Abstract— In this work we present a new method of automatic

initialization for the active contours method denominated AUTOIN. This method is applied in 72 computed tomography images of the lungs of healthy volunteers and ill patients. AUTOIN is compared to the method of object center localization. The accuracy obtained is calculated using the average and standard deviation of the distance (mm) between the points localized in each method. The results of AUTOIN for healthy volunteers are for the right lung mean of 12.3mm and standard deviation of 17.9mm, and for the left one mean of 11.7mm and 16.7mm of standard deviation. For the ill patients, the results are mean of 15.8mm and standard deviation of 20.4 mm for the right lung and mean of 14.6mm and 21.3mm of standard deviation for the left one. We conclude that AUTOIN enables to perform automatic definition of the initial contour inside the lungs.

Keywords— automatic initialization, active contours, hybrid projection function, computed tomography.

I. INTRODUÇÃO

SEGMENTAÇÃO automática do parênquima pulmonar constitui etapa essencial na análise dos pulmões em

imagens de tomografia computadorizada (TC). Uma segmentação precisa determina o eventual sucesso ou fracasso da análise computadorizada [1].

Vários métodos com este propósito de segmentação têm sido utilizados tais como: limiarização, crescimento de região, segmentação por transformada de watershed e wavelet, métodos de contornos ativos, entre outros [2, 3].

O método de contornos ativos (MCA), também conhecido como snakes foi proposto por Kass et al. [4]. Ao longo dos anos os snakes têm sido amplamente utilizados em diversas aplicações, como por exemplo, detecção de bordas [4], modelagem de formas [5], segmentação e rastreamento de objetos [6, 7].

Entretanto, uma desvantagem dos MCAs está associada

com a sua dependência de inicialização do contorno. Este

Este trabalho contou com o apoio financeiro do Conselho Nacional de

Desenvolvimento Científico e Tecnológico – CNPq. J. H. S. Felix, Universidade da Integração Internacional da Lusofonia

Afro-Brasileira, johnfelix@unilab.edu.br. P. C. Cortez, Universidade Federal do Ceará, cortez@lesc.ufc.br. T. S. Cavalcante, Universidade Federal do Ceará, tarique@lesc.ufc.br. A. R. Alexandria, Instituto Federal de Educação, Ciência e Tecnologia do

Ceará, auzuir@ifce.edu.br. M. A. Alcantara, Universidade Federal do Ceará,

marcelo2alcantara@gmail.com.

problema é tradicionalmente resolvido com uma intervenção manual, tornando os métodos dependentes do operador, ocasionando impactos significativos no seu resultado pelo aumento do tempo de processamento e eventuais imprecisões [8, 9].

Para contornar esse problema, vários métodos de inicialização automática tem sido propostos durante as últimas décadas, sendo aplicados para identificação automática do contorno inicial em diversos tipos de imagens, como exemplo, imagens da face humana [10, 11]; imagens de ressonância magnética do coração [8, 12, 13]; imagens de ultrassom do coração [14] e imagens abdominais de tomografia computadoriza [9].

Por outro lado, os métodos de inicialização automática propostos apresentam limitações, como por exemplo, custo computacional elevado, aplicação para imagens com características específicas e inicialização em apenas um objeto [9, 14].

Nesse contexto, o desenvolvimento de um método de inicialização automático e preciso contribui significativamente para automatizar o processo de segmentação dos pulmões em imagens de tomografia computadoriza. Neste trabalho apresentamos um novo método de inicialização automática (AUTOIN) simples e de rápida execução para a inicialização dos MCAs, baseado no método de função de projeção híbrida e outra técnicas de processamento digital de imagem.

II. MATERIAIS E MÉTODOS

A. Aquisição de imagens

Foram utilizadas 72 imagens, destas 28 de 7 voluntários sadios e 44 de 11 pacientes com Doença Pulmonar Obstrutiva Crônica (DPOC). Estas imagens foram adquiridas por um tomógrafo Toshiba modelo Auklet, seguindo o algoritmo de reconstrução de alta resolução (TCAR) sob as seguintes condições: cortes com colimação de 1,5mm, FOV (field of view ou campo de visão) de 312mm, com 120 kV de tensão, 200 mA de corrente elétrica de filamento do tubo, ajuste da janela pulmonar: centro e largura, respectivamente) de -600/1600 UH e reconstrução com matriz de 512x512 pixels, medida pixel de 0,585 x 0,585, foi utilizado o filtro (bone) na TCAR para a reconstrução das imagens [15, 16].

