pixels em cada nvel de cinza da
escala usada
n a quantidade de linhas da imagem
m a quantidade de colunas da imagem
g a quantidade total de nveis de cinza da escala
q o novo nvel de cinza procurado
nj a quantidade de pixels no nvel de cinza j
arred indica o arredondamento do resultado obtido pela ex-
presso que constitui seu argumento.
Na Figura 2.23(a) apresentado um exemplo fictcio de histograma de

uma imagem, supondo uma distribuio inicial de pixels em cada nvel de cinza
da escala considerada. A partir deste histograma e considerando as equaes
apresentadas, tem-se nXm = 100 e g = 10. Na Tabela 1 apresentado um
exemplo de aplicao do mtodo, considerando este histograma. O histograma
resultante aps o processamento apresentado na Figura 2.23(b).
102
Figura 2.23. Exemplo de histograma de imagem fictcia com uma

distribuio inicial de pixels
Tabela 1. Exemplo de clculo para aplicao de equalizao

g g acumulado q
0 1 1 0
1 9 10 2
2 8 18 5
3 6 24 7
4 1 25 7
5 1 26 8
6 1 27 8
7 1 28 8
8 2 30 9
9 0 30 9
Alguns resultados do processamento utilizando o mtodo descrito so

apresentados na Figura 2.24. A redistribuio dos nveis de cinza aumentou,
de fato, o contraste nas imagens das trs modalidades. Houve destaque nas
bordas do antebrao do feto representado na imagem de US e de detalhes do
crebro representado na imagem de RMN. Tambm na imagem de Raios-X
torcica foi possvel perceber uma maior nitidez nas estruturas representadas.
103
L. S. Nunes
Figura 2.24. Exemplos da tcnica de equalizao: (a) imagem de US

original esquerda e aps equalizao direita; (b) imagem de RMN;
(c) imagem de RaiosX
104
d) Realce por Diferenciao

A maioria dos mtodos de diferenciao usados em processamento de
imagens baseada na aplicao de gradientes devidamente adaptada para
implementao no domnio espacial da imagem.
Dada uma funo f(x,y), o gradiente de f nas coordenadas (x,y) defi-
nido pela equao 5.
f

G[ f ( x, y )] = fx
(5)
y
onde:
G[f(x,y)] o vetor gradiente a ser obtido;
f f
x e y so as derivadas parciais nas direes x e y, res-
pectivamente.
Duas propriedades importantes do gradiente so:
i. o vetor G[f(x,y)] aponta na direo do mximo da funo
f(x,y);
ii. a magnitude de G[f(x,y)] dada pela equao 6.
(6)
Para uma imagem digital, a magnitude pode ser aproximada pelas
diferenas, sendo que uma abordagem comumente utilizada dada pela
equao 7.

(7)
Outra abordagem, ainda mais simples, a utilizao de valores absolu-
tos, que produzem resultados similares, conforme mostrado na equao 8.
(8)
Portanto, aplicando-se a equao 8 em uma imagem, pode-se obter uma

imagem final com detalhes realados, como exemplificado na Figura 2.25. Como
pode ser observado na imagem de Raios-X, as reas onde h maiores grada-
es nos nveis de cinza so realadas, causando maior destaque nas fronteiras
entre a estrutura de interesse e o fundo da imagem. O mesmo acontece nas na
105
L. S. Nunes
imagem de RMN, destacando-se aqui as duas bordas acentuadas no contorno

do crebro que s podem ser observadas na imagem processada.
Como pde ser observado durante as tcnicas apresentadas at este
ponto, o processamento de baixo nvel tem a finalidade de realizar alteraes glo-
bais na imagem. Esta fase conhecida tambm como pr-processamento, pois
prepara a imagem para as fases seguintes que visam identificao de estrutu-
ras de interesse e o relacionamento da estrutura detectada com uma base de co-
nhecimento. Na prxima seo ser abordado o nvel mdio de processamento.
Figura 2.25. Exemplos de aplicao do realce por diferenciao: (a)

imagem de Raio-X original esquerda e aps operao direita; (b)
imagem de RMN
2.3.4. Processamento de Nvel Mdio - Segmentao

Essa fase de processamento tem o objetivo de identificar as formas
significativas de uma imagem a fim de fornecer informaes para a sua inter-
pretao. Em Gonzalez and Woods (2002) define-se a segmentao como o
processo que subdivide uma imagem em suas partes ou objetos constituintes.
Para Ballard and Brown (1982), uma imagem segmentada, em viso compu-
tacional, resultante do agrupamento de partes de uma imagem generalizada
em unidades homogneas considerando um ou mais aspectos. Esta seo tem
o objetivo de fornecer uma viso geral sobre a segmentao de imagens, ci-
tando algumas tcnicas utilizadas para tal finalidade e apresentado seu efeito
em imagens mdicas.
106
e) Limiarizao
Tambm conhecida como Thresholding, a limiarizao a tcnica que
divide a imagem em duas ou mais partes considerando valores de limiares.
Consiste, basicamente, em alterar os valores dos pixels de uma imagem dei-
xando-a com uma quantidade menor de nveis com o objetivo de separar es-
truturas de interesse do fundo da imagem.
Como vantagem, esta tcnica tem a simplicidade de implementao,
como pode ser observado no algoritmo apresentado na Figura 2.28. O principal
problema a definio do valor de limiar. Vrios estudos so desenvolvidos
nesta rea, baseados principalmente na anlise do histograma da imagem.
Pontos de mnimos e mximos do histograma freqentemente so usados
como valores de limiar. Quanto um nico valor de limiar utilizado, a imagem
resultante contm apenas dois nveis de cinza (zero e mximo da escala). Nes-
te caso, a tcnica tambm conhecida como binarizao. A Figura 2.26 mostra
um exemplo de limiarizao em uma imagem genrica, com diferentes valores
de liminar e a Figura 2.27 apresenta resultados da aplicao da tcnica em
imagens mdicas com 255 nveis de cinza.
Figura 2.26. Exemplos de limiarizao: (a) imagem original; (b) imagem

