CADCANCER: Uma Ferramenta Open Source para o

Auxílio à Identificação e Classificação do Câncer de Pulmão

Pedro Augusto Ayres1, Rodolfo Carneiro Bezerra1, José Raniery Ferreira Junior1,
Marcelo Costa Oliveira1
1
Curso de Ciência da Computação – Universidade Federal de Alagoas (UFAL) –
Campus Arapiraca
Caixa Postal 61 – 57300-970 – Arapiraca – AL – Brasil
{pedro.3a,rodolfo_carneiro,jose.raniery,oliveiramc}@gmail.com
Abstract The main purpose of this work was develop an algorithm to aid the
physician in identify and classify lung nodules. To help the physician in
identify the nodule was developed a segmentation algorithm based on 3D
Region Growing. The 3D Texture Analysis algorithm was developed as image
retrieval method to help the physician in classify the nodules. The
segmentation algorithm developed was precise and showed to be more precise
than manual segmentation. The precision average of the Texture in the
nodules classify process was higher than 70%. Therefore, both techniques
have potential to be used as computer-aided diagnostic tool of the lung
nodules.
Resumo. O objetivo deste trabalho foi desenvolver um algoritmo para auxiliar
a identificação e classificação do câncer de pulmão. Para auxiliar o
especialista na identificação do nódulo foram desenvolvidas técnicas de
segmentação utilizando Crescimento de Região 3D. A técnica de Análise de
Textura 3D foi desenvolvida como método de recuperação de imagens para
auxiliar o especialista na classificação dos nódulos. O resultado do algoritmo
de segmentação foi preciso e supera a segmentação manual. A precisão média
da Análise de Textura 3D na classificação dos nódulos foi superior a 70%.
Logo, ambas as técnica possuem potencial para serem utilizadas como
ferramenta de auxílio ao diagnóstico do câncer de pulmão.

1. Introdução
O câncer é um crescimento celular anormal, incontrolável, que invade tecidos vizinhos e
os destroem. Os fatores etiológicos mais importantes são o tabagismo, predisposição
genética e a exposição prolongada a agrotóxicos e gases tóxicos [Silverman 1996;
Cassina 1998]. Somente nos Estados Unidos em 2005 foram registrados mais de 175
mil casos de câncer do pulmão que levaram à morte mais de 160 mil pessoas. Este total
é tão expressivo que supera o número de óbitos provocados pela soma dos 3 tipos de
câncer de maior incidência, o câncer de mama, colorretal e próstata. Segundo dados do
Instituto Nacional de Câncer - INCA (www.inca.org.br), o número de novos casos do
câncer de pulmão estimados para o Brasil no ano de 2008 foi de 17.810 entre homens e
de 9.460 para mulheres.
A Tomografia Computadorizada Helicoidal (HCT) é o exame mais indicado
para a detecção precoce do câncer do pulmão, pois fornece ao especialista noções
precisas do tamanho, localização e níveis de invasão do tumor, além de gerar cortes com
detalhes anatômicos de alta resolução, isotrópicos e menores que 1mm de espessura
[Sluimer and Schilham 2006]. Estas informações oferecem ao radiologista melhores
condições de detectar e classificar o nódulo (benigno ou maligno) evitando que o
paciente seja submetido a exames histológicos. Entretanto, a detecção e a classificação
dos nódulos pulmonares são tarefas desafiadoras aos especialistas, pois os nódulos são
pequenos, apresentam baixo contraste e normalmente estão inclusos em estruturas
anatômicas complexas. Além disso, os pacientes devem ser diagnosticados logo nos
primeiros meses da doença, pois neste estágio possuem 60% a 90% de chance de
sobrevivência. Logo, a detecção e o tratamento precoce do câncer de pulmão são formas
efetivas de garantir a vida dos pacientes. Contudo, mesmo o especialista mais
experiente é condicionado pela capacidade humana de análise e sofre influencias de
fatores externos (e.g. ruído e luminosidade) e internos, como o nível de treinamento e
condições psicológicas (e.g. fadiga e pressa). Logo, diversos métodos de auxílio
computadorizado ao diagnóstico (CAD – “Computer-aided diagnostic”) foram
apresentados à literatura para auxiliar os especialistas na detecção e classificação dos
nódulos de pulmão [Dehmeshi and Amin 2008].
