Este trabalho apresenta um estudo sobre a utilização da Transformada de Wavelet para o realce de contraste de estruturas de interesse mamográfico (nódulos e microcalcificações), visando o desenvolvimento de um sistema computacional para auxílio ao diagnóstico do câncer de mama. Este sistema compõe-se basicamente de 3 etapas: pré-processamento, detecção e classificação, sendo que este trabalho insere-se na etapa de pré-processamento. Nessa etapa as estruturas de interesse foram realçadas de forma a propiciar um melhor desempenho nas etapas seguintes. No trabalho aqui descrito as estruturas de interesse contidas em mamogramas digitalizados foram realçadas pela Transformada de Wavelet através de dois métodos distintos: Ganho Adaptativo Multiescala e Reconstrução Parcial. Na técnica Ganho Adaptativo Multiescala a imagem é decomposta em sub-imagens pela Transformada de Wavelet. As sub-imagens decompostas são realçadas por uma função não linear e então a imagem realçada é obtida pela aplicação da Transformada Inversa de Wavelet. Na técnica Reconstrução Parcial, a imagem é decomposta em sub-imagens pela Transformada de Wavelet. São selecionadas as sub-imagens onde as estruturas de interesse são mais representativas e então a imagem realçada é obtida pela aplicação da Transformada Inversa de Wavelet à estas sub-imagens. A avaliação dos resultados é feita por um quantificador da melhoria de contraste das imagens e pela análise do histograma. / In the present work, we presents a study about using of Wavelet Transform in contrast enhancement of mammographic features(mass and microcalcifications), as part of developing a Computerized System proposed to aid in diagnosis of breast cancer. This system is composed of 3 main stages: early processing, detection and classification, and this work is into the early processing stage. In this stage structures of interest have been enhanced to improve performance at following stages. In this work, mammographic features have been enhanced by application of 2 distinct methods using Wavelet Transform: Multiscale Adaptive Gain and Partial Reconstruction. Multiscale Adaptive Gain decomposes the original image in subimages by application of Wavelet Transform. These subimages are enhanced throw the application of a non linear function and the enhanced image is obtained by application of Inverse Wavelet Transform. Partial Reconstruction decomposes the original image in subimages by application of Wavelet Transform. The subimages more representative for mammographic features are selected and the enhanced image is obtained by application of lnverse Wavelet Transform in these subimages. The final results obtained are evaluated by a Contrast Improvement Quantifier and histogram analysis.

Este trabalho apresenta um estudo sobre a utilização da Transformada de Wavelet para o realce de contraste de estruturas de interesse mamográfico (nódulos e microcalcificações), visando o desenvolvimento de um sistema computacional para auxílio ao diagnóstico do câncer de mama. Este sistema compõe-se basicamente de 3 etapas: pré-processamento, detecção e classificação, sendo que este trabalho insere-se na etapa de pré-processamento. Nessa etapa as estruturas de interesse foram realçadas de forma a propiciar um melhor desempenho nas etapas seguintes. No trabalho aqui descrito as estruturas de interesse contidas em mamogramas digitalizados foram realçadas pela Transformada de Wavelet através de dois métodos distintos: Ganho Adaptativo Multiescala e Reconstrução Parcial. Na técnica Ganho Adaptativo Multiescala a imagem é decomposta em sub-imagens pela Transformada de Wavelet. As sub-imagens decompostas são realçadas por uma função não linear e então a imagem realçada é obtida pela aplicação da Transformada Inversa de Wavelet. Na técnica Reconstrução Parcial, a imagem é decomposta em sub-imagens pela Transformada de Wavelet. São selecionadas as sub-imagens onde as estruturas de interesse são mais representativas e então a imagem realçada é obtida pela aplicação da Transformada Inversa de Wavelet à estas sub-imagens. A avaliação dos resultados é feita por um quantificador da melhoria de contraste das imagens e pela análise do histograma. / In the present work, we presents a study about using of Wavelet Transform in contrast enhancement of mammographic features(mass and microcalcifications), as part of developing a Computerized System proposed to aid in diagnosis of breast cancer. This system is composed of 3 main stages: early processing, detection and classification, and this work is into the early processing stage. In this stage structures of interest have been enhanced to improve performance at following stages. In this work, mammographic features have been enhanced by application of 2 distinct methods using Wavelet Transform: Multiscale Adaptive Gain and Partial Reconstruction. Multiscale Adaptive Gain decomposes the original image in subimages by application of Wavelet Transform. These subimages are enhanced throw the application of a non linear function and the enhanced image is obtained by application of Inverse Wavelet Transform. Partial Reconstruction decomposes the original image in subimages by application of Wavelet Transform. The subimages more representative for mammographic features are selected and the enhanced image is obtained by application of lnverse Wavelet Transform in these subimages. The final results obtained are evaluated by a Contrast Improvement Quantifier and histogram analysis.