binarizada com limiar = 128; (c) imagem binarizada com limiar = 100
107
L. S. Nunes
Figura 2.27. Exemplos de limiarizao (binarizao): (a) imagem de

Raios-X original esquerda e binarizada (limiar = 80) direita; (b)
imagem de RMN original esquerda e binarizada (limiar = 128) direita
108
Figura 2.28. Algoritmo para implementao

da mediana da vizinhana
f) Deteco de pontos isolados

A deteco de pontos isolados em uma imagem til para remoo de
rudos e anlise de partculas. Para uma imagem com um valor de fundo cons-
tante, essa deteco pode ser concretizada com o uso da mscara mostrada
na Figura 2.29.
-1 -1 -1
-1 8 -1
-1 -1 -1
Figura 2.29. Mscara usada para deteco de pontos isolados em
imagens com fundo constante
A utilizao da mscara apresentada na Figura 2.29 auto-explicati-

va. Para cada locao do template calculado o valor da soma dos produtos
dos pixels pelos coeficientes dados. Considerando xi , i=1, ..., 9 como o valor
de um pixel, com a numerao do ndice i partindo do canto superior esquerdo,
o resultado aps a aplicao do template ser dado por: - x1 - x2 - x3 - x4 + 8x5
- x6 - x7 - x8 - x9. Em uma rea onde o nvel de cinza constante, o resultado
ser igual a zero. Se a locao coincidir com x5 sendo um ponto isolado, com
intensidade maior que o valor de fundo, o resultado ser maior que zero e,
portanto, ser realado. Na literatura, esta tcnica tambm conhecida como
filtro passa-alta. Exemplos de sua aplicao so mostrados na Figura 2.30.
109
L. S. Nunes
Figura 2.30. Exemplos de deteco de pontos. (a) imagem de RMN

original esquerda e aps operao direita;
(b) imagem de US
g) Deteco de linhas
De forma semelhante ao item anterior, podem ser utilizadas as msca-
ras demonstradas na Figura 2.31 para a deteco de linhas nas direes hori-
zontal, 45o, vertical e -45o, respectivamente. O clculo do valor do pixel central
realizado conforme j demonstrado. Imagens resultantes aps a aplicao de
algumas dessas mscaras so apresentadas na Figura 2.32.
-1 -1 -1 -1 -1 2 -1 2 -1 2 -1 -1
2 2 2 -1 2 -1 -1 2 -1 -1 2 -1
-1 -1 -1 2 -1 -1 -1 2 -1 -1 -1 2
Figura 2.31. Mscaras utilizadas para a deteco de linhas
110
Figura 2.32. Exemplos de deteco de linhas. (a) imagem de Raio-X

so apresentadas a imagem original, resultante da deteco de bordas
horizontal e resultante da deteco de bordas vertical, respectivamente;
(b) imagem de US
h) Deteco de bordas
Partindo da definio de borda como uma fronteira entre duas regies
com nveis de cinza relativamente distintos, os algoritmos utilizados para a
deteco de bordas so estruturados de forma a detectar as descontinuidades
existentes nas transies.
O operador gradiente um dos procedimentos utilizados para detectar
essas descontinuidades. A idia bsica de segmentao atravs deste mtodo
111
L. S. Nunes
aplicar um processamento computacional baseado em um operador local

de derivadas. Computacionalmente, consiste em obter derivadas parciais f/x
para todos os pixels da imagem. Considerando-se uma vizinhana de 3x3
pixels em torno de um ponto (x,y), as equaes 9 e 10 definem o operador
gradiente na direo x e y , respectivamente.
Gx = (x7 + 2x8 + x9) - (x1 + 2x2 + x3) (9)

Gy = (x3 + 2x6 + x9) - (x1 + 2x4 + x7) (10)
onde:
x5 o pixel sobre o qual est sendo aplicado o operador.
demais xis so os pixels pertencentes vizinhana-de-8 de
x5.
Estes operadores so conhecidos como operadores de Sobel e, esque-

maticamente, podem ser representados pelas mscaras mostradas na Figura
2.33, onde tem-se, respectivamente: uma regio 3 x 3, a mscara utilizada
para calcular Gx sobre o centro da regio e a mscara utilizada para calcular
Gy sobre o centro da regio. Exemplos dos resultados obtidos com a aplicao
desses operadores so apresentados na Figura 2.34.
x1 x2 x3 -1 -2 -1 -1 0 1
x4 x5 x6 0 0 0 -2 0 2
x7 x8 x9 1 2 1 -1 0 1
Figura 2.33. Regio e mscaras para deteco de bordas atravs de
operadores gradiente
Uma vez detectadas as bordas da imagem, podem ser realizados pro-