Na aquisição das imagens dos voluntários sadios e dos pacientes com DPOC, os cortes tomográficos na posição

J. H. S. Felix, P. C. Cortez, T. S. Cavalcante, A. R. Alexandria and M. A. Holanda

AUTOIN: Method of Automatic Initialization of Active Contours Applied to Lungs in CT Images

A

1954 IEEE LATIN AMERICA TRANSACTIONS, VOL. 10, NO. 4, JUNE 2012

supina foram realizados em 3 regiões: ápice, hilo e em base e na posição prona ao nível da base [15, 16].

As imagens foram obtidas especificamente para um protocolo de pesquisa anterior ao presente estudo, no período de agosto de 2005 a março de 2006. Estes protocolos foram aprovados pelo comitê de ética e pesquisa do hospital onde foram realizados os exames [15, 17, 18].

B. Método de localização do centro de objeto

O método de localização do centro de objeto (LOC) proposto por Li e Wong [19], permite identificar o centro de objetos com diferentes formas e também rotacionados. Porém, este método realiza a localização do centro de objeto que estão destacados na imagem, ou seja, objetos que possuem formas e características distintas na imagem, por exemplo, imagens binárias, em que o fundo pode ser preto e o objeto branco ou vice-versa. Neste caso, não é necessário uma prévia segmentação para distinguir os objetos dentro da mesma.

Como as imagens de TCAR dos pulmões apresentam vários objetos que poderiam ter seus centros localizados de forma equivocada pelo método LOC. Por isso, neste trabalho, o método LOC é utilizado após uma segmentação adequada dos pulmões para que este tenha os resultados precisos descrito por seus autores.

Inicialmente é realizada uma segmentação da imagem de TCAR dos pulmões com o algoritmo Felix-Cortez [1], objetivando extrair apenas os pulmões esquerdo e direito. Após a segmentação é feita a localização dos centros dos pulmões pelo método LOC [19], marcando a sua posição com um círculo branco de centro preto, conforme é ilustrado no seu fluxograma na Fig. 1a.

C. Método AUTOIN

A seqüência de operações que formam o AUTOIN é apresentada na Fig. 1b. O primeiro passo é realizado por uma binarização global aplicada em imagens de TCAR dos pulmões. O segundo passo é utilizado para eliminar ruídos e estruturas que podem comprometer as outras etapas, por meio das operações morfológicas de abertura e fechamento, sendo também realizada a remoção do fundo da imagem. No terceiro passo é aplicada a função de projeção híbrida no sentido horizontal e vertical. Por fim, no quarto passo é selecionada a coordenada de cada pico das funções obtidas anteriormente, gerando os pontos de inicialização dos contornos na imagem final [20].

D. Binarização global

A binarização global é o primeiro passo do AUTOIN. Esta é realizada com a finalidade de se extrair todas as estruturas que não compõem o parênquima pulmonar, tais como: cavidade, estrutura mediastinais, área cardíaca, o ar na parte superior e inferior da imagem e artefatos fora do tórax.

a) b) Figura 1. Fluxogramas dos métodos a) LOC e b) AUTOIN, versão para imagens de TCAR dos pulmões.

Esta binarização é realizada por limiarização da imagem

original Itcar(i, j), cujo valor de limiar é -250 UH (Unidades Hounsfield). Neste caso, um dado pixel (i, j) da imagem resultante (bg) assume valores de pixels iguais a 1, se Itcar(i, j) ≥ -250 e 0 (zero) caso contrário [21].

Um exemplo da binarização global é mostrado na Fig. 2, em que, tanto a cavidade pulmonar quanto os vasos e outras estruturas são vistas nas cores branca e preta.

a) b) Figura 2. Exemplo da binarização global aplicado em uma imagem de TCAR dos pulmões, a) imagem original e b) resultado da binarização.

E. Morfologia matemática

A transformação morfológica consiste em deslizar, um elemento estruturante de tamanho fixo ou variado, sobre a imagem com o objetivo de detectar as formas geométricas específicas presentes na imagem analisada, caracterizadas pela forma do elemento estruturante usado.

O elemento estruturante é uma máscara planar que pode assumir diferentes formas geométricas como, por exemplo,

FELIX et al.: AUTOIN: METHOD OF AUTOMATIC INITIALIZATION 1955

círculo, quadrado, retângulo, triangulo, hexágono, cruz, ponto, dentre outros [3]. Os operadores morfológicos fundamentais são dilatação, erosão, anti-dilatação e anti-erosão os quais constituem a base da morfologia matemática [22].

