CIBIM 10, Opo o, Po ugal, 2011
CIBEM 10, Po o, Po ugal, 2011
RM Na al Jo ge, JMRS Ta a es, JL Alexand e, AJM Fe ei a, MAP Vaz (Eds)
ALGORITMOS DE SEGMENTAÇÃO DE IMAGEM E SUA APLICAÇÃO EM
IMAGENS DO SISTEMA CARDIOVASCULAR
Ta iana D. C. A. Sil a, João Manuel R. S. Ta a es
Faculdade de Engenha ia da Uni e sidade do Po o (FEUP) /
Ins i u o de Engenha ia Mecânica e Ges ão Indus ial (INEGI)
Rua D . Robe o F ias 400, 4200-465 Po o, Po ugal
dsil [email protected] , a a[email p o ec ed]
Pala as cha e: P ocessamen o de Imagem, Análise de Imagem, Imagem Médica, Ul assons, Re isão
Resumo
Em g ande pa e dos países desen ol idos, doenças ca dio ascula es, como a aques ca díacos ou aciden es ascula es
ce eb ais, ep esen am a maio causa de mo e. O compo amen o do sis ema ca dio ascula e as causas dos seus p oblemas
êm indo a se al o de di e sos es udos. Pa a al, é essencial o desen ol imen o de écnicas obus as e e icien es de
p ocessamen o e análise de imagem que acili em a comp eensão, diagnós ico e a amen o do sis ema ca dio ascula .
G aças às no as écnicas de imagiologia, ais como Tomog a ia Compu o izada (CT), Angiog a ia, Ressonância Magné ica
(MR) e Ul assons (Dopple ), em indo a se possí el a modelação geomé ica 3D das es u u as do sis ema ca dio ascula ,
como asos e co ação. Con udo, de ido à complexidade das imagens en ol idas, al modelação ainda eque
equen emen e a u ilização de p ocedimen os e ajus es manuais de manei a a consegui -se modelos ealis as.
Técnicas de p ocessamen o de imagem pe mi em melho a e ealça a in o mação con ida nas imagens o iginais. Po seu
lado, écnicas de análise de imagem, como de segmen ação de imagem, êm um papel c ucial na ex acção de in o mação de
al o-ní el a pa i das imagens p é-p ocessadas. No que diz espei o à segmen ação de imagem, uma das p incipais a e as
pa a a comp eensão, análise e in e p e ação de imagens, o seu p incipal objec i o é a di isão da imagem o iginal em egiões
(ou classes) homogéneas ela i amen e a uma ou mais ca ac e ís icas.
O p incipal objec i o des e a igo é a ap esen ação e discussão de mé odos de segmen ação adequados pa a a análise de
imagens do sis ema ca dio ascula , nomeadamen e de imagens de Dopple .
Ta iana D. C. A. Sil a, João Manuel R. S. Ta a es
1. In odução
A capacidade de diagnós ico po imagem aumen ou
signi ica i amen e com a e olução das écnicas de
aquisição de imagens médicas, ais como Tomog a ia
Compu o izada (CT), Ressonância Magné ica (MR),
Angiog a ia e Ul assons (em pa icula , de Dopple ), que
o necem, cada ez mais in o mações de alhadas do pon o
de is a de esolução e dis inção de ecidos. As écnicas de
isualização, p ocessamen o e análise de imagem êm
so ido g andes desen ol imen os nos úl imos anos [1].
Es as écnicas pe mi em uma melho isualização,
classi icação, análise e manipulação po pa e dos clínicos,
an o em imagens bidimensionais como em olumes
idimensionais e mesmo em sé ies empo ais de imagens
[2], [3].
Técnicas de p ocessamen o de imagem p e endem
melho a e ealça a in o mação con ida nas imagens
o iginais como, po exemplo, diminuindo o e ei o do
uído p esen e nas mesmas ou co igindo dis o ções
geomé icas. Uma das écnicas u ilizadas em análise de
imagem é a segmen ação, que pe mi e a comp eensão,
análise e in e p e ação de imagens. O seu p incipal
objec i o é a di isão da imagem o iginal em egiões (ou
classes) homogéneas ela i amen e a uma ou mais
ca ac e ís icas. Cada uma das egiões pode se p ocessada
em sepa ado pa a ex acção de in o mação [4, 5]. A
aplicação mais isí el des a écnica em imagens médicas é
a localização ana ómica de ó gãos, ou em e mos
gené icos, a egião de delimi ação de in e esse, cujo
p incipal objec i o é delinea as es u u as ana ómicas e as
egiões (p o a elmen e pa ológicas) de in e esse [6].
Exis em di e sas aplicações de écnicas de segmen ação
de imagem na ciência médica, como na localização de
umo es e de mic ocalci icações, delineação de células do
sangue, o planeamen o ci ú gico, a las de
co espondência, egis o de imagens, classi icação de
ecidos e es ima i a de olume umo al [7], [8].