cessamentos para complet-las, se necessrio, e interpret-las, separando as
partes desejadas. Este mtodo tem a vantagem de apresentar simplicidade
na aplicao, no envolvendo complexidades computacionais. Como desvan-
tagem est o fato de no apresentar boa imunidade a rudos, pois a aplicao
de templates inclui os rudos nos clculos, podendo aumentar efeitos como a
suavizao da imagem, e a conseqente perda de definio de bordas.
112
Figura 2.34. Exemplos de deteco de bordas pelos operadores

de Sobel. (a) imagem de US so apresentadas a imagem original,
resultante da deteco de bordas horizontal e resultante da deteco de
bordas vertical, respectivamente;
(b) imagem de RMN
113
L. S. Nunes
i) Crescimento de Regio
Este mtodo consiste em agregar conjuntos de pixels em regies maio-
res. A aproximao de processamento mais simples a agregao de pixels,
isto : escolhe-se um pixel ou um conjunto de pixels denominados sementes
e faz-se o crescimento da regio atravs da agregao de pixels vizinhos s
sementes que possuem propriedades similares (intensidade, cor, textura etc).
O processo continua at se atingir uma condio pr-estabelecida de parada,
como por exemplo, um determinado nvel de cinza ou uma distncia especfica.
A vantagem que a imagem no precisa ser homognea, pois as suas
caractersticas so previamente analisadas e includas nos descritores de se-
melhana. As principais desvantagens so: dificuldade na seleo dos pixels
sementes (a aplicao deve ser conhecida); dificuldade no estabelecimento
das propriedades de semelhana (a aplicao e os tipos de dados da imagem
devem ser conhecidos) e dificuldade na determinao de condies de parada
(depende da anlise da imagem).
Devido aos motivos citados, a implementao do crescimento de regio
deve ser cuidadosa no sentido de analisar criteriosamente a imagem e definir
algoritmos que ofeream bom desempenho. A aplicao do algoritmo inicial,
executando-se a agregao de pixels a partir de uma semente pode ser com-
putacionalmente custosa. Por isso, abordagens alternativas so utilizadas em
imagens mdicas. Na Figura 2.35 mostrado um exemplo de crescimento de
regio que, em vez de agregar sementes, detecta a estrutura de interesse por
meio da estruturao de raios a partir de um ponto inicial.
Figura 2.35. Exemplo de aplicao da tcnica de crescimento de regio.

(a) imagem de Raios-X original; (b) imagem resultante do crescimento
de regio
114
2.4. Exemplos de aplicaes

As definies e tcnicas apresentadas nas sees anteriores so cls-
sicas e j muito bem estabelecidas na literatura. No entanto, seus efeitos na
rea mdica ou em qualquer outra rea so limitados, visto que cada clas-
se de imagens tem particularidades que devem ser consideradas no momento
da definio das tcnicas de processamento com a finalidade de se atingir
um determinado objetivo. Verifica-se, ainda, que a maioria das tcnicas, quan-
do no desenvolvidas exclusivamente para uma determinada finalidade, so
adaptaes ou derivaes de tcnicas clssicas considerando as caractersti-
cas das imagens.
Os exemplos a seguir vm confirmar esta afirmao: em geral, neces-
sria a aplicao de um conjunto de tcnicas para se atingir o objetivo almeja-
do. Em cada exemplo, apresentada uma breve descrio do problema e das
tcnicas de processamento utilizadas.
2.4.1. Deteco de agrupamentos de microcalcificaes em

amogramas
A deteco precoce do cncer de mama vem sendo objeto de estudo
bem explorado na rea de CAD, tendo os mamogramas (imagens radiolgicas
da mama) como fonte de dados. No mamograma so procuradas estruturas
que indicam a presena de anormalidades ou tumores. Entre esses elementos
esto as microcalcificaes, depsitos de clcio de formatos e tamanhos va-
riados, segundo Egan (1980). Devido ao tamanho reduzido dessas estruturas,
a sua visualizao em mamogramas exige grande experincia do examinador
e, mesmo assim, muitas vezes so passadas despercebidas, visto que o sis-
tema de Raios-X pode apresentar vrias limitaes que prejudicam a nitidez
da imagem.
De grande interesse ainda so os clusters (aglomeraes) de mi-
crocalcificaes, pois so indicadores da necessidade de investigao mais
aprofundada no local onde se encontram. Segundo informao do National
Cancer Institute e do National Institute of Health, ambos dos Estados Unidos,
aproximadamente metade dos cnceres detectados atravs de mamografia
percebida inicialmente como uma aglomerao de microcalcificaes.
Com o objetivo de segmentar microcalcificaes em mamogramas e
identificar agrupamentos dessas estruturas, foi desenvolvido um procedimento
que recorta regies de interesse de imagens mamogrficas e as processa se-
paradamente. O esquema do processamento pode ser visualizado na Figura
2.36, onde a imagem resultante de uma fase utilizada como imagem de en-
trada para a etapa seguinte.
Inicialmente executada uma tcnica para identificar de forma semi-
automtica as regies de interesse em uma imagem mamogrfica. Ento, um
processo de segmentao composto de quatro passos (subtrao de imagens,
limiarizao global, morfologia matemtica e limiarizao) responsvel por
extrair das imagens somente as estruturas de interesse. Na morfologia mate-
115
L. S. Nunes
mtica, as imagens so analisadas em termos de forma e tamanho, utilizando-