1) Erosão e dilatação

Sejam A e B conjuntos não vazios, sendo que A representa a imagem em análise e B o elemento estruturante. Define-se erosão binária para os conjuntos A e B )( BAΘ em Z2 por [3]

,})ˆ(|{ Az

BzBA ⊆=Θ (1)

em que a erosão de A por B é o conjunto de todos os pontos de deslocamento z tal que B, transladado por z, esteja contido em A. A erosão é caracterizada pela redução das dimensões dos objetos da imagem analisada, com formas semelhantes ao elemento estruturante. Por sua vez, a dilatação binária para os conjuntos A e B )( BA ⊕ em Z2 é dado por [3]

,}])ˆ[(|{ AAz

BzBA ⊆∩=⊕ (2)

em que zB)ˆ( é a reflexão de B sobre a sua origem e

transladado por z. A dilatação resulta na expansão das dimensões dos objetos da imagem analisada, com formas semelhantes ao elemento estruturante. Os operadores morfológicos de dilatação e erosão permitem construir funções importantes como abertura, fechamento, entre outras [3].

2) Abertura e fechamento

A abertura binária de um conjunto A por B é definida pela erosão de A por B, seguida da dilatação deste resultado por B, denotada por

.)( ABABA ⊕Θ= (3)

Esta operação causa o efeito de suavização no contorno do objeto, eliminando pequenas protuberâncias [3]. Invertendo-se a ordem das operações que definem a abertura, ou seja, realizando-se a dilatação de A por B, seguida pela erosão do resultado por B, produz-se a operação de fechamento, expressa por

.)( ABABA ⊕Θ=• (4)

Esta operação resulta no preenchimento de pequenos buracos e/ou lacunas no contorno do objeto da imagem A [3]. Um exemplo da operação de abertura aplicada na imagem após a binarização é mostrado na Fig. 3a.

a) b) c)

Figura 3. Resultados de aplicações de operações morfológicas na imagem binária da Figura 2 b), a) abertura, b) remoção do fundo da imagem e c) fechamento.

Tanto na operação de abertura quanto na operação de

fechamento é utilizado um elemento estruturante no formato

de disco com raios de 5 e 6, respectivamente. Estas dimensões foram definidas de forma experimental. A imagem resultante da operação de abertura ainda apresenta o fundo da imagem em branco, sendo necessário eliminá-lo por meio da próxima etapa.

F. Remoção do fundo de imagem

A etapa de remoção do fundo de imagem, como o próprio nome já diz é realizada com a finalidade de remover o fundo da imagem, resultando num fundo de cor preta com os objetos de interesse (os pulmões) na cor branca. Para isto é realizada uma varredura na imagem no sentido vertical de baixo para cima e de cima para baixo em cada coluna. Netas varredura substituem-se os pixels brancos por pretos, somente os que estão próximos as bordas superior e inferior da imagem. Como critério de parada é verificado se os próximos pixels acima (no sentido de baixo para cima) ou abaixo (no sentido de cima para baixo) são de cor preta, caso este fato seja confirmado, é encerrada a varredura naquela coluna e passa para a coluna seguinte [20].

O resultado da remoção do fundo da imagem da Fig. 3a é apresentado na Fig. 3b, em que, a imagem apresenta somente os pulmões e hilo na parte central. Enquanto que na Fig. 3c é visto a operação de fechamento aplicada na Fig. 3b.

G. Função de projeção híbrida

O método de projeção de função tem sido amplamente utilizado na extração e reconhecimento de características faciais [23, 24, 25]. Além disso, esse método permite a identificação do centro de massa de objetos presentes na imagem, obtendo desta forma, pontos de referência que podem ser utilizados para a inicialização automática de MCA, principalmente quando se tem mais de um objeto de interesse na imagem em estudo, como no caso das imagens de TCAR dos pulmões.

O método de função de projeção generalizada (GFP) apresenta as características mais importantes da integral da função de projeção (IFP) e da variância da função de projeção (VFP) proposta por Feng e Yuen [24]. A GFP é a combinação das melhores características destes dois métodos citados anteriormente. Supondo a intensidade de um pixel Ipx(x,y), em que (x,y) são as suas coordenadas na imagem, a generalização das funções de projeção vertical GFPv(x) e horizontal GFPh(y) de Ipx(x,y) nos intervalos [y1,y2] e [x1,x2], são definidas, respectivamente por [25]

),()()1()( xvVFPxvIFPmxvGFP αα +−= (5)

),()()1()( yh

VFPyh

IFPmyh

GFP αα +−= (6)

em que IFPmv e IFPmh são as médias das IFP verticais e horizontais, α é um fator de peso 0 ≤ α ≤ 1, utilizado para controlar a contribuição de IFP e VFP. De acordo com Zhou e Geng [25], a projeção de função híbrida (PFH) é um caso especial da GFP, adquirido por meio de experimentos. Quando se utiliza o valor de α=0.6 é obtido a melhor detecção da projeção para um banco de dados de imagens de olhos humanos. Desta forma, a FPH pode ser definida como a