Submitted by Bruno Tavares Padovese null (bpadovese@gmail.com) on 2017-07-03T15:22:41Z No. of bitstreams: 1 Dissertacao_Mestrado_Bruno_Tavares_Padovese.pdf: 4559390 bytes, checksum: 9152719c817205d08d3a72b5a5abc949 (MD5) / Approved for entry into archive by Luiz Galeffi (luizgaleffi@gmail.com) on 2017-07-04T17:59:03Z (GMT) No. of bitstreams: 1 padovese_bt_me_sjrp.pdf: 4559390 bytes, checksum: 9152719c817205d08d3a72b5a5abc949 (MD5) / Made available in DSpace on 2017-07-04T17:59:03Z (GMT). No. of bitstreams: 1 padovese_bt_me_sjrp.pdf: 4559390 bytes, checksum: 9152719c817205d08d3a72b5a5abc949 (MD5) Previous issue date: 2017-05-15 / Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) / Resumo: Os estágios iniciais da doença de Alzheimer são comumente confundidos com o processo natural de envelhecimento. Adicionalmente, a metodologia envolvida no diagnóstico por radiologistas pode ser subjetiva e difícil de documentar. Neste cenário, o desenvolvimento de abordagens acessíveis capazes de auxiliar no diagnóstico precoce da doença de Alzheimer é crucial. Várias abordagens têm sido empregadas com este objetivo, especialmente utilizando imagens de ressonância magnética cerebral. Embora resultados com precisão satisfatória tenham sido obtidos, a maioria das abordagens requer etapas de pré-processamento muito específicas, baseadas na anatomia do cérebro. Neste trabalho, apresentamos uma nova abordagem de recuperação de imagens para auxílio ao diagnóstico da doença de Alzheimer, com base em descritores de propósito geral e uma etapa de pós-processamento não supervisionada. Os exames de ressonância magnética cerebral são processados e recuperados através de descritores de uso geral sem nenhuma etapa de pré-processamento. Dois algoritmos de aprendizado não-supervisionados baseados em ranqueamento foram aplicados para melhorar a eficácia dos resultados iniciais: os algoritmos RL-Sim e ReckNN. Os resultados experimentais demonstram que a abordagem proposta é capaz de atingir resultados de recuperação eficazes, sendo adequada para auxiliar no diagnóstico da doença de Alzheimer. / Abstract: Initial stages of Alzheimer’s disease are easily confused with the normal aging process. Additionally, the methodology involved in the diagnosis by radiologists can be subjective and difficult to document. In this scenario, the development of accessible approaches capable of supporting the early diagnosis of Alzheimer’s disease is crucial. Various approaches have been employed with this objective, specially using brain MRI scans. Although certain satisfactory accuracy results have been achieved, most of the approaches require very specific pre-processing steps based on the brain anatomy. In this work, we present a novel image retrieval approach for supporting the Alzheimer’s disease diagnostic, based on general purpose features and an unsupervised post-processing step. The brain MRI scans are processed and retrieved through general visual features without any pre-processing step. Two rank-based unsupervised distance learning algorithms were used for improving the effectiveness of the initial results: the RL-Sim and ReckNN algorithms. Experimental results demonstrate that the proposed approach can achieve effective retrieval results, being suitable in aiding the diagnosis of Alzheimer’s disease. / CNPq: 154034/2016-9

Orientador: Marcelo Zanchetta do Nascimento / Dissertação (mestrado) - Universidade Federal do ABC, Programa de Pós-Graduação em Engenharia da Informação, 2011