se padres elementares denominados elementos estruturantes (Gonzalez e
Woods, 2002). Cada elemento estruturante interage com cada entidade con-
tida na imagem em estudo, modificando a sua forma, o seu tamanho e permi-
tindo, assim, extrair algumas concluses desejadas. O elemento estruturante
um conjunto completamente definido e conhecido (tamanho e forma). A lingua-
gem para morfologia matemtica a teoria dos conjuntos, onde os conjuntos
representam os formatos dos objetos em uma imagem. No caso deste proces-
samento, o elemento estruturante foi definido para eliminar da imagem aqueles
sinais que continham menos de trs pixels.
Ao final do procedimento, cada estrutura identificada transformada
em um nico ponto para facilitar a contagem de objetos e, ento, identificar um
agrupamento. As descries das tcnicas utilizadas podem ser encontradas
em Nunes et al. (1997) e Nunes et al. (2001b). Exemplos de imagens proces-
sadas so apresentados na Figura 2.37.
Figura 2.36. Esquema utilizado para segmentao de microcalcificaes
116
Figura 2.37. Deteco de agrupamentos de microcalcificaes em

mamogramas. (a) imagem original; (b) regio de interesse extrada da
imagem original; (c) regio de interesse segmentada; (d) regio de
interesse aps transformao rea-ponto e (e) regio de interesse aps
identificao de clusters
117
L. S. Nunes
2.4.2. Realce de contraste em mamogramas

Como j foi comentado neste captulo, h vrias tcnicas clssicas para
o realce de imagens. No entanto, aplicaes especficas exigem adaptaes,
redimensionamentos ou, at mesmo, estabelecimento de tcnicas inditas.
Na deteco precoce do cncer de mama, os sistemas CAD geralmen-
te apresentam desempenho menor quando o conjunto de imagens utilizado
proveniente de mamas densas, que apresentam baixo contraste entre as
estruturas de interesse e o fundo da imagem. A maioria das mulheres jovens
apresenta alta densidade nas mamas devida predominncia de tecidos fibro-
glandulares na sua composio. Por esse motivo, muitas vezes a descoberta
do cncer de mama em mulheres com menos de 40 anos de idade acontece
quando o tumor j apresenta um desenvolvimento avanado, o que dificulta o
tratamento da doena.
Visando melhoria de deteces nesta classe de imagens foi propos-
to um conjunto de tcnicas inditas que possibilitam o aumento do contraste
entre o fundo do mamograma e as estruturas de interesse, com nfase nos
agrupamentos de microcalcificaes. As imagens mamogrficas so submeti-
das a um procedimento para eliminar o seu fundo, consistindo de trs passos:
limiarizao global com base no histograma, deteco de bordas e eliminao
das estruturas externas s bordas. Assim, somente a regio realmente perten-
cente mama permanece na imagem. Este processo necessrio para que
seja possvel estimar a densidade da mama representada na imagem, utilizada
no realce de contraste. Detalhes e consideraes a respeito deste procedi-
mento so encontrados em Nunes et al. (2001a, 2001c). A Figura 2.38 mostra
resultados deste processamento.
Figura 2.38. Exemplo de execuo do procedimento de eliminao do

fundo do mamograma: (a) imagem mamogrfica original; (b) imagem
aps limiarizao e identificao da borda da mama; (c) imagem
resultante final, com a borda da mama delimitada e
com a estrutura de fundo eliminada
118
Com o fundo do mamograma eliminado e as regies de interesse ex-

tradas da imagem, trs tcnicas de realce de contraste foram desenvolvidas:
RTH (Realce a partir de transformaes no histograma), RCA (Realce a partir
dos coeficientes de atenuao) e RCC (Realce atravs da adequao da curva
caracterstica do filme radiogrfico).
A tcnica RTH consiste em realizar uma classificao tima dos nveis
de cinza a fim de dividi-los em classes e, na seqncia, realizar uma transfor-
mao paramtrica local em cada classe. O realce realizado por uma funo
monotnica que conserva o mesmo relacionamento entre os nveis de cinza
originais, preservando, desta forma, a aparncia da imagem. A transformao
permite a diviso dos nveis de cinza em um determinado nmero de classes
que representam regies homogneas. O objetivo do mtodo realar o con-
traste global e aumentar a homogeneidade dentro das regies da imagem. Um
exemplo de resultado obtido pode ser visto na Figura 2.39. Detalhes de imple-
mentao esto disponveis em Nunes et al. (2001a, 2001c).
Figura 2.39. Exemplo de execuo da tcnica RTH. (a) imagem original;