A segmentação é uma das principais técnicas de processamento de imagem
utilizadas no auxílio ao diagnóstico e possui grande potencial para a identificação do
câncer pulmonar, pois permite ao especialista separar o(s) nódulo(s) suspeito(s) da
complexa estrutura anatômica pulmonar [Mullally and Betke 2004]. Além disso, diante
do seu resultado permite o uso de ferramentas quantitativas e qualitativas através do
cálculo do volume do nódulo e da reconstrução 3D, respectivamente. Estas técnicas em
conjunto permitem mensurar a gravidade e a evolução do nódulo mais facilmente. A
visualização 3D do nódulo é também uma importante ferramenta para induzir mais
facilmente o paciente na supressão do tabagismo [Li 2007]. Entretanto, a correta
segmentação da extensão do nódulo anexo a outras estruturas do órgão ou com
intensidades muito próximas é de grande complexidade.
Outra tarefa complexa no diagnóstico do câncer de pulmão é classificar o nódulo
pulmonar em maligno ou benigno, pois, os nódulos são pequenos, apresentam baixo
contraste e normalmente estão inclusos em estruturas anatômicas complexas [Li and
Aoyama 2004]. Segundo Takashima [Takashima and Sone 2003], qualquer nódulo que
apresente uma forma esférica e bem definida é provavelmente benigno. Enquanto
nódulos malignos apresentam forma irregular ou espiculada. A variação de padrões da
textura dos nódulos também fornece fortes indicadores da natureza maligna ou benigna
dos nódulos. A presença de gordura ou a calcificação são fortes indicadores de câncer
benigno e resultam em uma distribuição irregular de textura. Nódulos malignos
apresentam textura uniforme produzida pela presença de necrose. Estas informações
fornecem ao especialista fortes indicadores da classificação do nódulo (benigno ou
maligno) e podem evitar que o paciente seja submetido a exames histológicos.
Métodos de recuperação de imagens baseadas em conteúdo (CBIR) surgiram na
última década devido à necessidade de recuperar a informação contida na imagem e não
apenas a armazenada nos sistemas de informação, como por exemplo, nome e data de
nascimento do paciente [Muller and Michoux 2004]. A CBIR auxilia o processo de
decisão clínica, pois a partir de uma imagem é capaz de recuperar em grandes bases de
dados casos similares já diagnosticados [Oliveira and Cirne 2007]. Assim, a CBIR
despertou rápido interesse na comunidade médica, devido à sua capacidade de recuperar
imagens já diagnosticadas em relação a uma imagem duvidosa, logo, direcionando o
diagnóstico do especialista [Muller and Michoux 2004]. A comparação é executada
através de atributos extraídos das imagens que descrevem a imagem e minimizam a
quantidade de dados utilizados no processo de recuperação de imagens. Entretanto, um
dos desafios no desenvolvimento de aplicações de CBIR é definir métodos de extração
de atributos efetivos e eficientes para representar as imagens [Lehmann and Guld 2004].
O objetivo principal deste trabalho foi desenvolver um algoritmo computacional
para auxiliar o diagnóstico médico na identificação e classificação do câncer de pulmão
utilizando Crescimento de Região 3D e Atributos de Textura 3D. Como objetivo
secundário, este trabalho cita o teste da hipótese de que a técnica de Análise de Textura
baseada em Atributos de Textura 3D reproduz as características do nódulo com maior
precisão do que o tradicional método utilizando Atributos de Textura em duas
dimensões.

2. Materiais e Métodos
Os algoritmos computacionais foram desenvolvidos utilizando linguagem de
programação JAVA 1.6. O banco de imagens utiliza o servidor de banco de dados
PostgresSQL 8.2.6 no sistema operacional GNU/Linux Debian. As tarefas de
persistência no banco de dados foram executadas utilizando o Hibernate 3.3.0.