Neste trabalho, a mineração de regras de associação é utilizada para dar suporte a dois tipos de sistemas médicos: os sistemas de busca por conteúdo em imagens (Content-based Image Retrieval - CBIR) e os sistemas de auxílio ao diagnóstico (Computer Aided Diagnosis - CAD). Na busca por conteúdo, regras de associação são empregadas para reduzir a dimensionalidade dos vetores de características que representam as imagens e para diminuir o ``gap semântico\'\', que existe entre as características de baixo nível das imagens e seu significado semântico. O algoritmo StARMiner (Statistical Association Rule Miner) foi desenvolvido para associar características de baixo nível das imagens com o seu significado semântico, sendo também utilizado para realizar seleção de características em bases de imagens médicas, melhorando a precisão dos sistemas CBIR. Para dar suporte aos sistemas CAD, o método IDEA (Image Diagnosis Enhancement through Association rules) foi desenvolvido. Nesse método regras de associação são empregadas para sugerir uma segunda opinião ou diagnóstico preliminar de uma nova imagem para o radiologista. A segunda opinião automaticamente gerada pelo método pode acelerar o processo de diagnóstico de uma imagem ou reforçar uma hipótese, trazendo ao especialista médico um apoio estatístico da situação sendo analisada. Dois novos algoritmos foram propostos: um para pré-processar as características de baixo nível das imagens médicas e, o outro, para propor diagnósticos baseados em regras de associação. Vários experimentos foram realizados para validar os métodos desenvolvidos. Os experimentos realizados indicam que o uso de regras de associação pode contribuir para melhorar a busca por conteúdo e o diagnóstico de imagens médicas, consistindo numa poderosa ferramenta para descoberta de padrões em sistemas médicos / In this work we take advantage of association rule mining to support two types of medical systems: the Content-based Image Retrieval (CBIR) and the Computer-Aided Diagnosis (CAD) systems. For content-based retrieval, association rules are employed to reduce the dimensionality of the feature vectors that represent the images and to diminish the semantic gap that exists between low-level features and its high-level semantical meaning. The StARMiner (Statistical Association Rule Miner) algorithm was developed to associate low-level features with their semantical meaning. StARMiner is also employed to perform feature selection in medical image datasets, improving the precision of CBIR systems. To improve CAD systems, we developed the IDEA (Image Diagnosis Enhancement through Association rules) method. Association rules are employed to suggest a second opinion to the radiologist or a preliminary diagnosis of a new image. A second opinion automatically obtained can accelerate the process of diagnosing or strengthen a hypothesis, giving to the physician a statistical support to the decision making process. Two new algorithms are developed to support the IDEA method: to pre-process low-level features and to propose a diagnosis based on association rules. We performed several experiments to validate the developed methods. The results indicate that association rules can be successfully applied to improve CBIR and CAD systems, empowering the arsenal of techniques to support medical image analysis in medical systems

FÉLIX, J. H. S. Sistema de visão computacional para detecção e quantificação de enfisema pulmonar. 2007. 109 f. Dissertação (Mestrado em Engenharia de Teleinformática) – Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2007. / Submitted by Marlene Sousa (mmarlene@ufc.br) on 2016-04-04T16:42:36Z No. of bitstreams: 1 2007_dis_jhsfelix.pdf: 3162606 bytes, checksum: 5102225711b46dd2847dbb36460fe1ea (MD5) / Approved for entry into archive by Marlene Sousa(mmarlene@ufc.br) on 2016-04-06T14:03:23Z (GMT) No. of bitstreams: 1 2007_dis_jhsfelix.pdf: 3162606 bytes, checksum: 5102225711b46dd2847dbb36460fe1ea (MD5) / Made available in DSpace on 2016-04-06T14:03:23Z (GMT). No. of bitstreams: 1 2007_dis_jhsfelix.pdf: 3162606 bytes, checksum: 5102225711b46dd2847dbb36460fe1ea (MD5) Previous issue date: 2007-12-03 / The Chronic Obstructive Pulmonary Disease (COPD) is a worldwide public health problem with high rates of mortality, being the tabacco the main causer of this disease. COPD is underestimated and underdiagnosed globally, and consequently the patient