Há um g ande núme o de écnicas de segmen ação que
êm indo a se p opos as e implemen adas mas ainda não
há um s anda d que sa is aça odos os c i é ios. Em ge al,
as écnicas de segmen ação podem se di idias em qua o
classes:
 Th esholding;
 Segmen ação baseada em con o nos;
 Segmen ação baseada em egiões;
 Classi icação po pixéis.
A segmen ação po h esholding é mui as ezes baseada no
his og ama de uma p op iedade (em ge al, o ní el de
cinzen o) da imagem o iginal. Na segmen ação baseada
em egiões é conside ado o con eúdo dos pixéis da
imagem, de inindo egiões po inclusão dos pixéis que
con enham ce as ca ac e ís icas comuns. Po seu lado, a
segmen ação baseada em con o nos baseia-se na de inição
geomé ica dos elemen os da imagem. Já a classi icação
po pixéis conside a egula idades e epe ição de
ca ac e ís icas como c i é io de ca ac e ização de uma
egião [2, 3].
2. Algo i mos de Segmen ação
2.1 Baseados em
Th esholds
Es e ipo de algo i mos baseia-se no p incípio de que as
es u u as ou ó gãos de in e esse êm ca ac e ís icas
dis in as quan i icá eis nas imagens a segmen a , ais
como a in ensidade ou magni ude do g adien e. Es e
p ocesso de segmen ação baseia-se na busca de pixéis
cujos alo es es ão den o dos in e alos de inidos como
limia es ( h esholds). O mé odo mais comum é a média de
alo es de h esholds de ido à sua simplicidade de
implemen ação e p op iedades in ui i as. Nes a écnica,
um alo p ede inido ( h eshold) é seleccionado
manualmen e ou au oma icamen e, e uma imagem o iginal
é di idida em g upos de pixéis com alo es iguais ou
supe io es ao limia de inido e g upos de pixéis com
alo es in e io es a esse limia [2-4].
A abo dagem mais in ui i a é o global h esholding, que é
adequado pa a imagens bimodais. Quando apenas um
limia é seleccionado pa a oda a imagem, com base no
his og ama da imagem, é usualmen e chamado de global
h esholding. Se o h eshold depende de p op iedades locais
de algumas egiões da imagem, po exemplo, o alo
médio local de cinza, o h eshold é chamado local. Se os
h esholds são seleccionados de o ma independen e pa a
cada pixel ou g upo de pixéis, é chamado de dinâmico ou
adap a i o [7, 9].
2.1.1
Th esholding
Global
Quando apenas um único alo de h eshold é seleccionado
pa a uma imagem a segmen a , o h eshold é conside ado
global. Es e ipo de h eshold é baseado no p essupos o de
que a imagem a segmen a em um his og ama bimodal e,
po an o, o objec o pode se ex aído do undo da mesma
po uma ope ação simples que compa a os alo es da
imagem com o alo de h eshold de inido [2]. Suponha-
se uma imagem com o his og ama da Figu a 1. Os
pixéis do objec o e do undo êm ní eis de cinza
ag upados em dois modos dominan es. Uma manei a
ób ia pa a ex ai o objec o do undo é selecciona um
limia que sepa a es es modos.
Figu a 1 Exemplo de um his og ama bimodal com um h eshold
seleccionado T.
Se é uma imagem com alo de pixel máximo
, e supondo que deno a a pe cen agem de h eshold
do máximo alo de pixéis acima da qual os pixéis se ão
seleccionados, en ão os pixéis com alo dado po
obedecendo a:
, (1) (1)
Ta iana D. C. A. Sil a, João Manuel R. S. Ta a es
podem se ag upados e uma imagem biná ia é ob ida:
{
, (2)
na qual os pixéis com alo 1 (um) co espondem a
objec os e os pixéis com alo 0 (ze o) co espondem ao
undo. O esul ado da limia ização é uma imagem biná ia.
O mé odo de O su [10] é um mé odo de h eshold global
que ob ém de o ma au omá ica os alo es de h eshold
com base no his og ama da imagem a segmen a (Figu a
2).
a)
b)
Figu a 2 Imagem de uma bi u cação da ca ó ida ob ida po Dopple (a)
esul ado da aplicação do mé odo de O su (b).
2.1.2
Th esholding
Local e Adap a i o
Quando o undo da imagem a segmen a não é cons an e,
o con as e dos objec os ep esen ados a ia ao longo do
mesmo e o mé odo de h esholding global pode não
unciona sa is a o iamen e em algumas á eas. Se as
a iações o em desc i as po uma unção conhecida, é
possí el co igi-las usando écnicas de co ecção de ní eis
de cinzen o, depois das quais um único h eshold de e á
unciona de o ma sa is a ó ia. Ou a solução é a
aplicação de algo i mos de h esholding adap a i os. Es e
ipo de h eshold pode se de inido da seguin e o ma:
1) Di idi a imagem o iginal em sub-imagens e de e mina
os limia es de h eshold pa a cada sub-imagem; ou
2) Examina as in ensidades da imagem o iginal na
izinhança de cada pixel.