Este trabalho utilizou as imagens de uso público do projeto “Lung Image
Database Consortium” (LIDC). O LIDC contém 90 exames com 829 nódulos malignos
e benignos. Cada exame possui em média 200 imagens DICOM de CT de tórax. Um
arquivo XML descreve as posições cartesianas da segmentação manual dos nódulos e a
classificação de cada nódulo pertencente ao exame [Mcnitt-Gray and Armato 2007].
Utilizamos a API JDOM versão 1.1 para manipular os arquivos XML. Para validarmos
as técnicas de segmentação e recuperação de imagens propostas, desenvolvemos um
algoritmo para segmentar os nódulos do LIDC usando as informações contidas nos
arquivos XML. Em nossos testes iniciais utilizamos 20 nódulos pulmonares, sendo 10
nódulos benignos e 10 malignos. Os algoritmos desenvolvidos neste trabalho foram
testados e avaliados por um radiologista experiente.
A partir de uma interface gráfica o especialista seleciona um exame de interesse
do banco de dados. Após definir o exame, o programa carrega todas as imagens em uma
lista de “thumbnails”, que é apresentada ao especialista para facilitar a seleção dos
cortes de interesse. O especialista inicia o processo de segmentação buscando no exame
o corte mediano do nódulo de interesse. Na janela principal, usando o botão esquerdo
do mouse, o especialista desenha um raio para cobrir a extensão do nódulo (Figura 1).
Após este passo, ele define com o botão direito do mouse o corte inicial e final do
nódulo usando os “thumbnails”. Logo, um cilindro é formado delimitando o volume de
atuação do algoritmo de segmentação 3D.
Para segmentar o nódulo foi desenvolvido o algoritmo de Crescimento de
Região 3D. O algoritmo consiste em agregar pixels que possuam valores de intensidade
que estejam dentro de um critério de homogeneidade. Este processo é iterado até que
todos os pixels da imagem tenham sido considerados. O critério de homogeneidade é
obtido pela média de intensidade dos pixels vizinhos do ponto semente. Assim, em
nosso algoritmo a semente é o centro do raio definido pelo especialista e o critério de
homogeneidade é obtido pelos pixels vizinhos do mesmo corte e considerando os cortes
posterior e anterior, visto que, o algoritmo atua em três dimensões. O algoritmo é
iterado até que todos os pixels do cilindro sejam considerados. O resultado da
segmentação é armazenado no banco de dados, e através de uma interface gráfica o
especialista avalia o resultado da segmentação e analisa o nódulo em detalhes.

Figura 1 - Interface de execução do algoritmo de segmentação.

Além disso, o sistema também permite ao especialista analisar o nódulo
segmentado em 3D. Para permitir a visualização volumétrica foi utilizado o algoritmo
de Marching Cubes implementado na API do VTK (Visualization Toolkit- versão 5.4.2)
[Lorensen and Cline 1987]. Para reduzir as irregularidades produzidas pelo algoritmo de
Marching Cubes na malha 3D foi desenvolvido o algoritmo de suavização Laplaciana
Schroeder and Martin 2006]. Além da informação 3D, um algoritmo foi desenvolvido
para fornecer ao especialista o volume do nódulo resultante da sua segmentação. O
volume do nódulo pode ser armazenado para que o especialista avalie de maneira
quantitativa a progressão do câncer.
Portanto, o objetivo do módulo de identificação do nódulo foi fornecer ao
especialista um ferramental capaz de auxiliá-lo na identificação e diagnóstico do câncer
de pulmão. Entretanto, caso a classificação do nódulo ainda seja dúbia, o especialista
pode apresentar o nódulo segmentado ao módulo de classificação que irá buscar nódulos
similares com diagnóstico associado no banco de imagens.
