ALGORITMOS PARA DIAGNÓSTICO ASSISTIDO DE NÓDULOS PULMONARES SOLITÁRIOS EM IMAGENS DE TOMOGRAFIA COMPUTADORIZADA

O presente trabalho visa desenvolver uma ferramenta computacional para sugerir sobre a malignidade ou benignidade de Nódulos Pulmonares Solitários, através da análise de medidas de textura e geometria obtidas a partir das imagens de tomografia computadorizada. São propostos quatro grupos de métodos com o objetivo de sugerir o diagnóstico para o nódulo. Os grupos de métodos são divididos de acordo com suas características comuns. O Grupo I trata dos métodos baseados em textura adaptados para 3D, como o histograma, o Método de Dependência Espacial de Níveis de Cinza, o Método de Diferença de Níveis de Cinza e o Método de Comprimento de Primitivas de Níveis de Cinza. O Grupo II também trata da textura dos nódulos, mas utiliza quatro funções geoestatísticas denominadas semivariograma, semimadograma, covariograma e correlograma. O Grupo III descreve apenas medidas baseadas na geometria do nódulo, como a convexidade, a esfericidade e medidas baseadas na curvatura. Por fim, o Grupo IV analisa os métodos do coeficiente de Gini e do esqueleto dos nódulos, que levam em consideração tanto a geometria quanto a textura do nódulo. Foi analisada uma amostra com 36 nódulos, sendo 29 benignos e 7 malignos, e os resultados preliminares são promissores na caracterização dos nódulos pulmonares. A maioria dos grupos de métodos propostos tem o valor da área sobre a curva ROC acima de 0.800, utilizando a Análise Discriminante Linear de Fisher e a Rede Neural Perceptron de Múltiplas Camadas. Isto significa que os métodos propostos possuem grande potencial na discriminação e classificação dos Nódulos Pulmonares Solitários.The present work seeks to develop a computational tool to suggest about the malignancy or benignity of Solitary Lung Nodules by the analysis of texture and geometry measures obtained from computadorized tomography images. Four groups of methods are proposed with the purpose of suggesting the diagnosis for such nodule. The groups of methods are divided according to their common characteristics. Group I includes methods based on texture adapted for 3D, such as the histogram, the Spatial Gray Level Dependence Method, the Gray Level Difference Method and Gray Level Run Length Matrices. Group II also deals with the texture of nodules, but uses four statistical functions denominated semivariogram, semimadogram, covariogram and correlogram. Group III describes measures based only on the geometry of the nodule, such as convexity, sphericity, and measures based on the curvature. Finally, Group IV analyzes the Gini coeficient and nodule skeleton methods, which take into account both the nodule`s geometry and its texture. A sample with 36 nodules, 29 benign and 7 malignant, was analyzed and the preliminary results of this approach are very promising in characterizing lung nodules. Most groups of proposed methods have the area under the ROC curve value above 0.800, using Fisher`s Linear Discriminant Analysis and Multilayer Perceptron Neural Networks. This means that the proposed methods have great potential in the discrimination and classification of Solitary Lung Nodules