No p imei o mé odo, a imagem é no malmen e di idida
em sub-imagens ec angula es sob epos as e os
his og amas são calculados pa a cada um. As sub-imagens
u ilizadas de em se dimensões su icien es pa a inclui
an o o objec o como pixéis do undo da imagem. Se a
sub-imagem em um his og ama bimodal, o limia local
de e se o mínimo en e os picos desse his og ama. Se o
his og ama é unimodal, o limi e de e se pos e io men e
calculado po in e polação a pa i dos limia es locais
encon ados pa a as sub-imagens seguin es. No inal, uma
segunda in e polação é usada pa a encon a os limi es
co ec os em cada pixel. No segundo mé odo, o limia é
seleccionado usando o alo médio da dis ibuição de
in ensidade local.
Os mé odos de h eshold local e adap a i o são
compu acionalmen e mais exigen es do que o h eshold
global. No en an o, êm se e elados ú eis pa a segmen a
objec os em imagens com undos não cons an es, e pa a a
ex acção de egiões que pequenas e espa sas [2].
2.2 Baseados em con o nos
Na de ecção de bo das (ou con o nos), analisa-se as
descon inuidades nos ní eis de cinza da imagem o iginal.
Uma bo da é o limi e en e duas egiões com p op iedades
ela i amen e dis in as de ní el de cinza. As bo das da
imagem ca ac e izam os con o nos dos objec os
ep esen ados na mesma e são bas an e ú eis pa a a
segmen ação e iden i icação dos mesmos. Pon os de
bo da podem se en endidos como as posições dos pixéis
com a iações ab up as de ní eis de cinza que podem se
e lec idos po um g adien e [11]. Os pon os de bo da
ca ac e izam as ansições en e objec os dis in os. Pa a
uma dada imagem é possí el calcula a magni ude
do g adien e como:
=√ =√ (
) (
) , (3)
e a di ecção do g adien e como:
=
, (4)
onde e são os g adien es nas di ecções e ,
espec i amen e.
Exis em á ios mé odos de segmen ação baseados na
iden i icação de bo das. Os mais simples são aqueles em
que as bo das são de ec adas po ope ado es de g adien e,
como o ope ado de Sobel, de Canny [12] e Laplaciano
[13] (Figu a 3).
A segmen ação baseada em con o nos é
compu acionalmen e ápida e não exige in o mação p é ia
sob e o con eúdo da imagem a segmen a . Um p oblema
comum des e mé odo é que mui as ezes as bo das não
incluem o almen e o objec o [4]. Pa a e i a es e
p oblema é necessá io o ma on ei as echadas em
o no das egiões de in e esse: uma e apa de pós-
p ocessamen o que az a ligação ou o ag upamen o de
a es as que co espondem a um limi e único [2]. Em ge al,
a ligação das bo das de ec adas é compu acionalmen e
exigen e e não mui o con iá el. Pa a soluciona es e
p oblema, é ú il aze a ligação das bo das de o ma semi-
au omá ica, pe mi indo que o u ilizado de ina ou
ec i ique a bo da inal quando o as eamen o au omá ico
não é o almen e co ec o [2, 9].
Ta iana D. C. A. Sil a, João Manuel R. S. Ta a es
a)
b)
c)
Figu a 3 Resul ado dos ope ado es de Sobel (a), Canny (b) e Laplaciano
(c) aplicados imagem da Figu a 2a.
2.3 Baseados em egiões
As abo dagens de segmen ação baseadas em egiões
azem a análise de pixéis de uma imagem e o mam
egiões disjun as ag upando pixéis izinhos com
p op iedades de homogeneidade baseadas em c i é ios de
simila idade p é-de inidos [4].
A écnica mais simples de segmen ação baseada em
egiões é chamada de egion g owing (c escimen o po
egiões), e az o ag upamen o em segmen os, de pixéis que
possuem p op iedades simila es. Es a écnica começa com
um pixel ou g upo de pixéis, chamada(s) de semen e(s)
que pe ence(m) à es u u a de in e esse. A(s) semen e(s)
pode(m) se escolhida(s) pelo ope ado ou de e minada(s)
au oma icamen e. A segui , a izinhança de cada semen e
é inspeccionada e os pixéis semelhan es são adicionados à
egião da semen e o iginal, e assim, a egião ai c escendo.
O p ocesso con inua a é que mais nenhum pixel possa se
ac escen ado. Des e modo é possí el que alguns pixéis
possam pe manece sem ó ulo, is o é, es a em isolados,
quando pá a o p ocesso de c escimen o [2, 14].