(b) imagem resultante aps a aplicao da tcnica
Como j citado, os Raios-X sofrem atenuaes ao interagirem com a

matria. O nvel dessa atenuao depende essencialmente da composio,
densidade e espessura do objeto cuja imagem est sendo adquirida. O coe-
ficiente de atenuao linear () o parmetro que resume esse fenmeno e
exerce influncia sobre a intensidade de radiao resultante aps a absoro.
Em uma imagem mamogrfica h fundamentalmente trs tipos de tecidos que
podem colaborar com a atenuao do feixe de Raios-X: gordura, tecido fibro-
glandular e tecido associado a leses. A tcnica RCA utiliza esses conceitos
para aumentar o contraste entre as possveis microcalcificaes existentes na
imagem mamogrfica e os demais tecidos que compem o restante da ima-
gem. Explicaes mais detalhadas so fornecidas em Nunes et al. (2001a,
2001c). Um exemplo do resultado fornecido apresentado na Figura 2.40.
119
L. S. Nunes
Figura 2.40. Exemplo de execuo da tcnica RCA. (a) regio de

interesse original extrada de mama densa; (b) imagem resultante aps a
aplicao da tcnica
A curva caracterstica do filme radiogrfico fornece a relao entre a

exposio do filme e a densidade ptica nele obtida. Nessa curva, h duas re-
gies crticas: a regio denominada base e a regio denominada patamar, que
se localizam, respectivamente, no incio e no final da curva. Nessas regies h
uma reduo do contraste porque uma faixa de exposio pode corresponder
a um nico nvel de densidade ptica. A proposta do procedimento RCC rea-
lizar uma transformao na imagem que consiste em tornar linear a regio final
do histograma que corresponde regio da curva caracterstica denominada
base, que, por sua vez, se refere rea com baixas densidades pticas e,
conseqentemente, s reas mais claras da imagem. Esse procedimento tem
efeito muito til quando as estruturas de interesse esto localizadas em reas
densas da mama, cujas imagens so claras e apresentam baixo contraste. Um
exemplo de sua aplicao apresentado na Figura 2.41.
Figura 2.41. Exemplo de execuo da tcnica RCC. (a) imagem original;

(b) imagem resultante aps a aplicao da tcnica
120
2.4.3. Deteco de assimetrias em imagens mamogrficas

A assimetria a comparao bilateral entre regies das mamas direi-
ta e esquerda da mesma projeo. A identificao de assimetria estrutural
um fator importante para deteco precoce do cncer de mama porque uma
desigualdade significativa entre as mamas pode indicar o desenvolvimento de
alguma anomalia.
Para medir a assimetria entre mamas foi desenvolvido um procedimen-
to que indica a porcentagem de assimetria global e as reas particulares onde
existe diferena entre as tonalidades de cinza. A finalidade utilizar os recur-
sos oferecidos pelas tcnicas de processamento a fim de fornecer informaes
adicionais pra composio de diagnstico aos profissionais da rea (mastolo-
gistas e radiologistas).
Para verificar a assimetria global, inicialmente a imagem mamogrfica
segmentada a fim de que rudos e estruturas dispensveis sejam removidos.
Em seguida, realizado um deslocamento das imagens esquerda e direita
com a finalidade de alinh-las. Ento, realizada uma comparao entre as
imagens, indicando-se os locais onde uma mama maior que a outra. Exem-
plos do procedimento executado podem ser verificados na Figura 2.42(a).
Para obteno das assimetrias locais realizada uma comparao pon-
to a ponto na imagem, considerando-se um tamanho de template pr-definido
pelo usurio. As mdias de cinza de cada rea particular so calculadas para
as localizaes do template em ambas as imagens. A diferena entre as m-
dias obtidas medida em porcentagem e representada na imagem resultante
com cores diferentes, conforme pode ser observado na Figura 2.42(b). Esse
processamento pode indicar ao mdico a existncia de uma diferena entre as
mamas, podendo estar relacionada ao incio do desenvolvimento de um tumor.
Informaes mais detalhadas de implementao so encontradas em Silva et
al. (2004).
121
L. S. Nunes
Figura 2.42. Exemplo de medio de assimetrias em mamogramas: (a)

assimetria global; (b) assimetrias locais
2.4.4. Segmentao de imagens fetais em ultra-som obsttrico

Visando construo de um sistema de representao tridimensional
de fetos a partir de medidas extradas de imagens bidimensionais de ultra-som,
foi desenvolvido um procedimento (Luz et al., 2004) para segmentar imagens
de ultra-som e extrair medidas das estruturas de interesse.
A segmentao consistiu em trs passos: equalizao do histograma,
limiarizao global e crescimento de regio modificado. A Figura 2.43 mostra
resultados dos procedimentos implementados.
122
Figura 2.43. Segmentao de imagens de ultra-som obsttrico: (a)

imagem original e aps equalizao; (b) imagem equalizada aps
limiarizao e (c) imagem aps crescimento de regio
2.5. Concluses
Este captulo apresentou os conceitos bsicos sobre a formao de
imagens digitais, dando nfase s imagens mdicas e focalizando a imple-
mentao de sistemas de auxlio ao diagnstico, que tm as imagens mdicas
como principal fonte de dados.
Apesar de ser objeto de pesquisa de vrios grupos no Brasil e no mun-
do, vrios desafios ainda precisam ser vencidos. O primeiro desafio a ser con-
siderado na construo de tais sistemas obter uma alta taxa de acerto de
casos verdadeiros-positivos, isto , indicar a presena de uma doena quando
ela realmente existe, com uma baixa taxa de casos falsos-positivos (quando o
sistema indica a existncia de uma doena, sem esta de fato existir). Por meio
dos exemplos e aplicaes apresentados possvel verificar que no h tcni-
cas que funcionem adequadamente para todo tipo de imagem mdica e todo
tipo de diagnstico. Assim, para se obter um bom desempenho em relao aos
acertos, necessrio conhecer profundamente o problema a ser detectado
e a imagem mdica que ser utilizada para o diagnstico, considerando seu
processo de formao, que exerce influncia nas suas caractersticas. Tcni-
cas de inteligncia artificial e mtodos estatsticos de classificao tm sido
investigados para esta finalidade.
123
L. S. Nunes
Outra questo que merece destaque a utilizao de recursos com-