1956 IEEE LATIN AMERICA TRANSACTIONS, VOL. 10, NO. 4, JUNE 2012

seguir [25]

),(6,0)(4,0)( xvVFPxvIFPmxvFPH += (7)

),(6,0)(4,0)( yh

VFPyh

IFPmyh

FPH += (8)

Um exemplo para o cálculo da FPHv e da FPHh na imagem da Fig. 3c é apresentado na Fig. 4. Nesta figura, mostra-se também a seleção dos picos das funções, que determina o centro de cada pulmão na imagem. Isto é realizado por meio de uma varredura que identifica os picos das funções correspondentes aos centros de massa dos objetos desejados, neste caso os pulmões.

Figura 4. Exemplo de como se determinam a FPHv e a FPHh na imagem da Fig. 3c, a seleção dos seus picos e do centro de massa dos pulmões.

H. Critérios para a análise comparativa

Para verificar a precisão do método AUTOIN, este é comparado com o método LOC. Neste caso, os critérios estabelecidos para a verificação da precisão da posição encontrada pelo AUTOIN com relação à localização do método LOC, é realizada por meio do cálculo da média e do desvio padrão da distância entre os pontos localizados por cada método, medidos em mm, para os pulmões esquerdo e direito de voluntários sadios e pacientes com DPOC.

III. RESULTADOS

Os resultados foram obtidos para um conjunto de 72 imagens, entretanto, apenas alguns exemplos ilustrativos da localização do centro dos pulmões pelos métodos AUTOIN e LOC são mostrados na Fig. 5. O método AUTOIN é representado por um círculo branco na imagem, enquanto que um círculo de borda branca com centro preto indica a localização obtida pelo método LOC. Na primeira e segunda linhas desta figura, de cima para baixo, estão as imagens de um voluntário sadio e nas terceira e quarta linhas, estão as imagens de um paciente com DPOC.

As imagens mostradas na Fig. 5 são distribuídas da esquerda para a direita, na seguinte seqüência: na posição supina com cortes em ápice as letras a) e e), em hilo as letras b) e f), em base as letras c) e g) e as outras letras d) e h) estão na posição prona com corte na base.

Os resultados obtidos para os dois métodos para as distâncias entre as posições do centro do objeto podem ser considerados semelhantes, conforme são mostradas nas Figs.

5d, 5e, 5f e 5g. Distâncias consideradas média são ilustradas nas Figs. 5a e 5c e distâncias consideradas grandes são apresentadas nas Figs. 5b e 5h.

Os resultados para os cálculos da distância entre a posição encontrada pelo AUTOIN e a localização do centro do método LOC, para as imagens dos voluntários apresentaram uma média e desvio padrão próximos uns dos outros, conforme é apresentado na Tabela I. Já para as imagens dos pacientes com DPOC, a média e o desvio padrão tiveram uma ligeira alta, conforme é mostrado na Tabela I.

a) b)

c) d)

e) f)

g) h) Figura 5. Exemplos da localização do centro dos pulmões pelos métodos AUTOIN (círculo branco) e LOC (círculo de borda branca com centro preto). Na primeira e segunda linhas estão imagens de um voluntário e na terceira e quarta linhas, de um paciente com DPOC na seguinte seqüência: na posição supina com cortes em ápice a) e e), em hilo b) e f), em base c) e g), e d) e h) estão na posição prona com corte na base.

FELIX et al.: AUTOIN: METHOD OF AUTOMATIC INITIALIZATION 1957

TABELA I RESULTADOS OBTIDOS PARA O CÁLCULO DA DISTÂNCIA ENTRE A

LOCALIZAÇÃO DO CENTRO PELO MÉTODO LOC E AUTOIN

Imagens

Medidas

Pulmão direito

Pulmão esquerdo

Voluntário sadio

Média

Desvio padrão

12,3 mm

17,9 mm

11,7 mm

16,7 mm

Paciente

com DPOC

Média

Desvio padrão

15,8 mm

20,4 mm

14,6 mm

21,3 mm

III. DISCUSSÕES

O presente trabalho tem como principal contribuição propor um novo método de inicialização automática para o contorno inicial, para os MCAs, denominado de AUTOIN. Este faz a localização do centro de massa dos pulmões por meio das funções FPHv e FPHh combinado com outras técnicas.

Os resultados apresentados da comparação entre o método AUTOIN com relação ao método LOC são satisfatórios, pois, a média e o desvio padrão obtidos, indicam que o AUTOIN se manteve muito próximo do centro localizado pelo LOC, tendo em vista que estas medidas tiveram valores baixos e com poucas variações. Considerando-se a natureza das aplicações, os casos discrepantes entre os dois métodos não comprometem o uso do AUTOIN para a sua finalidade proposta, já que a localização dos pontos sempre estiveram dentro da cavidade do tórax, sobre o tecido pulmonar.