Para cada nódulo inserido no banco é calculado o seu vetor de característica que
é formado por Atributos de Textura obtidos a partir da Matriz de Co-ocorrência 3D. A
matriz 3D possui as mesmas características do tradicional modelo 2D proposto por
Haralick [Haralick and Shanmuga 1973]. Entretanto, devido ao acréscimo do cálculo da
dimensão z em sua formação, o algoritmo agrega a distribuição de probabilidade de
ocorrência entre os pares de voxels adjacentes. A construção da Matriz de Co-
ocorrência adotou 13 orientações angulares e distância entre os voxels igual a 1. Os
atributos de textura utilizados foram energia, entropia, momento da diferença inverso,
matiz, contraste, proeminência, correlação e variância. Assim, cada nódulo possui um
vetor de característica de 117 dimensões armazenado no banco de dados. A recuperação
de nódulos similares é baseada na distância Euclidiana entre o vetor de característica do
nódulo de referência (nódulo apresentado ao sistema pelo especialista) e de cada nódulo
alvo armazenado na base de dados. Quanto menor a distância entre os vetores maior a
similaridade entre os nódulos [Gonzales and Woods 2002].
Os resultados da recuperação de imagens foram avaliados utilizando a técnica de
“leave-one-out”, onde N é igual a 20 (10 nódulos malignos e 10 benignos) [Fukunaga
and Hummels 1989]. Os testes foram repetidos três vezes considerando os diferentes
tipos de nódulo (benigno e maligno). Os resultados foram considerados corretos quando
retornavam nódulos do mesmo tipo do nódulo usado como referência. Os nódulos foram
selecionados ao acaso, porém, evitamos a seleção de nódulo que já haviam sido
utilizados.

3. Resultados e Discussão
Neste trabalho foi desenvolvida uma ferramenta de código livre para auxiliar
especialistas na classificação de nódulos pulmonares. O banco de nódulos desenvolvido
obedece à estrutura do arquivo XML criado pelo LIDC. Dessa forma, exames futuros
inseridos no banco obedecerão às especificações do projeto LIDC. Isto permitirá a
padronização da base de nódulos e, logo, a colaboração com os idealizadores do projeto.
Além disso, a base de nódulos com diagnóstico associado é uma importante ferramenta
de ensino, pois alunos e docentes possuem acesso rápido e prático ao exame,
diagnóstico e as características do nódulo reportadas por especialistas.
O banco de dados é composto por doze tabelas principais. A tabela patient, para
atender às especificações da HIPAA (―Health Insurance Portability and Accountablity
Act Security Standart‖) [Liu and Zhou 2006], não guarda informações pessoais do
paciente, apenas um identificador que possa relacioná-lo com o seu diagnóstico. As
informações das imagens (“path” e atributos) encontram-se distribuídas nas tabelas
image e image_attribute. Todas as informações técnicas dos exames, descritas no
cabeçalho do arquivo XML, foram agrupadas na tabela diagnosis. As características dos
nódulos e dos não-nódulos, assinaladas pelos especialistas foram mapeadas para as
tabelas nodule e nonnodule, respectivamente. Os nódulos com diâmetro maior que 3
mm além de terem suas características persistidas no banco de dados, possuem também
um conjunto de coordenadas 2D que delimitam suas arestas nas imagens DICOM. As
coordenadas que delimitam os nódulos foram armazenadas na tabela edgemap. Na
tabela roi são armazenadas as imagens resultantes do processo de segmentação
utilizando as informações contidas na tabela edgemap. Após a leitura dos dados
contidos no arquivo XML, os exames, junto com suas respectivas características e
diagnósticos, foram inseridos na base de dados.
A precisão dos resultados do algoritmo de segmentação por Crescimento de
Região 3D foi satisfatória. A diferença média em relação aos resultados obtidos pela
segmentação manual dos nódulos é de 3 mm3. Esta diferença é considerada aceitável,
visto que, a diferença média da segmentação manual interpessoal entre os especialistas
do LIDC é de 10 mm3. O sistema desenvolvido permitiu ao especialista visualizar em
detalhes o resultado da segmentação obtida através de uma interface gráfica (Figura 2).
