CoordenaÃÃo de AperfeiÃoamento de Pessoal de NÃvel Superior / Sistemas computacionais vÃm desempenhando papel importante em vÃrias Ãreas da medicina, notadamente no auxÃlio ao diagnÃstico mÃdico por imagem. Neste sentido, estudos na Ãrea de VisÃo Computacional sÃo realizados para desenvolver tÃcnicas e sistemas capazes de detectar automaticamente diversas doenÃas. Dentre os exames existentes que permitem o auxÃlio ao diagnÃstico e a aplicaÃÃo de sistemas computacionais em conjunto, destaca-se a Tomografia Computadorizada (TC) que possibilita a visualizaÃÃo de ÃrgÃos internos, como por exemplo, o pulmÃo e suas estruturas. Sistemas de Vis~ao Computacional utilizam estas imagens obtidas por exames de TC para extrair informaÃÃo por meio de tÃcnicas com a finalidade de segmentar, reconhecer e identificar detalhes da regiÃo de interesse nestas imagens. Este trabalho centraliza seus esforÃos na etapa de segmentaÃÃo dos pulmÃes a partir de imagens de TC, empregando-se, para tanto, tÃcnicas baseadas em MÃtodo de Contorno Ativo (MCA), tambÃm conhecido como emph{snake}. Este mÃtodo consiste em traÃar uma curva inicial, em torno ou dentro de um objeto de interesse, deformando-a conforme algumas forÃas que atuam sobre a mesma, deslocando-a atà as bordas do objeto. Este processo à realizado por iteraÃÃes sucessivas de minimizaÃÃo de uma dada funÃÃo energia, associada à curva. Neste contexto, esta tese propÃe um novo mÃtodo para a segmentaÃÃo dos pulmÃes em imagens de TC do tÃrax denominado MÃtodo de Contorno Ativo Crisp Adaptativo. Este MCA à o aperfeiÃoamento do MCA Crisp desenvolvido em um estudo anterior, que visa aumentar a precisÃo, diminuir o tempo de anÃlise e reduzir a subjetividade na segmentaÃÃo e anÃlise dos pulmÃes dessas imagens pelos mÃdicos especialistas. Este mÃtodo à proposto para a segmentaÃÃo de uma imagem isolada ou do exame completo, sendo primeiramente em 2D e expandido para 3D. O MCA Crisp Adaptativo 2D à comparado com os MCAs THRMulti, THRMod, GVF, VFC, Crisp e tambÃm com o sistema SISDEP, sendo esta avaliaÃÃo realizada utilizando como referÃncia 36 imagens segmentadas manualmente por um pneumologista. Jà o MCA Crisp Adaptativo 3D à aplicado na segmentaÃÃo dos pulmÃes em exames de TC e comparado com o mÃtodo Crescimento de RegiÃes 3D, cujos resultados das segmentaÃÃes sÃo avaliados por 2 mÃdicos pneumologistas. Os resultados obtidos demonstram que os mÃtodos propostos sÃo superiores aos demais na segmentaÃÃo dos pulmÃes em imagens de TC do tÃrax, tanto em uma imagem pelo MCA Crisp Adaptativo 2D, como em exames completos pelo MCA Crisp Adaptativo 3D. Deste modo, pode-se concluir que estes mÃtodos podem integrar sistemas de auxÃlio ao diagnÃstico mÃdico na Ãrea de Pneumologia. / Computer systems have been playing a very important role in many areas of medicine, particularly, on medical diagnosis through image processing. Therefore, studies on the field of Computer Vision are made to develop techniques and systems to perform automatic detection of several diseases. Among the existing tests that enable the diagnosis and the application of computational system together, there is the Computed Tomography (CT), which allows the visualization of internal organs, such as the lung and its structures. Image analysis techniques applied to CT scans are able to extract important information to segment and recognize details on regions of interest on these images. This work focuses its e↵orts on the stage of lungs segmentation through CT images, using techniques based on Active Contour Method (ACM), also known as snake. This method consists in tracing an initial curve, around or inside the object of interest, wich deform itself according to forces that act over the same, shifting to the object edge. This process is performed by successive iterations of minimization of a given energy, associated to the curve. In this context, this work proposes a new aproach for lung segmentation of chest CT images, which is called Adaptative Crisp Active Contour Method. This ACM is an improvement the previous developed Crisp ACM. The purpose of this new ACM is to increase accuracy, decrease analysis time and reduce segmentation subjectivity in the manual analysis of specialized doctors. This method is proposed to isolated images segmentation or the complete exam, being first in 2D, then expanding to 3D. The 2D Adaptative Crisp ACM is compared to ACMs THRMulti, THRMod, GVF, VFC, Crisp and also with the system SISDEP, being this evaluation performed by using a set of 36 manually segmented images by one pulmonologist. The 3D Adaptative Crisp ACM is applied on lung segmentation in CT exams and compared with the 3D Region Growing method, which segmentation results were evaluated by two pulmonologists. The obtained results shows that the proposed methods are superior to the other methods on lung segmentation in chest CT images, both as in one image by 2D Adaptative Crisp ACM as in full exam by the 3D Adaptative Crisp ACM. Thus, it is possible to conclude that these method can integrate systems to aid medical diagnosis in the field of pulmonology.