Os autores Xu e Prince propuseram uma força externa chamada de Gradient Vector Flow (GVF) que soluciona o problema de convergência do contorno ativo em imagem com regiões côncavas, resolvendo parcialmente a inicialização do contorno ativo [26]. Porém, este método possui limitações, como, o tempo de processamento alto para o cálculo do GVF e se o contorno inicial for inicializado fora do centro do campo do GVF, ou seja, próximo de uma das bordas, a segmentação gera resultados imprecisos [11, 14].

Já Tauber et al. [14], propõem uma adaptação do GVF, para corrigir sua limitação na construção adequada do campo de vetores em imagens de ultrassom do coração, as quais têm intrínseco o ruído speckle. O método proposto é chamado de Speckle Gradient Vector Flow (S-GVF). Este método de inicialização é semi-automático, pois é necessário selecionar um ponto na região desejada [11, 14].

Em seu trabalho, Shen e Kassim [9] introduzem um método de inicialização automática capaz de gerar um contorno inicial, por meio de conhecimento prévio do contorno, baseado na extração não supervisionada da analise de componente independente topográfica (TICA). Após a extração das informações de partes de contornos, estas são classificadas pelo classificador de vizinhos mais próximos. Estas partes ou pedaços de contornos são agrupados por vizinhança de 8-conectados e, o contorno inicial é gerado, ligando-se as terminações mais próximas de cada parte que o

compõe. Recentemente, Liang et al. [13], fazem a localização automática do contorno inicial aplicando a diferença de intensidade temporal, com a transformada de Hough.

A pesar de vários métodos de inicialização automática terem sidos propostos, estes apresentam limitações como alto custo computacional devido as próprias características das técnicas utilizadas, como o caso do GVF e de sua adaptação, o S-GFV [26, 14].

A técnica de conhecimento a priore também demanda muito processamento. Isso devido a sua formação por meio de técnicas como a TICA e o classificador de vizinhos mais próximos que elevam o processamento com o aumento da quantidade de dados utilizados. Outra dificuldade encontrada nestes algoritmos é o espaço de aplicação limitado, ou seja, foram desenvolvidos para imagens com formas e características específicas. Além disso, realizam a inicialização de um único contorno dentro da imagem.

Os autores Medina et al. [8], Pluempitiwiriyawej e Sotthivirat [12] e Liang et al. [13] fizeram a localização automática do contorno inicial apenas em imagens de ressonância magnética do coração. Já os autores Tauber et al. [14] e Shen e Kassim [9] aplicam os seus algoritmos de inicialização automática em imagens de ultrassom do coração e em imagens abdominais de tomografia computadoriza, respectivamente.

Diferente dos métodos citados anteriormente, o método AUTOIN é utilizado em imagens de TCAR dos pulmões de voluntários sadios e pacientes com DPOC, as quais possuem diferentes informações e formas, fazendo a inicialização do contorno inicial em dois pulmões simultaneamente [20]. A inicialização do contorno é gerada tomando como referência o centro, localizado pelo AUTOIN, conforme são mostrados nas Figs. 5b e 5h, indicados pelo contorno de cor branca.

Visando aplicações em outras imagens, o método AUTOIN pode ser facilmente adaptado para selecionar o centro de massa de objetos em imagens reais, como é ilustrado no fluxograma da Fig. 6. Isto permite que este método possa ser aplicado em diferentes imagens, se comparado com os outros métodos já citados.

Figura 6. Fluxograma do método AUTOIN, versão para imagens em níveis de cinza.

1958 IEEE LATIN AMERICA TRANSACTIONS, VOL. 10, NO. 4, JUNE 2012

Para verificar a precisão do método AUTOIN este foi utilizado para encontrar o centro de massa de um objeto com forma geométrica descrita por equação elíptica, diferente da geometria dos pulmões que só podem ser representadas por mais de uma equação analítica.

O teste realizado na imagem sintética mostra a precisão das funções FPHv e FPHh, comprovando, desta forma, a eficiência do AUTOIN na seleção do centro de massa de objetos dentro de uma imagem. Neste caso, indicado pelo pequeno círculo branco dentro da elipse de cor preta, conforme é ilustrado na Fig. 7a. Na Fig. 7b é mostrado a localização dos pontos pelo método LOC, indicando a mesma localização obtida pelo AUTOIN.

a) b) Figura 7. Localização do centro de massa em imagens sintética por meio do AUTOIN a) e do LOC b).