Os esul ados do egion g owing dependem o emen e da
escolha do c i é io de homogeneidade. Se não o
escolhido co ec amen e, as egiões podem escapa pa a
á eas adjacen es e undi em com as egiões que não
pe encem ao objec o de in e esse. Ou o p oblema des a
écnica é que di e en es pon os de pa ida não podem
c esce em egiões idên icas [15].
A an agem da écnica de egion g owing é que pe mi e a
segmen ação co ec a de egiões que êm as mesmas
p op iedades e es ão espacialmen e sepa adas e ambém
ge a egiões conec adas en e si (Figu a 4).
Os mé odos de egion spli ing (di isão po egiões) êm
uma es a égia opos a à do egion g owing. Es es mé odos
pa em de oda a imagem e examinam os c i é ios de
homogeneidade. Se os c i é ios não se e i icam, a
imagem (ou sub-imagem) é di idida em duas ou mais sub-
imagens. Es e p ocesso e mina quando odas as sub-
imagens sa is azem os c i é ios de homogeneidade.
Uma combinação de segmen ação po egion spli ing e po
egion g owing soma os bene ícios de ambas as abo dagens
[3].
Figu a 4 Resul ado da aplicação de um algo i mo de egion g owing à
imagem da Figu a 2a.
2.3.1
Wa e shed
Algo i hm
A segmen ação po wa e shed (mé odo do di iso de águas)
é uma écnica de segmen ação de imagem que em indo a
se usada com sucesso em á ias aplicações. É uma
écnica baseada em egiões que u iliza a mo ologia da
imagem [2]. Nes e caso, é necessá io que se aça a selecção
de pelo menos um ma cado (semen e) in e io a cada
objec o da imagem, incluindo an o o undo da imagem,
como os objec os a segmen a . Usualmen e, o u ilizado é
esponsá el pela selecção dos ma cado es, con udo es es
ambém podem se seleccionados po um p ocedimen o
au omá ico que conside e conhecimen os especí icos
sob e os objec os a segmen a .
A ideia básica do wa e shed é dada pela imagem da adução
em po uguês do nome: um di iso de águas é uma cadeia
de mon anhas, que di ide a água da chu a em egiões pa a
onde es a “esco e”. O mé odo de wa e shed u iliza os
módulos dos g adien es, as a iações locais de in ensidade
na imagem, como uma “ opog a ia” mon anhosa que
sepa a egiões, undindo egiões de o ma a aumen a a
al u a da água que “cho e” na imagem. A g ande
an agem des e mé odo é a sua apidez de p ocessamen o,
pe mi indo que seja u ilizado em aplicações in e ac i as,
mesmo quando as imagens a p ocessa são de g andes
dimensões e complexidade [3].
2.4 Classi icação po pixéis
Reco de-se que o passo undamen al dos mé odos de
h eshold desc i os an e io men e é a escolha dos limia es
Ta iana D. C. A. Sil a, João Manuel R. S. Ta a es
de classi icação que é no malmen e ealizada
manualmen e ou de o ma semi-au omá ica com base nas
es a ís icas locais, como o máximo, média ou mínima da
imagem dada (ou sub-imagens). O concei o básico da
selecção limia pode se gene alizado, le ando a um
pa adigma o ien ado a dados, que de e mina o limia
au oma icamen e com base em écnicas de ag upamen o
ou edes neu onais a i iciais.
Os mé odos de classi icação po pixéis, que u ilizam as
es a ís icas do his og ama pa a de ini um único ou á ios
alo es de h eshold pa a classi ica uma imagem, podem
se conside ados como uma gene alização das écnicas de
h esholding. Tais mé odos são pa icula men e ú eis quando
os pixéis a segmen a êm múl iplos a ibu os, que podem
se exp essos po um ec o mul idimensional em unção
do espaço. Po exemplo, o ec o de ca ac e ís icas pode
consis i em ní el de cinza, ex u a local e componen es
de co pa a cada pixel da imagem a segmen a .
Assim, os pixéis de cada imagem podem se di ididos em
dis in as classes de pixéis semelhan es. Po exemplo, os
pixéis de uma imagem médica podem se di ididos em
pixéis que pe encem a ecidos du os e a ecidos moles, ou
a um umo e ecidos sãos.
No caso de exis i em á ias imagens de exemplo em que
um pe i o enha es abelecido ma cado es de classe, que
cons i uem um aning se (conjun o eino), pode-se
deduzi ca ac e ís icas da imagem que ão pe mi i a
dis inção en e pixéis de di e en es classes. Es as
ca ac e ís icas podem, po exemplo, se baseadas na
in ensidade de pixéis ou na média de in ensidade da
izinhança. Pa a um pixel numa no a imagem, pode-se
compa a as suas ca ac e ís icas com a dis ibuição de
ca ac e ís icas do aining se e es ima a p obabilidade
desse pixel pe ence a ce a classe. A es e p ocesso
chamamos classi icação po pixéis [2, 3].