receives an undertreatment. To avoid an increase of pathological cases with incorrect diagnoses, the computerized tomography should be used as an excellent tool for premature diagnosis of pulmonary emphysema component from COPD. However, the analysis on images accomplished by radiologists or doctors is subjective,leading them to accomplish inaccurate measurements, due to human vision limitation. The objective of this work is to develop a Computational Vision System for Detection and Quantification of the Pulmonary Emphysema (SDEP) capable of segment automatically the images of High-Resolution Computerized Tomography (HRCT) of the lungs, allowing its better view. Also, in this study are analysed the obtained results to evaluate the e±ciency of SDEP system comparing it with the Osiris 4 system, and with two segmentation algorithms. Results of the segmentation are analysed through the viewing of 102 images of 8 healthy volunteers and 141 images of 11 COPD patients. The SDEP system presents more e±cient than other methods considered in this work, evaluating the correct segmentation, the over segmentation, segmentation with losses, and wrong segmentation. The proposed system accomplishes the segmentation of zone from lung densities using colorful mask, applying several colors in a single image quantifying each color per area and percentage, while the Osiris system uses only one color on each image. The SDEP system has, beside of advantage presented, a tool that accomplish the overlap of histograms, which permit a more appropriate visual analysis of evolution of component on the emphysema. The proposed system offers to aided diagnosis, researchers, engineers, medical doctors and specialist and others of Medical Digital Image Processing field, one valid option for pulmonary emphysema analysis from HRCT images. / A Doença Pulmonar Obstrutiva Crônica (DPOC) e um problema de saúde mundial com altos índices de mortalidade, sendo o tabagismo o principal causador desta. Apesar da DPOC ser uma doença de âmbito mundial é, geralmente, subestimada e subdiagnosticada, levando desta forma ao subtratamento. Para evitar um aumento de casos patológicos com diagnósticos incorretos, a tomografia computadorizada deve ser utilizada já que esta constitui uma excelente ferramenta para diagnóstico precoce da componente de enfisema pulmonar na DPOC. Porém, as análises nas imagens feitas pelos radiologistas ou médicos é subjetiva levando-os a realizarem medições imprecisas, devido à limitação da visão humana. O objetivo deste trabalho é desenvolver um sistema de Visão Computacional para análise de imagens tomográficas (SDEP) capaz de segmentar automaticamente as imagens de Tomografia Computadorizada de Alta Resolução (TCAR) dos pulmões, detectar e quantificar a presença de enfisema pulmonar de modo preciso e automático, possibilitando sua visualização. Também, neste trabalho são analisados os resultados, buscando avaliar a eficiência do sistema SDEP comparando-o com o sistema Osiris 4, e com dois algoritmos de segmentação. Os resultados da segmentação são analisados através da visualização de 102 imagens de 8 voluntários saudáveis e 141 imagens de 11 pacientes com DPOC. O sistema SDEP apresenta-se mais eficiente do que os outros métodos considerados neste trabalho, tomando-se como base segmentação correta, sobre-segmentação, segmentação com perdas e segmentação errada. Este sistema realiza a segmentação das faixas das densidades pulmonares através da máscara colorida, aplicando várias cores em uma única imagem e quantifica cada cor por área e porcentagem, enquanto que o sistema Osiris usa apenas uma cor por vez em cada imagem. O sistema SDEP possui também uma ferramenta que faz a sobreposição dos histogramas, o qual permite uma análise visual mais adequada da evolução da componente do enfisema. Este sistema possibilita auxílio ao diagnóstico, bem como mostra-se ser uma ferramenta de pesquisa para análise do enfisema pulmonar.