Um aspecto importante a ser ressaltado sobre o método

LOC é que sua eficiência na localização do centro dos pulmões nas imagens de TCAR deve-se ao processo de segmentação dos pulmões, evitando assim a ocorrência de erros que poderiam ser ocasionados por outros objetos (estruturas) contidos nas imagens de TCAR dos pulmões.

Diferente do método LOC, o método AUTOIN utiliza uma segmentação, auto contida no seu algoritmo, que permite extrair as estruturas e o fundo da imagem, que poderiam impossibilitar a localização do cento dos pulmões. Caso o AUTOIN utiliza-se a mesma segmentação usada pelo método LOC, obteria os mesmos resultados, isto é comprovado na localização realizada na Fig. 7a.

Alguns deslocamentos do AUTOIN com relação ao centro obtido pelo método LOC, principalmente para as distâncias consideradas grandes são ocasionados por dois fatores: o primeiro está relacionado com a complexidade aleatória da forma geométrica dos pulmões. O segundo fato é gerado pela simplicidade da segmentação auto contida no método AUTOIN, que em alguns casos permanecem pequenas estruturas, reduzindo a precisão do cálculo das curvas FPHv e FPHh.

O problema citado pode gerar algum deslocamento do centro localizado pelo AUTOIN. Porém, isto não o compromete que apesar da limitação citada obteve resultados semelhantes comparado com o método LOC, permitindo até para os casos extremos, a inicialização do contorno inicial dentro dos pulmões, conforme é apresentado na Fig. 5c e 5e. Desta forma, pode-se afirmar que o método AUTOIN pode realizar a inicialização automática de dois contornos iniciais

simultâneos, possibilitando a redução do esforço computacional. Como também, permiti a aplicação das técnicas de MCAs, por usuários comuns, que só desejam obter resultados efetivos sem necessidade de ajustar a inicialização do contorno inicial, que pode demandar algum tempo, caso seja manual.

IV. CONCLUSÃO

Neste trabalho é apresentado um novo método de inicialização automática do contorno inicial para os MCAs, denominado de AUTOIN. Este método é baseado na função projeção híbrida, associado com as operações de binarização global, morfologia matemática e remoção do fundo da imagem. Os resultados mostram que o método AUTOIN é semelhante ao método LOC na localização do centro de massa dos pulmões em imagens de TCAR, principalmente por estas imagens apresentarem formas geométricas variadas, bem como em imagens reais, sendo necessário pouco ajuste para este fim.

O método AUTOIN com relação aos outros métodos propostos na literatura, apresentados neste trabalho, mostra-se mais promissor, devido a sua flexibilidade para aplicação em imagens de TCAR dos pulmões e em imagens reais. Este método também realizar a inicialização automática de dois contornos iniciais simultâneos.

AGRADECIMENTOS

Os autores agradecem ao CNPq - Conselho Nacional de Desenvolvimento Científico e Tecnológico pelo apoio financeiro. Ao Laboratório de Sistemas de Computação - LESC do Departamento de Engenharia de Teleinformática e aos Serviços de Pneumologia e de Imagem do Hospital Universitário Walter Cantídio, ambos da Universidade Federal do Ceará.

REFERENCIAS [1] J. H. S. Felix, P. C. Cortez, M. A. Holanda, R. C. S. Costa, “Automatic

Segmentation and Measurement of the Lungs in healthy persons and in patients with Chronic Obstructive Pulmonary Disease in CT Images.” IFMBE Proceedings, v. 18, p. 370-373, 2007.

[2] M. S. Nixon, A. S. Aguado, Feature Extraction & Image Processing. 2nd ed., London, Academic Press, 2008.

[3] R. C. Gonzalez, R. E. Woods, Digital Image Processing. 3rd ed., New Jersey, Pearson Prentice, 2008.

[4] M. Kass, A. Witkin, D. Terzopoulos, “Snakes: Active contour models,” International Journal of Computer Vision, vol. 1, no.4, pp. 321-331, 1988.

[5] T. Mcinerney, D. Terzopoulos, “A dynamic finite element surface model for segmentation and tracking in multidimensional medical images with application to cardiac 4D image analysis,” Computerized Medical Imaging and Graphics, no.19, pp. 69-83, 1995.

[6] M. S. Allili, D. Ziou, “Object tracking in videos using adaptive mixture models and active contours,” Neurocomputing, vol.71, no.10-12, pp. 2001-2011, Jun. 2008.

[7] Q. Chen, Q. -S. Sun, P. -A. Heng, D.-S. Xia, “Parametric active contours for object tracking based on matching degree image of object contour points,” Pattern Recognition Letters, vol.29, no.2, pp. 126-141, Jan. 2008.