2.4.1 Técnicas de Ag upamen o (
Clus e ing
)
A écnica de Clus e ing em indo a se amplamen e
aplicada em á ias á eas, como em an opologia,
a queologia, psiquia ia e zoologia [3, 4]. Es a écnica é das
mais comuns na segmen ação de imagens médicas. O
Clus e ing é o p ocesso de ag upamen o de objec os
semelhan es num único clus e (g upo), enquan o objec os
com ca ac e ís icas semelhan es são ag upados em
di e en es g upos com base em c i é ios de semelhança. A
simila idade é quan i icada em e mos de uma medida de
dis ância adequada. Uma medida de semelhança ób ia é a
dis ância en e dois ec o es num dado espaço [3].
Cada clus e é ep esen ado pelo seu cen oide (ou média) e
a iância, que indica a densidade dos objec os den o do
clus e , e a o mação dos clus e s é op imizada de aco do
com uma unção de cus o que no malmen e le a em con a
a semelhança den o de cada clus e e dissimila idade en e
clus e s [2].
Há á ias écnicas de ag upamen o p opos as na li e a u a
[2, 3, 5, 16], usualmen e di idas em: algo i mos de
classi icação supe isionados e algo i mos de classi icação
não-supe isionados. As écnicas supe isionadas são o k-
nea es neighbo (kNN) [17], maximum likehood (ML)
algo i hms [18], supe ised a i icial neu al ne wo ks (ANN) [19],
suppo ec o machines (SVM) [19], ac i e shape models (ASM)
[19] e ac i e appea ance models (AAM) [19]. Po seu lado, as
não supe isionadas são a CM algo i hms uzzy C-means
(FCM) [20], os algo i hms i e a i e sel -o ganising da a analysis
echnique algo i hms (ISODATA) [20] e as unsupe ised neu al
ne wo ks [2, 4].
Na ap endizagem supe isionada, o nece-se ao algo i mo
uma espos a co ec a (saída) pa a cada pad ão de en ada
de idamen e iden i icado. Os pa âme os do algo i mo
são en ão ajus ados na ase de eino com o objec i o de
pe mi i que sejam p oduzidas espos as ão p óximas
quan o possí eis das espos as co ec as.
Po seu lado, na ap endizagem não-supe isionada não é
necessá ia uma espos a co ec a associada com cada
pad ão de en ada no conjun o de dados a aliados. Sendo
explo ada a es u u a subjacen e aos dados, ou co elações
en e pad ões dos p óp ios e o ganizados os mesmos em
ca ego ias a pa i das co elações es abelecidas [4].
2.4.2 Modelos De o má eis
A segmen ação baseada em modelos de o má eis em
sido conside ada na Visão Compu acional como g ande
sucesso, sendo a Imagem Médica um dos campos onde se
em e elado e icaz [21].
G ande pa e dos mé odos de segmen ação de imagem
baseados em modelos de o má eis passa pela op imização
de unções objec i o, p ocu ando encon a um
comp omisso en e um e mo de ene gia baseado na
imagem e ou o e mo elacionado com uma ene gia
in e na ou modelo de o ma ( ipicamen e a sua idade de
pon os adjacen es de um modelo). Uma al e na i a aos
modelos baseados na op imização de uma unção
objec i o, consis e em o mula a de o mação de um
con o no como uma en e de onda que se p opaga, que
pode se conside ada como uma iso-linha de uma unção
en ol en e. Pode-se di idi , en ão, os modelos
de o má eis em dois ipos: Modelos Pa amé icos, como
os con o nos Ac i os ou Snakes [22], e Modelos
Geomé icos ou Le el Se .
A - Con o nos Ac i os ou
Snakes
Em Visão Compu acional, o modelo de con o nos
ac i os, ambém conhecido po Snake, em sido u ilizado
de o ma e icaz pa a implemen a o con o no de
segmen ação e ex ai ca ac e ís icas do objec o de
in e esse, sendo conside ado um sucesso em á ias
aplicações de análise de imagem médica [2].
De o ma simpli icada, um modelo de Snake pode se
conside ada como uma cu a com uma unção de ene gia.
Usualmen e, pa a acompanha o con o no de um objec o
desejado numa imagem, alguns pon os da cu a inicial
de em se inicialmen e especi icados pe o da on ei a do
objec o. Quando o algo i mo é aplicado, a Snake ai
“mo e -se” g adualmen e sob de e minadas es ições em
di ecção às posições nas quais se localiza o con o no do
objec o a segmen a . Es e p ocesso de de o mação é
ge almen e ealizado po p ocu a i e a i a de um mínimo
local de uma unção de ene gia. No en an o, um p oblema
bem conhecido do modelo clássico de Snake é que es e
pode ica p eso num local de soluções mínimas
p o ocadas, po exemplo, po uído ou má inicialização
[22].