Neste trabalho, a mineração de regras de associação é utilizada para dar suporte a dois tipos de sistemas médicos: os sistemas de busca por conteúdo em imagens (Content-based Image Retrieval - CBIR) e os sistemas de auxílio ao diagnóstico (Computer Aided Diagnosis - CAD). Na busca por conteúdo, regras de associação são empregadas para reduzir a dimensionalidade dos vetores de características que representam as imagens e para diminuir o ``gap semântico\'\', que existe entre as características de baixo nível das imagens e seu significado semântico. O algoritmo StARMiner (Statistical Association Rule Miner) foi desenvolvido para associar características de baixo nível das imagens com o seu significado semântico, sendo também utilizado para realizar seleção de características em bases de imagens médicas, melhorando a precisão dos sistemas CBIR. Para dar suporte aos sistemas CAD, o método IDEA (Image Diagnosis Enhancement through Association rules) foi desenvolvido. Nesse método regras de associação são empregadas para sugerir uma segunda opinião ou diagnóstico preliminar de uma nova imagem para o radiologista. A segunda opinião automaticamente gerada pelo método pode acelerar o processo de diagnóstico de uma imagem ou reforçar uma hipótese, trazendo ao especialista médico um apoio estatístico da situação sendo analisada. Dois novos algoritmos foram propostos: um para pré-processar as características de baixo nível das imagens médicas e, o outro, para propor diagnósticos baseados em regras de associação. Vários experimentos foram realizados para validar os métodos desenvolvidos. Os experimentos realizados indicam que o uso de regras de associação pode contribuir para melhorar a busca por conteúdo e o diagnóstico de imagens médicas, consistindo numa poderosa ferramenta para descoberta de padrões em sistemas médicos / In this work we take advantage of association rule mining to support two types of medical systems: the Content-based Image Retrieval (CBIR) and the Computer-Aided Diagnosis (CAD) systems. For content-based retrieval, association rules are employed to reduce the dimensionality of the feature vectors that represent the images and to diminish the semantic gap that exists between low-level features and its high-level semantical meaning. The StARMiner (Statistical Association Rule Miner) algorithm was developed to associate low-level features with their semantical meaning. StARMiner is also employed to perform feature selection in medical image datasets, improving the precision of CBIR systems. To improve CAD systems, we developed the IDEA (Image Diagnosis Enhancement through Association rules) method. Association rules are employed to suggest a second opinion to the radiologist or a preliminary diagnosis of a new image. A second opinion automatically obtained can accelerate the process of diagnosing or strengthen a hypothesis, giving to the physician a statistical support to the decision making process. Two new algorithms are developed to support the IDEA method: to pre-process low-level features and to propose a diagnosis based on association rules. We performed several experiments to validate the developed methods. The results indicate that association rules can be successfully applied to improve CBIR and CAD systems, empowering the arsenal of techniques to support medical image analysis in medical systems

Com o desenvolvimento e barateamento dos equipamentos de aquisição de imagens, principalmente na área médica, tem sido geradas muitas imagens, as quais devem ser analisadas pelos especialistas. Esta tarefa pode ser muitas vezes cansativa e demorada, levando a possíveis erros no diagnóstico, pois a leitura das imagens depende da experiência e do estado físico e emocional do médico. Assim, sistemas de auxílio ao diagnóstico por computador (Computer-aided diagnosis - CAD) têm se tornado grandes aliados no processo de diagnóstico, realizando uma segunda leitura da imagem, servindo como uma segunda opinião ao especialista. Por isso, é necessário o desenvolvimento de técnicas de mineração de imagens para o aumento da precisão e da velocidade da análise das imagens. Assim, o objetivo deste trabalho foi desenvolver métodos de representação de imagens e de classificação associativa para aumentar a precisão da classificação de sistemas de auxílio ao diagnóstico médico por imagens. Para a representação de imagens foram desenvolvidas técnicas para reduzir a lacuna que há entre a representação numérica das imagens e seu significado semântico, a qual é chamada de `gap semântico\'. Para isso, foi usada a teoria das redes complexas para modelar as imagens em redes livres de escala, e os descritores das imagens foram compostos pelas medidas topológicas extraídas rede modelada. Os vetores de características gerados foram bem compactos, o que possibilitou também evitar o problema da `maldição da alta dimensionalidade\'. Para a classificação, foi