putacionais que proporcionem alto desempenho, uma vez que as imagens
mdicas apresentam grande volume de dados para processamento e este pro-
cessamento envolve, geralmente, milhares de operaes em tempo real. Por
esses e outros motivos, apesar de resultados promissrios estarem sendo ob-
tidos, ainda no foi divulgada a aplicao de sistemas de auxlio ao diagnstico
brasileiros em nvel clnico. A aplicao de tcnicas de computao paralela
uma linha de pesquisa que pode ser promissora no sentido de auxiliar na
minimizao desta questo.
Tambm importante destacar a necessidade de desenvolver sistemas
nesta rea que sejam multi-modalidade, pois informaes provenientes de di-
versas modalidades podem ser complementares para construir um diagnstico
acertado. Neste sentido, possvel utilizar o armazenamento dessas informa-
es em bancos de dados adequados a fim que de que o auxlio ao diagnstico
seja mais efetivo.
Finalmente, uma linha que merece ser citada a grande dificuldade
de avaliao desses sistemas, pois o desempenho de um sistema CAD pode
variar em funo das caractersticas das imagens utilizadas no processamento.
Em todas as fases do processo de aquisio e processamento da imagem,
h fatores e parmetros que podem influenciar nos resultados. difcil esta-
belecer uma forma de padronizao para avaliar esses esquemas por vrios
motivos: (1) cada um deles trabalha com imagens provenientes de lugares
distintos e, conseqentemente, com caractersticas distintas; (2) como con-
seqncia, no h padronizao nas caractersticas relacionadas ao proces-
so de aquisio ou ao de digitalizao; (3) via-de-regra, os esquemas CAD
so desenvolvidos para processarem um ou alguns determinados formatos de
imagem; a converso para outros formatos pode tambm implicar alterao
das caractersticas das imagens; (4) as caractersticas de software e hardware
dos esquemas CAD tambm variam, fazendo com que um sistema desenvol-
vido, por exemplo, para funcionar em estaes grficas, dificilmente possa ser
executado em computadores pessoais; isto exigiria um esforo de converso
que poderia levar, inclusive, a incompatibilidades em termos de implementa-
o. Para minimizar esta questo, algumas sugestes so a disponibilizao
de bases de imagens pblicas, com informaes detalhadas e cujo formato
de armazenamento pudesse ser facilmente convertido para qualquer formato
necessrio; o estabelecimento de critrios de avaliao, como as curvas ROC
sugeridas por Nishikawa et al. (1994) e, ainda, a utilizao de tcnicas e fer-
ramentas de testes provenientes da Engenharia de Software que permitem
avaliao criteriosa, estrutural ou funcionalmente.
Finalmente, interessante lembrar que a construo desses sistemas
exige equipes multidisciplinares. Ao profissional da Computao cabe a utiliza-
o do seu conhecimento para o estabelecimento de algoritmos eficazes que
possam fornecem, no menor tempo possvel, um desempenho satisfatrio em
termos de acerto, a fim de contribuir, de fato, para o auxlio ao diagnstico.
124
Referncias
[Arcuri et al. 2001] - Arcuri, S. M. and McGuire, P. K. (2001) Ressonncia magntica
funcional e sua contribuio para o estudo da cognio em esquizofrenia, Rev. Bras.
Psiquiatr., May 2001, v. 23 suppl.1, p.38-41.
[Arimura et al. 2004] - Arimura, H., Katsuragawa, S., Suzuki, K., Li, F., Shiraishi, J. and
Doi, K. (2004) Computerized scheme for automated detection of lung nodules in low-
dose CT images for lung cancer screening, Acad Radiol, v.11, p. 617-629.
[Ballard e Brown 1982] - Ballard, D.H. and Brown, C.M. (1982) Computer Vision, En-
glewood Cliffs, New Jersey, Prentice-Hall Inc.
[Bega et al. 2001]Bega, G., Lev-Toaff, A., Kuhlman, K., Kurtz, A., Goldberg, B. and Wap-
ner, R. (2001) Three-dimensional ultrasonographic imaging in obstetrics, J Ultrasound
Med., Canad., v. 20, p. 391-408.
[Bronson 2002] - Bronson, J. G. (2002) Ultrasound in Womens Health: The View in
2002, Medical Imaging. , http://www.medicalimagingmag.com, Maro 2003.
[Chan et al. 1987] - Chan,H-P., Doi, K., Galhotra, S., Vyborny, C.J., MacMahon, H. and
Jokich, P.M. (1987) Image feature analysis and computer-aided diagnosis in digital
radiography. I. Automated detection of microcalcifications in mammography., Medical
Physics, v. 14, n. 4, p.538-548.
[Chan et al. 1990] - Chan,H-P., Doi, K., Vyborny, C.J., Schmidt,R.A., Metz, C.E., Lan,
K.L., Ogura,T., Wu,Y. and MacMahon, H. (1990) Improvement in radiologists detec-
tion of clustered microcalcification on mammograms: the potential of computer-aided
diagnosis, Investigative Radiology, v. 25, p. 1102-1110.
[Curry et al. 1990] - Curry III, T. S., Dowdey, J. E. and Murry Jr., R.C (1990) Christensens
Physics of Diagnostic Radiology, 4. ed., Philadelphia, Lea & Febiger.
[Dainty 1976] - Dainty, J.C. and Shaw, R. (1976) Image Science, 3ed., New York, Aca-
demic Press.
[Dhawan e Royer 1988] - Dhawan, A.P. and Royer, E. L. (1988) Mammographic feature