Depois da ep esen ação da cu a de o má el po uma
unção de ene gia, segue-se a op imização do p ocesso de
segmen ação, guiada po uma minimização da ene gia do

Ta iana D. C. A. Sil a, João Manuel R. S. Ta a es
con o no, o que az com que a cu a de o má el e olua
g adualmen e a pa i do con o no inicial pa a o limi e
desejado do objec o mais p óximo [23]. A unção de
ene gia con ém duas pa celas: ene gia in e na, , e
ene gia ex e na, .
Ge almen e, a ene gia in e na apenas impõe es ição
à sua idade da cu a, como o compo amen o da
elas icidade e cu a u a; enquan o a ene gia ex e na é
esponsá el po “puxa ” a cu a da Snake na di ecção dos
limi es do objec o a segmen a . Es as duas ene gias são
no malmen e o muladas po uma exp essão da ene gia
que é minimizada de o mando o con o no num p ocesso
de op imização:
=∑
, (5)
=αi‖ ‖ +βi‖ ‖ , (6)
onde é o núme o o al de pon os da Snake;
é uma coo denada de igésimo pon o de Snake. O
pa âme o é uma cons an e que impõe a es ição de
ensão en e dois pon os adjacen es da Snake. Quan o
maio o , meno se á o con o no ob ido. O pa âme o
é uma es ição de ajus e à cu a u a en e odos os ês
pon os consecu i os da Snake. De um modo ge al, quan o
maio o alo de , mais sua e é o con o no esul an e.
Em di e sas aplicações nas quais o amanho do objec o
desejado e as cu a u as podem a ia , os alo es de e
êm necessidade de se ajus ados [2].
Um algo i mo de Snake mui o usado oi p opos o Yezzi
[24] e assume que uma imagem consis e num núme o
ini o de egiões, ca ac e izadas po um conjun o
p ede e minado de ca ac e ís icas (média ou ex u a, po
exemplo) que podem se es imadas a pa i dos dados da
imagem. Um exemplo de uma aplicação des e algo i mo
numa imagem Dopple de bi u cação da ca ó ida pode se
is o na Figu a 5.
a)
b)
Figu a 5 Con o no inicial usado (a) pa a aplicação do
algo i mo de Yezzi (Snake) à imagem da bi u cação da
ca ó ida (b).
B – Modelos Geomé icos ou
Le el Se
Os modelos geomé icos ou de le el se cons i uem uma
al e na i a aos modelos baseados na op imização de uma
unção objec i o. Nes es mé odos, a de o mação do
con o no é o mulada como uma en e de onda que se
p opaga e que pode se conside ada como le el se de alo
ze o de uma unção en ol en e. Es a unção en ol en e
pode se exp essa na o ma de uma equação di e encial
pa cial em que um e mo de elocidade o ça a pa agem
da p opagação de aco do com in o mação ob ida a pa i
da imagem. Os es o ços nes a á ea inicia am-se em [25] e
êm sido aplicados a imagem médica po á ios au o es [4,
26, 27]. Es es mé odos o necem a base pa a o p ocesso
numé ico usado pelos mé odos designados em [23] po
modelos geomé icos.
O p ocesso de segmen ação inco po a uma cu a inicial
que é o le el se de ní el ze o de uma supe ície de
dimensão supe io e az e olui es a supe ície pa a que o
le el se de ní el ze o con i ja pa a o objec o a segmen a .
A pe spec i a usada co esponde a uma o mulação
Eule iana do mo imen o e não Lag angiana como é o
caso dos modelos pa amé icos [23], [25]. Uma
p op iedade ú il des a abo dagem é o ac o da unção de
le el se se man e álida mesmo quando a cu a al e a a
sua opologia, uma an agem em elação aos modelos
pa amé icos.
Uma das ca ac e ís icas mais no á eis des a ap oximação é
a acilidade de gene alização a dimensões supe io es [28].
No en an o, a acilidade de adap ação da opologia, ú il
em mui as aplicações, pode po ezes, conduzi a
esul ados indesejá eis, p oduzindo o mas com opologia
não consis en e com a do objec o a de ec a .
Em [29], usando uma o mulação de minimização de
ene gia, oi demons ado, p imei o pa a 2D [30] e depois
pa a 3D [29], a elação exis en e en e modelos que
u ilizam unções elocidade induzidas po o ças
po ências (o que acon ece na maio pa e das a ian es) e
modelos pa amé icos que não incluem o e mo de
igidez. Mais a de, Xu e al. [23] ob i e am uma elação
ma emá ica explíci a en e uma o mulação de o ça
dinâmica pa a modelos de o má eis pa amé icos e uma
o mulação pa a modelos geomé icos, pe mi indo a
u ilização de unções elocidade de i adas de o ças não
po enciais, is o é, o ças que não podem se exp essas
como o nega i o do g adien e de unções de ene gia
po encial.
