RESUMEN
OBJETIVO: Caracterizar lesões intersticiais em radiografias frontais de tórax, com base na análise de atributos estatísticos de textura, os quais permitem detectar sinais de anormalidades com natureza difusa. MATERIAIS E MÉTODOS: O esquema começa com a segmentação semi-automática dos campos pulmonares, sendo o contorno externo marcado manualmente, com posterior divisão automática de cada pulmão em seis regiões. O banco de imagens utilizado neste trabalho é composto por 482 regiões obtidas de exames contendo lesões e 324 regiões obtidas de exames normais. Os atributos de textura são extraídos automaticamente de cada uma dessas regiões e uma seleção das melhores combinações de atributos é feita através da distância Jeffries-Matusita. A classificação das regiões em normal ou suspeita é feita pela comparação com os k vizinhos mais próximos e o treinamento do classificador é baseado na técnica de treino e teste "half-half" e correlação cruzada. RESULTADOS: Os resultados obtidos foram analisados através do valor da área sob a curva ROC ("receiver operating characteristic"), a qual indica um sistema perfeito para uma área igual a 1. Os resultados forneceram uma área sob a curva ROC (A Z) igual a 0,887, com valores de sensibilidade igual a 0,804 e especificidade igual a 0,793. CONCLUSÃO: Os resultados indicam que o sistema de caracterização baseado em atributos de textura possui bom potencial para o auxílio ao diagnóstico de lesões intersticiais de pulmão.
OBJECTIVE: To characterize interstitial lesions in anterior-posterior chest X-rays based on the analysis of textural statistical features that allow the detection of abnormalities with diffuse pattern. MATERIALS AND METHODS: Image analysis begins with the semiautomatic segmentation of the lungs, marking the external contour of the lung manually followed by an automatic division of each lung in six regions. The data base of images used in this study consisted of 482 regions obtained from examinations in which lesions were detected and 324 regions from normal examinations. Textural features were automatically extracted from each area and the selection of the best set of features was made based on the Jeffries-Matusita distance. The regions were classified as normal or suspected using the k nearest-neighbor method and half-half, and cross-correlation methodologies were used for training the classifier. RESULTS: Results were assessed based on the value of the area under the ROC (receiver operating characteristic) curve that indicates an ideal response for an area equal to 1. The results showed an area under the ROC curve (AZ) of 0.887, sensitivity of 0.804, and specificity of 0.793. CONCLUSION: These results indicate that the implemented system has a good potential for computer-aided diagnosis of interstitial lung lesions.