Assim, caso a segmentação não tenha sido satisfatória ele pode retornar novamente para
a interface de segmentação e definir novos parâmetros à segmentação. Além disso, esta
interface permitiu ao especialista analisar vários resultados em abas distintas, dessa
forma é possível comparar os resultados obtidos entre as segmentações já realizadas,
esta característica é utilizada também na análise dos resultados do segundo módulo.
 Figura 2 – Interface de visualização dos nódulos segmentados. Ao centro a
visualização de um corte do nódulo e ao lado direito a lista de “thumbnais” das
imagens do nódulo.
A visualização 3D do nódulo permitiu ao especialista avaliar com exatidão a
extensão da doença (Figura 3). Ainda, através das operações de rotação e zoom o
especialista pôde interagir com o nódulo reconstruído avaliando a sua estrutura em
detalhes. Além da visualização 3D, é fornecido ao especialista o volume do nódulo
reconstruído. A união das informações qualitativas e quantitativas forma uma
importante ferramenta no auxílio computadorizado ao câncer de pulmão. Além disso, a
visualização 3D pode induzir mais facilmente o paciente na supressão do tabagismo.
Os resultados do algoritmo de CBIR foram avaliados segundo os métodos de
revocação e precisão. A relação entre estes métodos fornece a eficácia de um sistema de
CBIR [Oliveira and Cirne 2007]. Revocação indica a proporção de itens relevantes na
base de dados que foram recuperadas ao responder uma consulta (Equação 1). Precisão
é a proporção de itens recuperados que são relevantes para a consulta (Equação 2)
[Muller and Michoux 2004].
𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑖𝑡𝑒𝑛𝑠 𝑟𝑒𝑙𝑒𝑣𝑎𝑛𝑡𝑒𝑠 𝑟𝑒𝑐𝑢𝑝𝑒𝑟𝑎𝑑𝑜𝑠
𝑟𝑒𝑣𝑜𝑐𝑎çã𝑜 = (1)
𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑖𝑡𝑒𝑛𝑠 𝑟𝑒𝑙𝑒𝑣𝑎𝑛𝑡𝑒𝑠

𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑖𝑡𝑒𝑛𝑠 𝑟𝑒𝑙𝑒𝑣𝑎𝑛𝑡𝑒𝑠 𝑟𝑒𝑐𝑢𝑝𝑒𝑟𝑎𝑑𝑜𝑠

𝑝𝑟𝑒𝑐𝑖𝑠ã𝑜 = (2)
𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑖𝑡𝑒𝑛𝑠 𝑟𝑒𝑐𝑢𝑝𝑒𝑟𝑎𝑑𝑜𝑠
 Figura 3 - Reconstrução 3D dos nódulos segmentados utilizando o algoritmo
de Marching Cubes. (A) Nódulo Benigno; (B) Nódulo Maligno.
A Figura 4 apresenta as médias das curvas de Precisão vs. Revocação obtidas
pela distância Euclidiana entre os vetores de características dos nódulos alvos e do
nódulo definido como referência. Diante dos cinco primeiros casos retornados a
precisão média da técnica de Análise de Textura 3D foi de 67% nos casos benignos e
73% nos casos malignos. A precisão média do algoritmo considerando todos os casos
retornados foi de 72% para os nódulos benignos e 76% nos casos malignos. Estes
valores superam os resultados obtidos por Lam M.O [Lam and Disney 2007], que
avaliou a precisão da tradicional técnica de Análise de Textura 2D e obteve precisão
média de 29% utilizando a base de nódulos do LIDC. Segundo Sluimer [Sluimer 2006],
em um sistema de CBIR é importante que a técnica utilizada consiga retornar exames
semelhantes logo nos primeiros casos, pois serão estes que conduzirão o especialista em
seu diagnóstico. Os resultados obtidos comungam com este argumento, pois, os nossos
resultados apresentaram 100% de precisão em até 30% de revocação. A partir deste
ponto a precisão do algoritmo é reduzida, porém, se mantém acima de 60% em toda a
curva de precisão. Todavia, sistemas de apoio à decisão clínica somente serão adotados
na rotina clínica se forem realmente acurados. Assim, a extensão deste trabalho será
adotar uma solução composta envolvendo Textura 3D e descritores geométricos 3D
para caracterizarem os principais atributos utilizados pelo especialista durante o seu
diagnóstico.