desenvolvido o classificador associativo SACMiner, por meio do uso de regras de associação estatísticas, o qual evita a fase de discretização de dados, lidando diretamente com dados contínuos. Este foi um passo importante, já que a discretização pode causar a perda de informações e gerar inconsistência na base de dados. Além do SACMiner, foi desenvolvido o classificador MinSAR, o qual, além de não demandar a fase de discretização, também evita que o usuário tenha que fornecer parâmetros de entrada ao algoritmo responsável por gerar as regras. As técnicas até aqui listadas foram aplicadas em um sistema de auxílio ao diagnóstico de mama e comparadas com técnicas descritas na literatura, e os resultados mostram que as técnicas aqui propostas sobrepujaram as atuais da literatura. E por fim, foram sugeridas novas medidas para caracterizar imagens de pacientes com epilepsia no lobo temporal mesial, por meio do uso de medidas de espessura cortical, as quais melhoraram a precisão do sistema para este tipo de diagnóstico / The complexity of medical images and the high volume of exams per radiologist in a screening program can lead to a scenario prone to mistakes. Hence, it is important to inforce double reading and effective analysis, but those are costly measures. The computer-aided diagnosis (CAD) technology offers an alternative to double reading, because it can provide a computer output as a `second opinion\' to assist radiologists in interpreting images. Using this technology, the accuracy and consistency of radiological diagnoses can be improved, and also the image reading time can be reduced. Therefore, the need of classification and image representation methods and to speed-up and to assist the radiologists in the image analysis task has been increased. These methods must be more accurate and demand low computational cost, in order to provide a timely answer to the physician. The aim of this thesis was to developed image representation and associative classifiers methods to improve the classification of computer-aided diagnosis systems. Considering the image representation, in this work, we present some approaches to reduce the gap between the numeric representation of the images and their semantic, which is called `semantic gap\'. For this, we used the complex network theory to produce an image model based on scale-free networks. The image descriptors were composed of topological measures of the modeled network. The feature vectors produced were quite compact, which also allowed to avoid the problem called as `curse of dimensionality\'. Considering the classification task, we proposed the SACMiner classifier, which uses statistical association rules in order to avoid the discretization step when working with continuous attributes. It is important because the discretization step can disturb the dataset and cause lost of information. We also proposed de MinSAR classifier, which mines the rules not requiring a discretization step neither input thresholds, as most of the other association rules methods do. These approaches were applied in a breast cancer computer-aided diagnosis system. And finally, we developed an automatic technique which can aid in distinguishing between controls and patients with mesial temporal lobe epilepsy, based on cortical thickness, and potentially identifying abnormalities in tissue integrity in cases where atrophy cannot be visualized

A radiografia é uma das ferramentas primárias de auxílio ao diagnóstico e monitoração do tratamento das doenças periodontais. Porém, a análise subjetiva dessas radiografias feita pelo dentista só consegue identificar lesões quando o quadro clínico apresenta perda acima de 30% do conteúdo mineral do osso, levando um sério desafio ao exercício da odontologia. Em muitas situações clínicas, o dentista também precisa ser capaz de quantificar o tamanho de uma lesão para determinar a taxa de progressão ou cura da doença. A técnica de subtração digital de radiografias provê a detecção de mudanças ósseas sutis, de cerca de 5%, levando ao diagnóstico precoce da doença e aumentando assim o sucesso de seu tratamento. Desta forma, o esquema de auxílio ao diagnóstico de reabsorção óssea periodontal através de subtração digital de radiografias odontológicas proposto no presente trabalho emprega a técnica de subtração digital de radiografias, onde duas radiografias odontológicas, tiradas em intervalos de tempos planejados, são subtraídas para obter uma nova imagem onde serão visíveis somente estruturas que mudaram de uma imagem em relação à outra. Será gerada uma imagem que auxiliará o dentista a efetuar um diagnóstico precoce e instituir o melhor plano de tratamento, e assim acompanhar a resposta do tratamento a partir de novas imagens subtraídas. Na fase anterior à subtração, é necessário o alinhamento, para garantir que estruturas idênticas em ambas imagens estejam no mesmo local, e