enhancement by computerized image processing, Computer Methods and Programs
in Biomedicine, v.27, p.23-35.
[Doi 1991] - Doi, K. (1991) Computer-aided diagnosis: present and future. A new horizon
on medical physics and biomedical engineering., H. Abe, K. Atsumi, T. Iiuma, M. Saito,
M. Inoue, eds. Elsevier Science Publishers B.V., p. 59-66.
[Doi, et al. 1997] - Doi, K., Giger, M. L., Nishikawa, R. M. and Schmidt, R.A (1997) Com-
puter-aided diagnosis of breast cancer on mammograms, Breast Cancer, v.4, n.3,
p.228-233.
[Egan et al. 1980] - Egan, R.L., McSweeney, M. B. and Sewell, C.W (1980) Intramam-
mary calcifications without an associated mass in benign and malignant diseases,
Radiology, v.137, n.1, p.17.
[Ellis et al. 1993] - Ellis, I. O., Galea, M. H. and Locker, A. (1993) Early experience in
breast cancer screening: emphasis on development of protocols for triple assessment,
The Breast, v. 2, p. 148-153.
[Giger 2000] - Giger, M.L. (2000) Computer-aided diagnosis of breast lesions in medical
images, Computing in Science & Engineering, v. 2, n. 5, p. 39-45.
[Giger e MacMahon 1996] - Giger, M.L. and MacMahon, H. (1996) Image processing and
computer-aided diagnosis, Radiologic Clinics of North America, v.34, n.3, p. 565-595.
[Gonzalez, e Woods 2002] - Gonzalez, R.C. and Woods, R. E. (2002) Digital Image Pro-
cessing, Addison-Wesley Publishing Company, Massachusetts, 2a. Edio.
[Ishida et al. 1983] - Ishida, M., Frank, P.H., Doi, K. and Lehr, J.L. (1983) High quality
digital radiographic images: improved detection of low-contrast objects and preliminary
clinical studies, Radiographics, v.3, n.2, p.325-338.
125
L. S. Nunes
[ackson et al. 1993] - Jackson, V. P, Jachson, , V. P., Hendrick, E., Feig, S. A. and Kopans,
D.B. (1993) Imaging of the radiographically dense breast, Radiology, v.188, p.297-
301.
[Low 1991] - Low, A. (1991) Introductory Computer Vision and Image Processing, Mc-
Graw-Hill Book Company, London.
[Luiten 1981] - Luiten, A. L. (1981) Introduction to nuclear magnetic resonance, Medi-
camundi, v. 26, p. 82-85.
[Luz et al. 2004] - Luz, R. W., Hermosilla, L. G., Nunes, F. L. S., Delamaro, M. E., Semen-
tille, A. C., Brega, J. R. F. and Rodello, I. A. (2004) Aplicao de tcnicas de realidade
virtual para representao de fetos a partir de imagens bidimensionais de ultra-som.
In: IV Workshop de Informtica Mdica, Braslia. Anais do IV Workshop de Informtica
Mdica.
[Maintz et al. 1998] - Maintz, J. B. A. and Viergever, M. A. (1998) A survey of medical
image registration, Medical Image Analysis, v. 2, n. 1, p.1-36.
[Nappi et al. 2004] - Nappi, J. J., Frimmel, H., Dachman, A. H. and Yoshida, H. (2004)
Computerized detection of colorectal masses in CT colonography based on fuzzy mer-
ging and wall-thickening analysis, Med Phys, v.31, p.860-872.
[Nunes 2001] - Nunes, F. L. S. (2001) Investigaes em processamento de imagens ma-
mogrficas para auxlio ao diagnstico de mamas densas, So Carlos, 2001, 208p,
Tese (doutorado).
[Nunes 1997] - Nunes, F.L.S. (1997) Esquema de diagnstico auxiliado por computador
para deteco de agrupamentos de microcalcificaes por processamento de ima-
gens mamogrficas, So Carlos, 1997, 198p. Dissertao (Mestrado).
[Nunes 2001b] - Nunes, F.L.S. and Schiabel, H. (2001b) Deteco de agrupamentos de
microcalcificaes mamrias atravs de processamento de imagens mamogrficas
com deteco semi-automtica de regies de interesse, Revista Brasileira de Enge-
nharia Biomdica, v. 16, n. 13, p. 109-121.
[Nunes 2001a] - Nunes, F.L.S., Schiabel, H., Escarpinati, M.C. and Benatti, R. (2001a)
Comparisons of different contrast resolutions effects on a computer-aided detection
system intended to clustered microcalcifications detection in dense breasts images,
Journal of Digital Imaging, v. 14, n.2, suppl. 1, p. 217-219.
[Petrick et al. 1996] - Petrick, N., Chan, H-P., Sahiner, B. and Wei, D. (1996) An adaptive
density-weighted contrast enhancement filter for mammographic breast mass detec-
tion, IEEE Transactions on Medical Imaging, v.15, n.1, p.59-67.
[Russ 1992] - Russ, J.C. (1992), The Image Processing Handbook, CRC Press.
[Santos 2004] - Santos, R. (2004) Java Advanced Imaging: A Tutorial, Revista de Infor-
mtica Terica e Aplicada, v. 11, p.93-123.
[Scaff 1979] - Scaff, L. A. M. (1979) Bases Fsicas da Radiologia Diagnstico e terapia,
So Paulo, Sarvier S/A Editora.
[Schiabel et al. 1994] - Schiabel, H., Ventura, A. and Frre, A.F. (1994) Formal study of
lateral magnification and its effect on mammographic image sharpness, Medical Phy-
sics, v.21, n. 2, p.271-276.
[Silva et al. 2004] - Silva, K. C., Schiabel, H. and Nunes, F. L. S. (2004) Image processing
techniques for asymmetry detection in mammographic images. In: Proceedings of The
21st Meeting of The Society for Computer Applications in Radiology, Vancouver, v. 1.
[Wilks 1987] - Wilks, R.J. (1987) Principles of Radiological Physics, New York, Churchill
Livingstone.
126