[8] V. B. Medina, R. C. Valde's, O. Yaiiez-Susirez, M. Garza-Jinich, J-F Lerallutet, “Automatic Initialization for a Snakes-Based Cardiac Contour Extraction,” in Proc. of the 22nd Annual International

FELIX et al.: AUTOIN: METHOD OF AUTOMATIC INITIALIZATION 1959

Conference of the IEEE Engineering in Medicine and Biology Society, Chicago, IL, USA, 2000.

[9] W. Shen, , A. A. Kassim, “A New Scheme for Automatic Initialization of Deformable Models”, in IEEE International Conference on Image Processing - ICIP, no.4, pp.IV-289 - IV-292, 2007.

[10] P. Radeva, E. Marti, “Facial Features Segmentation by Model-Based Snakes,” in Proc. International Conference on Computing Analysis and Image Processing, 1995.

[11] P. Delmas, P. Y. Coulon, V. Fristot, “Automatic snakes for robust lip boundaries extraction”, in Proc. IEEE International Conference on Acoustics, Speech, and Signal Processing, ICASSP'99, Washington, DC, USA, 1999.

[12] C. Pluempitiwiriyawej, S. Sotthivirat, “Active Contours With Automatic Initialization For Myocardial Perfusion Analysis”, in Proc. 27th Annual International Conference Engineering in Medicine and Biology Society - IEEE-EMBS, pp.3332-3335, 2005.

[13] J. Liang, G. Ding, Y. Wu, “Segmentation of the Left Ventricle from Cardiac MR Images Based on Radial GVF Snake”, in Proc. International Conference on BioMedical Engineering and Informatics - BMEI, no.2, pp.238-242, 2008.

[14] C. Tauber, H. Batatia, A. Ayache, “A general quasi-automatic initialization for snakes: application to ultrasound images”, in Proc. IEEE International Conference on Image Processing - ICIP, no.2, pp.II-806-9, 2005.

[15] J. H. S. Felix, P. C. Cortez, R. C. S. Costa, S. C. B. Fortaleza, E. D. B. Pereira, M. A. Holanda, “Avaliação computacional de enfisema pulmonar em TC: comparação entre um sistema desenvolvido localmente e um sistema de uso livre,” Jornal Brasileiro de Pneumologia, São Paulo, vol. 35, no. 9, pp. 868-876, Sep. 2009.

[16] H. A. Alcantara, S. C. B. Fortaleza, M. A. Alves-Almeida, G. F. P Winkeler, R. C. Reis, J. H. S. Felix, J. W. O. Lima, E. D. B Pereira, “CPAP Effects on Regional Lung Aeration: A High Resolution CT study,” Chest (American College of Chest Physicians), vol. 137, pp. 10.1378/chest.0, 2010.

[17] S. C. B. Fortaleza, “Efeitos da Administração de Pressão Positiva Contínua em Vias Aéreas de Modo não Invasivo Sobre a Aeração do Parênquima Pulmonar em Pacientes com Doença Pulmonar Obstrutiva Crônica,” Dissertação de Mestrado, orientada por H. A. Alcantara, Faculdade de Medicina Clínica, Universidade Federal do Ceará, Fortaleza, set. 2006.

[18] G. F. P Winkeler, “Efeitos Agudos da Administração de Pressão Positiva Contínua em Vias Aéreas de Modo não Invasivo Sobre o Parênquima Pulmonar de Voluntários Sadios nas Posições Supina e Prona: Alterações na Tomografia Computadorizada de Alta Resolução,” Dissertação de Mestrado, orientada por H. A. Alcantara, Faculdade de Medicina Clínica, Universidade Federal do Ceará, Fortaleza, set. 2006.

[19] Y. Li, W. C. K. Wong, “An efficient and robust method to detect object centre,” Pattern Recognition, vol.30, no.5, pp. 659-671, May, 1997.

[20] P. C. Cortez, J. H. S. Felix, M. A. Holanda, A. R. Alexandria, P. P. Rebouças Filho, T. S. Cavalcante. Patente portuguesa, protocolo 013100000235. INPI, Brazil, 2010.

[21] A. C. Silva, P. C. P. Carvalho, R. A. Nunes, M. Gattass, “Segmentation and Reconstruction of the Pulmonary Parenchyma,” in Proc. VI Workshop de Informática Médica – WIM, Vila Velha, pp. 73-82, 29 de May to 03 Jun, 2006.

[22] G. J. F. Banon, J. Barrera, Bases da Morfologia Matemática para a análise de imagens binárias, São José dos Campos, INPE, 1998.

