Fast and accurate 3-D spine MRI segmentation using FastCleverSeg.

Accurate and efficient segmenting of vertebral bodies, muscles, and discs is crucial for analyzing various spinal diseases. However, traditional methods are either laborious and time-consuming (manual segmentation) or require extensive training data (fully automatic segmentation). FastCleverSeg, our proposed semi-automatic segmentation approach, addresses those limitations by significantly reducing user interaction while maintaining high accuracy. First, we reduce user interaction by requiring the manual annotation of only two or three slices. Next, we automatically Estimate the Annotation on Intermediary Slices (EANIS) using traditional computer vision/graphics concepts. Finally, our proposed method leverages improved voxel weight balancing to achieve fast and precise volumetric segmentation in the segmentation process. Experimental evaluations on our assembled diverse MRI databases comprising 179 patients (60 male, 119 female), demonstrate a remarkable 25 ms (30 ms standard deviation) processing time and a significant reduction in user interaction compared to existing approaches. Importantly, FastCleverSeg maintains or surpasses the segmentation quality of competing methods, achieving a Dice score of 94%. This invaluable tool empowers physicians to efficiently generate reliable ground truths, expediting the segmentation process and paving the way for future integration with deep learning approaches. In turn, this opens exciting possibilities for future fully automated spine segmentation.

Recuperação de imagem baseada em conteúdo: uso de atributos de textura para caracterização de microcalcificações mamográficas / Content-based image retrieval: textural features applied to characterization of mammographic calcifications

Este trabalho descreve um sistema de recuperação de imagens baseada em conteúdo ("content-based image retrieval"), desenvolvido para auxiliar o diagnóstico de lesões de mama por inspeção visual, mediante comparação de imagens. Quando uma imagem desconhecida é apresentada, o sistema extrai um vetor de atributos de textura e busca, em um banco de dados, imagens com características semelhantes dentro de uma aproximação previamente estabelecida. As imagens recuperadas são apresentadas ao usuário, que pode, então, verificar os diagnósticos associados.

Banco de imagens médicas com suporte a consultas baseadas em conteúdo gráfico / medical images data with support by consultations based in graphic content

Este trabalho apresenta a construção de um Gerenciador de Bases de Dados para a armazenagem e recuperação de imagens, que permite a formulação de consultas através de seu conteúdo. As abordagens usuais estabelecem a utilização de ícones e atributos textuais para a recuperação das imagens. Neste trabalho é apresentada uma modelagem para o "tipo de dado imagem", que permite a construção de sistemas expansíveis, onde novos algoritmos de processamento de imagens podem ser incluídos, através de sua descrição num meta-esquema de dados. As operações executadas pelos algoritmos modelados podem ser acessadas via a linguagem de consulta do Gerenciador.