Segmentação por blocos em imagens médicas utilizando extratores de características / Blockwise segmentation in medical images using pattern recognition

RESUMO

Com uma boa técnica de segmentação é possível aumentar a acurácia diagnóstica em sistemas de auxílio ao diagnóstico. OBJETIVO: Este trabalho tem como objetivo propor uma metodologia de segmentação por blocos em imagens de Tomografia de pulmão por meio de extratores de características, utilizando duas classes para a classificação, pulmão e não-pulmão. MÉTODOS: Os extratores testados foram Local Binary Pattern (LBP), Completed Local Binary Pattern(CLBP), Matriz de coocorrência de níveis de cinza (GLCM), Momentos do Histograma, Histograma de níveis de cinza e Transformação Top-hat. Foi utilizada uma Máquina de Vetor de Suporte e a validação cruzada leave-one-patient-out .RESULTADOS E CONCLUSÃO: A melhor classificação entre as duas classes foi obtida com os métodos de Top-hat e Histograma com uma acurácia de 98,25% e 98,16%, respectivamente, mostrando uma maior taxa de acerto em relação a literatura existente.

ABSTRACT

With an effective technique of segmentation it is possible to increase the diagnostic accuracy in computer-aided diagnostic systems. OBJECTIVES: This paper proposes a method to evaluate the features extractors used inthe pattern classification of lung tissue. METHOD: The features descriptors used were the Local Binary Pattern (LBP), Completed Local Binary Pattern (CLBP), Gray-Level Co-Occurrence Matrix (GLCM), Histogram Moments, Gray Level Histogram and Top-hat Transformation. The pattern classification was performed using support vector machines (SVM) and a cross validation leave-one-patient out approach. RESULTS AND CONCLUSION: The best lung tissue classification was obtained combining the top-hat and histogram methods, with an accuracy of 98.26% and 98.16% respectively, that represent higher accuracy when compared with the current literature.