evitando que o resultado da subtração seja errôneo. O alinhamento consiste na marcação de 4 pontos em regiões de alto contraste em ambas as imagens para que a imagem subseqüente seja alinhada em translação e em rotação em relação à primeira. Posteriormente, uma técnica de correção de contraste é utilizada para corrigir eventuais diferenças de contraste. A subtração fornecerá três formas de visualização, na imagem subtraída, da área onde ocorreu uma reabsorção ou ganho ósseo. Uma delas é a subtração qualitativa, cujas áreas onde as imagens se mantiveram idênticas são mostradas em preto, e áreas onde ocorreram mudanças, em branco. A segunda é a subtração quantitativa, que gera a imagem subtraída em níveis de cinza, mostrando em tons de cinza uniformes áreas onde as imagens se mantiveram idênticas; em tons de cinza escuros, onde ocorreu reabsorção óssea; e em tons de cinza claros, onde ocorreu ganho ósseo. Além destas duas subtrações, há uma terceira subtração, a subtração quantitativa porcentagem-colorida, que mostrará a porcentagem de reabsorção ou ganho ósseo através de áreas coloridas na imagem. O intervalo de porcentagens poderá ser escolhido pelo dentista e a este intervalo poderá ser atribuída uma cor para visualização. Intervalos de porcentagens negativas indicam reabsorção óssea e intervalos de porcentagens positivas, ganho ósseo. Os testes realizados encontraram um erro médio de 7,5% no resultado da subtração, sendo que deste total, 3,5% é o erro introduzido pelo digitalizador. É importante ressaltar que esta taxa representa o erro não somente do algoritmo desenvolvido, mas também a propagação do erro em todas as etapas do processo, ou seja, aquisição, digitalização, alinhamento e subtração. Portanto, o erro da subtração deduzido do erro do digitalizador é de somente 4,0%. / Radiography is one of the primary features to help diagnose and monitor the treatment of periodontal diseases. However, the subjective analysis of these radiographs by the dentist only can identify lesions above 30% of mineral bone loss, leading to a serious challenge for the practice of odontology. In many clinical situations, the dentist needs to quantify the size of a lesion to determine the rate of progression or healing the disease. The digital subtraction radiography technique provides the detection of subtle bone changes, i.e., changes of around 5%, leading to an early diagnosis and enlarging the success of its treatment. The aided diagnosis scheme for periodontal bone resorption through odontological digital subtraction radiography proposed in this work employees the digital subtraction radiography technique, where two odontologic radiographs taken at intervals of planned times are subtracted to obtain a new image where only structures that have been changed from one image to the other will be visible. It will generate an image to help the dentist make an early diagnosis and establish the best treatment plan, besides accompanying the treatment’s response starting from new subtracted images. In the stage previous to the subtraction, the lining up is necessary to assure that identical structures on both images are in the same place, avoiding an erroneous result of the subtraction. It consists in marking 4 points in places with high contrast on both images for the subsequent image to be first lined up in translation and then in rotation in relation to the first one. Then, a contrast correction technique is used to correct possible contrast differences. The subtraction will provide three ways of visualization in the subtracted image of the area where a bone resorption or gain occurred. One of them is the qualitative subtraction, where areas kept identical are showed in black and areas where changes occurred are showed white. The second is the quantitative subtraction, which generates a subtracted image in gray levels, showing in uniform gray levels the areas where the images remained identical, in dark gray levels the areas where there was bone resorption and in light gray levels the area with bone gain. The third subtraction is called colored-percentage quantitative subtraction, which shows the percentage of bone resorption or gain through colored areas on the radiograph. The intervals of percentage can be chosen by the dentist and he/she can attribute a color for visualization to this interval. Negative percentage intervals indicate bone resorption and positive percentage intervals correspond to bone gain. The tests performed found a mean error of 7.5% in the result of the subtraction, of which 3.5% correspond to the error introduced by the digitalizer. It is important to stress that this rate represents the error not only for the algorithm developed, but the spreading of the error to all process stages, such as acquisition, digitalization, lining up and subtraction. Therefore, the subtraction error deduced from the digitalizer error is only 4,0%.