003 - Introdução Ao Processamento de Imagens Médicas PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

003 - Introdução Ao Processamento de Imagens Médicas PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Captulo 2

Introduo ao Processamento de Imagens Mdicas

na tomada de deciso a respeito de um diagnstico. Aplicaes com finalida-

apresentados conceitos sobre a formao de imagens mdicas, tcnicas de

2.2. Modalidades de Imagens Mdicas

cipais caractersticas da formao de imagens mdicas considerando quatro

quirida, a imagem resultante pode apresentar sobreposio destes elementos,

2.2.4. Ressonncia Magntica Nuclear

do ncleo e do campo magntico. Quando o crebro, por exemplo, submetido

2.2.5. Tomografia Computadorizada

radiografia convencional, pois permite a deteco ou o estudo de anomalias

2.2.6. Consideraes para o processamento de imagens

2.3. Processamento de imagens mdicas

2.3.2. Definies bsicas

nada, manipulada e interpretada de acordo com as necessidades do interes-

f (0,0) f (0,1) ... f (0, n 1)

O objetivo de definir matematicamente a imagem a possibilidade de

Figura 2.1. Ilustrao do conceito de vizinhana considerando o

d) Distncia entre pixels

Distncia City Block (ou de Manhattan):

Introduzidos os conceitos anteriores, podemos aplic-los ao processa-

2.3.3. Processamento de Baixo Nvel

2.3.2.1. Manipulao do Histograma da Imagem

Figura 2.2. Exemplo de histograma de uma imagem

a) Alteraes globais no brilho

Um exemplo de quantizao mostrado atravs da imagem e do histo-

Figura 2.3. Exemplo de alterao global no brilho da imagem: (a)

Figura 2.4. Algoritmo para implementao de alterao global no brilho

Figura 2.5. Exemplo de quantizao do histograma: (a) imagem original;

Figura 2.6. Algoritmo para implementao de quantizao do histograma

Figura 2.7. Exemplo de splitting do histograma: (a) imagem original;

Figura 2.8. Algoritmo para implementao de splitting do histograma

Figura 2.9. Exemplo de equalizao do histograma: (a) imagem original;

Figura 2.10. Exemplo genrico de uma mscara 3 x3

Considerando wi, i=1,...,9 os coeficientes da mscara em questo e xi,

Figura 2.11. Algoritmo genrico para aplicao de templates

2.3.2.2. Suavizao de imagens

Figura 2.12. Exemplos de templates para implementao

Como os exemplos apresentados trabalham no domnio espacial in-

Figura 2.13. Exemplos de suavizao utilizando mdia da vizinhana: (a)

Na Figura 2.14 so apresentados exemplos da aplicao da tcnica

comparado ao resultado fornecido pela tcnica anterior. Uma das vantagens

Figura 2.14. Exemplos de suavizao utilizando mdia da vizinhana

Figura 2.15. Algoritmo para implementao

A Figura 2.17 apresenta exemplos da tcnica aplicada s mesmas ima-

Figura 2.16. Exemplos de suavizao utilizando mediana da vizinhana:

Figura 2.17. Exemplos de suavizao utilizando mediana da vizinhana

Na Figura 2.18 apresentado um algoritmo genrico para implementa-

Figura 2.18. Algoritmo para implementao da mediana da vizinhana

h) Mdia de Mltiplas Imagens

Figura 2.19. Exemplo de suavizao utilizando mdia de mltiplas

Introduo ao Processamento de Imagens Mdicas

Figura 2.20. Algoritmo para implementao da mdia

2.3.2.3. Realce de imagens

Figura 2.21. Exemplos de quantizao em imagens mdicas: (a) imagem

ainda mais escuros na imagem resultante e aqueles claros tornam-se mais

Figura 2.22. Exemplos da tcnica de sppliting: (a) imagem de Raios-

Na Figura 2.23(a) apresentado um exemplo fictcio de histograma de

Figura 2.23. Exemplo de histograma de imagem fictcia com uma

Tabela 1. Exemplo de clculo para aplicao de equalizao

Alguns resultados do processamento utilizando o mtodo descrito so

Figura 2.24. Exemplos da tcnica de equalizao: (a) imagem de US

d) Realce por Diferenciao