Thesis (M.S.)--Rutgers University, 2008. / "Graduate Program in Electrical and Computer Engineering." Includes bibliographical references (p. 91-96).

Lung cancer is the most common and deadly of all kinds of cancers. Nowadays, the best chances of cure rely on early diagnosis. During diagnosis, the specialist must perform segmentation of a suspect nodule and analyze its shape to classify the nodule as benign or malignant. Nodule segmentation is commonly performed manually, and because of that, it is considered tedious, time consuming and can be compromised from observer variations. It may still be subject to human fail, and aspects like eyestrain, emotional factors, and even the specialist experience can. Hence the use of a semiautomatic process of segmentation provides the specialist a tool capable of aiding the early detection, which improves the patient’s chance of survival. Current segmentation techniques based on fuzzy connectivity maps provide a satisfatory level of 84% of acceptance by specialists. Therefore, the purpose of this work is to combine an optimized version of an algorithm based on fuzzy connectivity maps with other segmentation algorithms obtain a robust method for lung nodules segmentation. The method combines three algorithms to obtain the nodule segmentation; a pre-processsing stage based on local adaptive segmentation, which removes vascular attachments and undesired structures, and forms an optimum mask containing the nodule and obtains an optimum seed for the method; a 3-D fuzzy connectivity map, formed by the evaluation of relevance through all image voxels according to the optimum seed; a contrast-based sphericity oriented region growing algorithm, which establishes an automated halting criteria for the fuzzy connectivity map. As a result, the method presents an optimal solution and several alternative solutions for the specialist. The method was evaluated using a benchmark of lung nodules, composed of images manually segmented by specialists, applied in several studies of lung cancer. The test used 140 nodules, divided in two groups according to its malignancy levels. The method showed capable of segmenting different kinds of nodules with a satisfactory precision between others works in literature that used the same dataset. The work has also found reference values of segmentation algorithms constants and evaluated the impact of the optimized fuzzy connectivity maps to the processing cost. / De todos os tipos, o câncer de pulmão é o mais incidente e letal do mundo. Atualmente, as melhores chances de cura residem no diagnóstico precoce. No processo de diagnóstico, o especialista deve segmentar o nódulo suspeito e analisar sua forma para classificá-lo como benigno ou maligno. A segmentação é tipicamente realizada de forma manual e, por isso, é considerada tediosa, consome muito tempo e sofre de variações do observador, estando sujeita à falha humana. Aspectos como cansaço visual, fatores emocionais e mesmo a experiência do médico, podem comprometer o diagnóstico. Assim, o uso de um processo semiautomático de segmentação fornece ao médico uma ferramenta capaz de auxiliá-lo na detecção precoce, favorecendo um aumento nas chances de sobrevivência do paciente. A literatura apresenta níveis satisfatórios de 84% de aceitação dos especialistas na segmentação semiautomática baseada em mapas de conexidade Fuzzy. Assim, este trabalho objetiva o uso de uma versão otimizada do algoritmo de formação dos mapas de conexidade Fuzzy 3-D, aplicada ao contexto de nódulos pulmonares, combinada com outros algoritmos de segmentação para formar um método robusto de segmentação de nódulos pulmonares. O método aplica uma combinação de três algoritmos para obter a segmentação nodular: um pré-processamento por segmentação adaptativa local que exclui anexos vasculares e outras estruturas indesejadas, ao mesmo tempo em que forma uma máscara ideal que contém o nódulo e obtém uma semente ideal para o método; em seguida, um mapa de conexidade Fuzzy 3-D é formado pela avaliação de pertinência de todos os voxels da imagem em relação à semente ideal obtida; por fim, um algoritmo de crescimento de região esférico baseado em contraste estabelece um critério de parada automatizado baseado no mapa de conexidade Fuzzy. Como resultado, o método apresenta uma solução ideal e diversas soluções alternativas para a escolha do especialista. O método foi avaliado utilizando uma base de referência de nódulos pulmonares manualmente segmentados por especialistas e utilizada em diversos estudos de câncer de pulmão. Foram utilizados 140 nódulos para os testes, separados em dois grupos de acordo com seus graus de malignância. O método foi capaz de segmentar nódulos de diferentes tipos, com uma média satisfatória entre os índices de precisão de outros trabalhos na literatura que também utilizaram a mesma base de nódulos manualmente segmentados. O trabalho também encontrou valores de referência para as constantes dos algoritmos de segmentação e avaliou o impacto da versão otimizada dos mapas de conexidade no custo de processamento.