A radiografia é uma das ferramentas primárias de auxílio ao diagnóstico e monitoração do tratamento das doenças periodontais. Porém, a análise subjetiva dessas radiografias feita pelo dentista só consegue identificar lesões quando o quadro clínico apresenta perda acima de 30% do conteúdo mineral do osso, levando um sério desafio ao exercício da odontologia. Em muitas situações clínicas, o dentista também precisa ser capaz de quantificar o tamanho de uma lesão para determinar a taxa de progressão ou cura da doença. A técnica de subtração digital de radiografias provê a detecção de mudanças ósseas sutis, de cerca de 5%, levando ao diagnóstico precoce da doença e aumentando assim o sucesso de seu tratamento. Desta forma, o esquema de auxílio ao diagnóstico de reabsorção óssea periodontal através de subtração digital de radiografias odontológicas proposto no presente trabalho emprega a técnica de subtração digital de radiografias, onde duas radiografias odontológicas, tiradas em intervalos de tempos planejados, são subtraídas para obter uma nova imagem onde serão visíveis somente estruturas que mudaram de uma imagem em relação à outra. Será gerada uma imagem que auxiliará o dentista a efetuar um diagnóstico precoce e instituir o melhor plano de tratamento, e assim acompanhar a resposta do tratamento a partir de novas imagens subtraídas. Na fase anterior à subtração, é necessário o alinhamento, para garantir que estruturas idênticas em ambas imagens estejam no mesmo local, e evitando que o resultado da subtração seja errôneo. O alinhamento consiste na marcação de 4 pontos em regiões de alto contraste em ambas as imagens para que a imagem subseqüente seja alinhada em translação e em rotação em relação à primeira. Posteriormente, uma técnica de correção de contraste é utilizada para corrigir eventuais diferenças de contraste. A subtração fornecerá três formas de visualização, na imagem subtraída, da área onde ocorreu uma reabsorção ou ganho ósseo. Uma delas é a subtração qualitativa, cujas áreas onde as imagens se mantiveram idênticas são mostradas em preto, e áreas onde ocorreram mudanças, em branco. A segunda é a subtração quantitativa, que gera a imagem subtraída em níveis de cinza, mostrando em tons de cinza uniformes áreas onde as imagens se mantiveram idênticas; em tons de cinza escuros, onde ocorreu reabsorção óssea; e em tons de cinza claros, onde ocorreu ganho ósseo. Além destas duas subtrações, há uma terceira subtração, a subtração quantitativa porcentagem-colorida, que mostrará a porcentagem de reabsorção ou ganho ósseo através de áreas coloridas na imagem. O intervalo de porcentagens poderá ser escolhido pelo dentista e a este intervalo poderá ser atribuída uma cor para visualização. Intervalos de porcentagens negativas indicam reabsorção óssea e intervalos de porcentagens positivas, ganho ósseo. Os testes realizados encontraram um erro médio de 7,5% no resultado da subtração, sendo que deste total, 3,5% é o erro introduzido pelo digitalizador. É importante ressaltar que esta taxa representa o erro não somente do algoritmo desenvolvido, mas também a propagação do erro em todas as etapas do processo, ou seja, aquisição, digitalização, alinhamento e subtração. Portanto, o erro da subtração deduzido do erro do digitalizador é de somente 4,0%. / Radiography is one of the primary features to help diagnose and monitor the treatment of periodontal diseases. However, the subjective analysis of these radiographs by the dentist only can identify lesions above 30% of mineral bone loss, leading to a serious challenge for the practice of odontology. In many clinical situations, the dentist needs to quantify the size of a lesion to determine the rate of progression or healing the disease. The digital subtraction radiography technique provides the detection of subtle bone changes, i.e., changes of around 5%, leading to an early diagnosis and enlarging the success of its treatment. The aided diagnosis scheme for periodontal bone resorption through odontological digital subtraction radiography proposed in this work employees the digital subtraction radiography technique, where two odontologic radiographs taken at intervals of planned times are subtracted to obtain a new image where only structures that have been changed from one image to the other will be visible. It will generate an image to help the dentist make an early diagnosis and establish the best treatment plan, besides accompanying the treatment’s response starting from new subtracted images. In the stage previous to the subtraction, the lining up is necessary to assure that identical structures on both images are in the same place, avoiding an erroneous result of the subtraction. It consists in marking 4 points in places with high contrast on both images for the subsequent image to be first lined up in translation and then in rotation in relation to the first one. Then, a contrast correction technique is used to correct possible contrast differences. The subtraction will provide three ways of visualization in the subtracted image of the area where a bone resorption or gain occurred. One of them is the qualitative subtraction, where areas kept identical are showed in black and areas where changes occurred are showed white. The second is the quantitative subtraction, which generates a subtracted image in gray levels, showing in uniform gray levels the areas where the images remained identical, in dark gray levels the areas where there was bone resorption and in light gray levels the area with bone gain. The third subtraction is called colored-percentage quantitative subtraction, which shows the percentage of bone resorption or gain through colored areas on the radiograph. The intervals of percentage can be chosen by the dentist and he/she can attribute a color for visualization to this interval. Negative percentage intervals indicate bone resorption and positive percentage intervals correspond to bone gain. The tests performed found a mean error of 7.5% in the result of the subtraction, of which 3.5% correspond to the error introduced by the digitalizer. It is important to stress that this rate represents the error not only for the algorithm developed, but the spreading of the error to all process stages, such as acquisition, digitalization, lining up and subtraction. Therefore, the subtraction error deduced from the digitalizer error is only 4,0%.