Um exemplo de uma aplicação de le el se numa imagem de
Dopple de bi u cação da ca ó ida pode se is o na igu a
6, onde oi u ilizado o algo i mo de Chan-Vese, [31]com
um con o no inicial semelhan e ao da Figu a 5a.
Ta iana D. C. A. Sil a, João Manuel R. S. Ta a es
Figu a 6 Resul ado da aplicação do algo i mo de Chan Vese
(Le el Se ) à imagem da bi u cação da ca ó ida.
3. Conclusão
A maio ia dos algo i mos necessi am de combina á ias
écnicas de p ocessamen o e segmen ação de imagem pa a
melho a os esul ados ob idos. Po es a azão, não exis e
uma classi icação uni e sal pa a algo i mos de
segmen ação. Nes e a igo, classi icou-se os algo i mos de
segmen ação em qua o ca ego ias e esumiu-se as suas
ca ac e ís icas p incipais.
Os mé odos de segmen ação compu o izados
demons a am a sua g ande u ilidade em aplicações de
análise de imagem médica e são usados ac ualmen e pa a
melho comp eensão, diagnós ico e a amen o de
dis unções.
A in es igação nes a á ea con inua ac i a, p ocu ando-se
ob e algo i mos de segmen ação cada ez mais obus os
ao uído e à inicialização, bem como a ou as
ca ac e ís icas da imagem que di icul am a segmen ação.
Fu u as pesquisas na segmen ação de imagens médicas
ão se di eccionadas pa a melho a a exac idão, p ecisão
e elocidade compu acional de mé odos de segmen ação
exis en es, bem como eduzi a quan idade de in e acção
manual eque ida. Exac idão e p ecisão podem se
melho adas, po exemplo, a a és da inco po ação de
in o mação p é ia de um a las que eúna conhecimen o
p é io dos objec os a segmen a e combinando di e en es
écnicas de segmen ação.
Ag adecimen os
Es e abalho oi pa cialmen e desen ol ido no âmbi o
dos p ojec os “Simulação compu acional do sis ema
ca dio ascula endo em is a aplicação hospi ala ”,
“Imagiologia Modelação e Simulação do Sis ema
Ca dio ascula - SIMCARD” e “Me odologias pa a
Análise de Ó gãos a pa i de Imagens Médicas
Complexas – Aplicações à Ca idade Pél ica Feminina”,
com as e e ências PTDC/SAU-BEB/102547/2008,
UTAus in/CA/0047/2008 e PTDC/EEA
CRO/103320/2008, espec i amen e, inanciados pela
Fundação pa a a Ciência e a Tecnologia (FCT).
Re e ências
1. A. Qua e oni and M. Veneziani,
"Compu a ional Vascula Fluid dynamics:
p oblems, models and me hods". Compu e and
Visualiza ion in Science. 2000
2. I.N. Bankman. Handbook o Medical Imaging. Vol.
II. San Diego/ London: Academic P ess, 2000.
3. K.-P. Wong. Handbook o Biomedical Image
Analysis. Edi ed by E. Micheli-Tzanakou. Vol. II
- Segmen a ion Models. New Je sey: Kluwe
Academic / Plenum Publishe s, 2005.
4. Z. Ma, J. Ta a es, R. Jo ge and T. Masca enhas,
"A e iew o algo i hms o medical image
segmen a ion and hei applica ions o he emale
pel ic ca i y". Compu e Me hods in Biomechanics and
Biomedical Enginee ing. 13(2): p. 235-246. 2010
5. D.J. Wi hey and Z.J. Koles, "Medical Image
Segmen a ion: Me hods and So wa e".
In e na ional Con e ence on Func ional Biomedical
Imaging. p. 140-143. 2007
6. D.N. Ghis a. Applied Biomedical Enginee ing
Mechanics. New Yo k: CRC P ess, 2008.
7. J.S. Su i, D.L. Wilson and S. Laxmina ayan, eds.
Handbook o Biomedical Image Analysis. Vol. 2.
2005, Kluwe Academic/ Plenum Publishe s:
New Yo k.
8. R. Himeno, "Blood Flow Simula ion owa d
Ac ual Applica ion a Hospi al". The 5 h Asian
Compu a ional Fluid Dynamics. 2003
9. D.L. Pham, C. Xu and J.L. P ince, "Cu en
Me hods in Medical Image Segmen a ion".