O tempo total de processamento do algoritmo de CBIR neste experimento foi de
32 segundos obtidos em um servidor com processador Intel Xeon E5504 e 2Gb de
memória RAM no sistema operacional GNU/Linux Debian. Diante do conjunto
reduzido de casos utilizados, o tempo necessário ao processamento revela o alto custo
computacional do algoritmo. Este é um dos agravantes do uso desta técnica como
método de CBIR. Todavia, esta complexidade pode ser amortizada pela tecnologia de
Grades Computacionais (GC) que representa a mais recente e promissora ferramenta na
área da computação distribuída [Cirne and Brasileiro 2006]. A aplicação de GC pode ser
facilmente aplicada aos sistemas de CBIR, pois o processamento dos exames é
fracamente acoplado e envolve grandes bases de dados utilizando algoritmos de
processamento de imagem com alto custo computacional [Oliveira and Azevedo-
Marques 2007].
 Figura 4 - Eficácia da recuperação de imagens utilizando o algoritmo de
Atributos de Textura 3D.

4. Conclusão
Neste trabalho foi desenvolvida uma ferramenta de código livre para auxiliar
especialistas na identificação e classificação de nódulos pulmonares. A ferramenta já é
funcional e pode ser instalada em simples computadores PC´s. Além disso, foi criado
um banco de imagens de nódulos pulmonares com diagnóstico associado que servirá
como uma fonte de dados para projetos futuros. Ainda, o banco de imagens em conjunto
com as ferramentas de processamento de imagem desenvolvidas podem ser utilizados
no aprimoramento da qualidade educacional de residentes e discentes dos cursos de
saúde.
O algoritmo de segmentação por Crescimento de Região 3D orientado por um
cilindro definido pelo especialista é uma solução capaz de isolar o nódulo suspeito das
demais estruturas do pulmão. Em nossos resultados a técnica se mostrou sistemática e
com precisão superior à segmentação manual. A visualização 3D permitiu ao
especialista analisar em detalhes a estrutura do nódulo segmentado. Esta é uma
ferramenta importante, pois o diagnóstico do especialista é baseado principalmente na
forma do nódulo. Além disso, a visualização 3D em conjunto da quantificação
volumétrica permitirão aos especialistas acompanhar a evolução do nódulo diante de
medicação.
A precisão do algoritmo de Análise de Textura 3D na recuperação de nódulos
similares supera os valores obtidos pela Análise de Textura 2D reportados pela
literatura. Com valores de precisão superiores a 80% a técnica possui potencial para ser
utilizada como ferramenta de auxílio ao diagnóstico do câncer de pulmão. Entretanto,
baseando nas principais características utilizadas pelos especialistas na classificação dos
nódulos, acreditamos que o algoritmo de Análise de Textura 3D possa formar em
conjunto da técnica de descrição da forma uma solução ainda mais precisa na
recuperação de nódulos pulmonares.
Agradecimentos
Agradecemos o apoio financeiro da FAPEAL e do Fundo Setorial de Infraestrutura por
intermédio do MCT/CNPQ - Processo n°: PPP-2008-06-131.
Referências
Cassina, P. C., et al. (1998) "Two-year result after lung volume reduction surgery in
alpha 1 - antitrypsin deficiency versus smoker's emphysema.". Eur Respir J, v.12,
p.1028-32.
Cirne, W., F. Brasileiro, et al. (2006) "Labs of the World, Unite!!!". Journal of Grid
Computing, v.4, n.3, p.225-246.