[23] Y. Y. Tang, H. D. Cheng, C. Y. Suen, “Transaction-ring-projection algorithm and its VLSI implementation,” J. Pattern Recognition Artif. Intell, no.5, pp. 25-56, 1991.

[24] G. C. Feng, P. C. Yuen, “Variance projection function and its application to eye detection for human face recognition,” Pattern Recognition Letters, vol.19, no.9, pp.899-906, Jul. 1998.

[25] Z. -H. Zhou, X. Geng, “Projection functions for eye detection,” Pattern Recognition, vol.37, no.5, pp.1049-1056, May 2004.

[26] C. Xu, J. L. Prince, “Snakes, shapes, and gradient vector flow,” IEEE Transactions on Image Processing, vol.7, no.3, pp. 359-369, Mar. 1998.

John Hebert da Silva Felix possui graduação em Automação Industrial pelo Instituto Federal de Educação, Ciência e Tecnologia do Ceará (2005) e mestrado (2007) e doutorado (2011) em Engenharia de Teleinformática pela Universidade Federal do Ceará. Atualmente é professor Adjunto I da Área de Tecnologias e Desenvolvimento Sustentável da Universidade da Integração Internacional da Lusofonia Afro-Brasileira. Tem experiência na área de

Engenharia Biomédica, com ênfase em processamento de imagens médica, reconhecimento de padrões e desenvolvimento de sistemas para auxílio ao diagnóstico médico.

Paulo César Cortez possui graduação em Engenharia Elétrica pela Universidade Federal do Ceará (1982), mestrado (1992) e doutorado (1996) em Engenharia Elétrica pela Universidade Federal da Paraíba, Campus II - Campina Grande-PB, atualmente Universidade Federal de Campina Grande. Atualmente é professor Associado I do Departamento de Engenharia de Teleinformática da Universidade Federal do Ceará. Tem experiência na área de

Engenharia Elétrica/Teleinformática, com ênfase em Visão Artificial, atuando principalmente nos seguintes temas: modelagem poligonal de contornos 2d, detecção de contornos 2d, reconhecimento de padrões, segmentação de imagens digitais, processamento digital de sinais e imagens biomédicos e sistemas inteligentes de auxílio ao diagnóstico médico, visando aplicações em telemedicina.

Tarique da Silveira Cavalcante possui graduação em Mecatrônica Industrial pelo Instituto Federal de Educação, Ciência e Tecnologia do Ceará - IFCE (2008). Mestre em Engenharia de Teleinformática na Universidade Federal do Ceará, na área de Sinais e Sistemas/Processamento de Sinais Biológicos. Pesquisador do grupo G5IMCO (Grupo de Simulação Computacional) pertencente ao Instituto Federal de Educação, Ciência e

Tecnologia do Ceará. Tem experiência na área de Visão Computacional, Engenharia Biomédica, Robótica, Automação e Simulação.

Auzuir Ripardo de Alexandria possui graduação em Engenharia Elétrica pela Universidade Federal da Paraíba (1993), graduação em Bacharelado em Ciências da Computação pela Universidade Federal da Paraíba (1994), mestrado (2005) e doutorado (2011) em Engenharia de Teleinformática pela Universidade Federal do Ceará. Atualmente é professor do Instituto Federal de Educação, Ciência e Tecnologia do Ceará - IFCE. Atua nas linhas de

pesquisa de Visão Computacional, Sistemas de Automação, Robótica Móvel, Processamento Digital de Imagens Médicas, Redes Neurais Artificiais e Automação Industrial.

Marcelo Alcantara Holanda possui graduação em Medicina pela Universidade Federal do Ceará - UFC (1991), com residência médica (1995) e doutorado em Medicina (Pneumologia) pela Universidade Federal de São Paulo - Escola Paulista de Medicina (1998) é professor associado de Terapia Intensiva e Pneumologia do Departamento de Medicina Clínica da Universidade Federal do Ceará. Coordena o Laboratório da Respiração (RespLab)

no Centro de Biomedicina da UFC, onde desenvolve pesquisas nas áreas de Ventilação mecânica (especialmente em portadores de Doença Pulmonar Obstrutiva Crônica) e de análises de imagens do tórax em parceria com o Departamento de Engenharia de Teleinformática da UFC. Coordena a UTI respiratória do Hospital de Messejana Dr Carlos Alberto Studart Gomes supervisionando estágios de residência médica, internato e realização de pesquisas clínicas no âmbito da terapia intensiva. Possui larga experiência no ensino e treinamento em suporte ventilatório mecânico em cursos regionais e nacionais sobre o tema.

1960 IEEE LATIN AMERICA TRANSACTIONS, VOL. 10, NO. 4, JUNE 2012