Annual Re iew in Biomedical Enginee ing. 2000
10. N. O su, "A h eshold selec ion me hod om
g ay-le el his og ams". IEEE T ansac ions on
Sys ems, Man, and Cybe ne ics. 9(1): p. 62-66. 1979
11. G. Fung, A Comp ehensi e O e iew o Basic
Clus e ing Algo i hms. 2001.
12. J. Canny, "A compu a ional app oach o edge
de ec ion". IEEE T ansac ions on Pa e n Analysis
and Machine In elligence. 8(6): p. 679-698. 1986
13. L.S. Da is, "A su ey o edge de ec ion
echniques". Compu e G aphics and Image P ocessing.
4(3): p. 248-270. 1975
14. D.J. Wi hey and Z.J. Koles, "Medical Image
Segmen a ion: Me hods and So wa e".
IEEE/IET Elec onic Lib a y (IEL). 2007
15. S. Mi chell, J.G. Bosch, B.P.F. Lelie eld , R.J. .d.
Gees , J.H.C. Reibe , and M. Sonka, "3-D Ac i e
Appea ance Models: Segmen a ion o Ca diac
MR and Ul asound Images". IEEE
TRANSACTIONS ON MEDICAL IMAGING.
21. 2002
16. T. McIne ney and D. Te zopoulos, "De o mable
Models in Medical Image Analysis: A Su ey".
Medical Image Analysis. 1: p. 91-108. 1996
17. H.A. V ooman, C.A.C. CA, R. S okking, I.M.
A an, M.W. Vemooij, M.M. B e ele , and W.J.
Niessen, "kNN-based mul i-spec al MRI b ain
issue classi ica ion: manual aining e sus
au oma ed a las-based aining.". SPIE Medical
Imaging. 2006
18. A. Sa i, C. Co si, E. Mazzini and C. Lambe i,
"Maximum likehood segmen a ion o ul asound
images wi h Rayleigh dis ibu ion.". IEEE T ans
Ul asoun Fe oelec F eq Con ol. 52(6): p. 947-960.
2005
19. M. James. Classi ica ion algo i hms. NY: Wiley-
In e science, 1985.
Ta iana D. C. A. Sil a, João Manuel R. S. Ta a es
20. M.A. Jacobs, R.A.K. RA, H. Sol anian-Zadeh,
Z.G.Z. ZG, A.V. Gousse , D.J. Peck, J.P.
Windham, and M. Chopp, "Unsupe ised
segmen a ion o mul ipa ame e MRI in
expe imen al ce eb al ischemia wi h compa ison
o T2, di usion, and ADC MRI pa ame e s and
his opa hological alida ion". JMRI. 11(4): p. 425-
437. 2000
21. J.S. Sil a, B.S. San os, A. Sil a and J. Madei a,
"Modelos De o má eis na Segmen ação de
Imagens Médicas: uma in odução". Re is a do
DETUA. 4. 2004
22. M. Kass, A. Wi kin and D. Te zopoulos,
"Snakes: ac i e con ou models". In J Comp Vis.
1(4): p. 321-331. 1987
23. C. Xu, D.L. Pham and J.L. P ince. Image
Segmen a ion Using De o mable Models (cap. III). in
SPIE: The In e na ional Socie y o Op ical
Enginee ing. 1999.
24. A. Yezzi, J.A. Tsai and A. Willsky. A S a is ical
App oach o Snakes o Bimodal and T imodal Image y.
1999. The P oceedings o he Se en h IEEE
In e na ional Con e ence and Compu e Vision.
25. S. Oshe and J.A. Se hian, "F on s P opaga ion
wi h Cu a u e Dependen Speed: Algo i hms
Based on Hamil on- Jacobi Fo mula ions".
Jou nal o Compu a ional Physics. 79: p. 12-49. 1988
26. D. Jayade appa, S.S. Kuma and D.S. Mu y, "A
New De o mable Model Based on Le el Se s o
Medical Image Segmen a ion". IAENG
In e na ional Jou nal o Compu e Science. 36(3). 2009
27. J. Schmid and N. Magnena -Thalmann, "MRI
bone segmen a ion using de o mable models and
shape p io s.". Medical Image Compu ing and
Compu e -Assis ed In e en ion. 11(1): p. 119-126.
2008
28. J.A. Se hian, "Le el Se me hods: An Ac o
Violence". Ame ican Scien is . 85. 1997
29. V. Caselles, R. Kimmel, G. Sapi o and C. Sbe ,
"Minimal Su aces Based Objec Segmen a ion".
IEEE T ansac ions on Pa e n Analysis and Machine
In elligence. 19: p. 394-398. 1997
30. V.C.R.K.G. Sapi o, Geodesic Ac i e Con ou s, in
In e na ional Jou nal o Compu e Vision. 1997. p. 61-
79.
31. T.F. Chan and L.A. Vese, "Ac i e Con ou s
Wi hou Edges". IEEE T ansac ions on Image
P ocessing. 10(2). 2001