Dehmeshi, J., H. Amin, et al. (2008) "Segmentation of pulmonary nodules in thoracic
CT scans: A region growing approach". Ieee Transactions on Medical Imaging, v.27,
n.4, p.467-480.
Fukunaga, K. e D. M. Hummels. (1989) "Leave-one-out procedures for nonparametric
error estimates. ". IEEE Trans. on Pattern Analysis and Machine Intelligence, v.2,
n.3, p.421-423.
Gonzales, R. C. e R. E. Woods. (2002) "Digital Image Processing". Prentice Hall, v.2nd
Upper Saddle River, NJ - USA.
Haralick, R. M., Shanmuga.K, et al. (1973) "Textural features for image classification".
IEEE Transactions on Systems Man and Cybernetics, v.SMC3, n.6, p.610-621.
Lehmann, T. M., M. O. Guld, et al. (2004) "Content-based image retrieval in medical
applications". Methods of Information in Medicine, v.43, n.4, p.354-361.
Li, F., M. Aoyama, et al. (2004) "Radiologists' performance for differentiating benign
from malignant lung nodules on high-resolution CT using computer-estimated
likelihood of malignancy". American Journal of Roentgenology, v.183, n.5, p.1209-
1215.
Li, Q. (2007) "Recent progress in computer-aided diagnosis of lung nodules on thin-
section CT". Computerized Medical Imaging and Graphics, v.31, n.4-5, p.248-257.
Liu, B. J., Z. Zhou, et al. (2006) "A HIPAA-compliant architecture for securing clinical
images". Journal of Digital Imaging, v.19, n.2, p.172-180.
Lorensen, W. e H. Cline. (1987) "Marching Cubes: A high resolution 3D surface
construction algorithm". Computer Graphics, v.21, n.4, p.163-169.
Mcnitt-Gray, M. F., S. G. Armato, et al. (2007) "The Lung Image Database Consortium
(LIDC) data collection process for nodule detection and annotation". Academic
Radiology, v.14, p.1464-1474.
Michael O. Lam, Tim Disney, et al. (2007) "BRISC—An Open Source Pulmonary
Nodule Image Retrieval Framework". journal of digital imaging, v.20, p.63-71.
Mullally, W., M. Betke, et al. (2004) "Segmentation of nodules on chest computed
tomography for growth assessment". Medical Physics, v.31, n.4, p.839-848.
Muller, H., N. Michoux, et al. (2004) "A review of content-based image retrieval
systems in medical applications - clinical benefits and future directions".
International Journal of Medical Informatics, v.73, n.1, p.1-23.
Oliveira, M. C., P. M. D. Azevedo-Marques, et al. (2007) "Grades computacionais na
recuperação de imagens médicas baseada em conteúdo". Radiologia Brasileira, v.40,
p.255-261.
Oliveira, M. C., W. Cirne, et al. (2007) "Towards applying content-based image
retrieval in the clinical routine". Future Generation Computer Systems, v.23, n.3,
p.466-474.
Schroeder W, Martin K, et al. (2006) "The Visualization Toolkit: An Object-Oriented
Approach to 3-D Graphics". Prentice Hall, New York.
Silverman, E. K. S. (1996) "Risk factors for the development of chronic obstructive
pulmonary disease.". Med Clin North Am, v.80, p.501-22.
Sluimer, I., A. Schilham, et al. (2006) "Computer analysis of computed tomography
scans of the lung: A survey". Ieee Transactions on Medical Imaging, v.25, n.4,
p.385-405.
Sluimer, I. S., A., Prokop, M., Ginneken, B. (2006) "Computer analysis of computed
tomography scans of the lung: a survey". IEEE Transactions on Medical Imaging,
v.25, n.4, p.385-405.
Takashima, S., et al. (2003) "Indeterminate solitary pulmonary nodules revealed at
population-based CT screening of the lungs: Using first follow-up diagnostic CT to
differentiate benign and malignant lesions". American Journal of Roentgenology,
v.180, n.5, p.1255-1263.