Quantificação de Comprometimento Pulmonar em Radiografias de Tórax

Authors

  • Guilherme Giacomini Instituto de Biociências de Botucatu (IBB/UNESP)
  • Diana Rodrigues de Pina Faculdade de Medicina de Botucatu (FMB/UNESP)
  • Matheus Alvarez Instituto de Biociências de Botucatu (IBB/UNESP)
  • Marcela de Oliveira Instituto de Biociências de Botucatu (IBB/UNESP)
  • Paulo Câmara Marques Pereira Faculdade de Medicina de Botucatu (FMB/UNESP)
  • Sergio Marrone Ribeiro Faculdade de Medicina de Botucatu (FMB/UNESP)
  • José Ricardo de Arruda Miranda Instituto de Biociências de Botucatu (IBB/UNESP)

DOI:

https://doi.org/10.29384/rbfm.2014.v8.n3.p6-9

Abstract

Tuberculose (TB), causada pelo Mycobacterium tuberculosis, é uma doença infecciosa que continua sendo um problema de saúde global. A radiografia de tórax é o exame comumente realizado na avaliação da evolução da TB. Métodos de quantificação de comprometimento pulmonar são normalmente realizados em exames de tomografia computadorizada (TC). Esta quantificação é importante na avaliação da evolução e tratamento da TB e na comparação entre tratamentos distintos. No entanto, uma quantificação precisa se torna inviável pela quantidade de exames de TC necessários. A proposta deste trabalho é desenvolver uma metodologia de quantificação do comprometimento pulmonar causado pela TB através de radiografias de tórax. Desenvolveu-se um algoritmo de processamento computacional desses exames em ambiente Matlab®, criando-se uma representação 3D dos pulmões, com regiões de comprometimento dilatadas em seu interior. Fez-se também a quantificação do comprometimento pulmonar dos mesmos pacientes através de exames de TC realizados em datas próximas. As quantificações a partir dos dois métodos foram comparadas, obtendo-se forte correlação. Aplicando a estatística de Bland & Altman, todas as amostras avaliadas ficaram dentro de limites de concordância, com intervalo de confiança de 95%. Os resultados apresentaram variação média de 12,7±8,3% na comparação entre a quantificação pelos dois métodos. Os resultados sugerem a eficácia e aplicabilidade do método desenvolvido, proporcionando melhor relação risco-benefício ao paciente e custo-benefício à instituição.

Downloads

Download data is not yet available.

References

Baddeley A, Dean A, Dias HM, Dennis Falzon, Katherine Floyd, Inés Garcia, et al. Global Tuberculosis Report 2013. Geneva: World Health Organization; 2013.

WHO, Dolin PL, Raviglione MC, Kochi A. A Review of Current Epidemiological Data and Estimation of Future Tuberculosis Incidence and Mortality: World Health Organization1993.

Netto AR. Tuberculose: a Calamidade Negligenciada. Revista da Sociedade Brasileira de Medicina Tropical. 2002;35(1):51-8.

Xu Z, Bagci U, Kubler A, Luna B, Jain S, Bishai WR, et al. Computer-aided detection and quantification of cavitary tuberculosis from CT scans. Med Phys. 2013 Nov;40(11):113701.

Tan JH, Acharya UR, Tan C, Abraham KT, Lim CM. Computer-assisted diagnosis of tuberculosis: a first order statistical approach to chest radiograph. J Med Syst. 2012 Oct;36(5):2751-9.

Rosas IO, Yao J, Avila NA, Chow CK, Gahl WA, Gochuico BR. Automated quantification of high-resolution CT scan findings in individuals at risk for pulmonary fibrosis. Chest. 2011 Dec;140(6):1590-7.

Bloomquist A, Bosmans H, Burch A, Chevalier M, Daros K, Gennaro G, et al. IAEA Human Health Series No.17: Quality Assurance Programme for Digital Mammography. Vienna: International Atomic Energy Agency; 2011.

Pina DR, Duarte SB, Ghilardi Netto T, Morceli J. Phantom development for radiographic image optimization of chest, skull and pelvis examination for nonstandard patient. Appl Radiat Isot. 2009 Jan;67(1):61-9.

Oliveira M, Pina DR, Alvarez M, Velo A, Cavalcante R, Mendes R, et al., editors. Use of Algorithms for Semi-Automatic Quantification of Pulmonary Fibrosis and Emphysema. . World Congress on medical Physics and Biomedical Engineering; 2012; Beijing, China: IFMBE Proceedings.

Kim HG, Tashkin DP, Clements PJ, Li G, Brown MS, Elashoff R, et al. A computer-aided diagnosis system for quantitative scoring of extent of lung fibrosis in scleroderma patients. Clin Exp Rheumatol. 2010 Sep-Oct;28(5 Suppl 62):S26-35.

Kamalakannan S, Antani S, Long R, Thoma G, editors. Customized Hybrid Level Sets for Automatic Lung Segmentation in Chest X-ray Images. SPIE Medical Imaging; 2014; San Diego, CA, USA: Proceedings of SPIE

van Ginneken B, ter Haar Romeny BM. Automatic segmentation of lung fields in chest radiographs. Med Phys. 2000 Oct;27(10):2445-55.

van Ginneken B, Katsuragawa S, ter Haar Romeny BM, Doi K, Viergever MA. Automatic detection of abnormalities in chest radiographs using local texture analysis. IEEE Trans Med Imaging. 2002 Feb;21(2):139-49.

Hatipoglu ON, Osma E, Manisali M, Ucan ES, Balci P, Akkoclu A, et al. High resolution computed tomographic findings in pulmonary tuberculosis. Thorax. 1996 Apr;51(4):397-402.

Campos CA, Marchiori E, Rodrigues R. Tuberculose Pulmonar: achados na tomografia computadorizada de alta resolução do tórax em pacientes com doença em atividade comprovada bacteriologicamente. J Pneumol. 2002;28(1):23-9.

Published

2016-04-10

How to Cite

Giacomini, G., de Pina, D. R., Alvarez, M., de Oliveira, M., Pereira, P. C. M., Ribeiro, S. M., & Miranda, J. R. de A. (2016). Quantificação de Comprometimento Pulmonar em Radiografias de Tórax. Brazilian Journal of Medical Physics, 8(3), 6–9. https://doi.org/10.29384/rbfm.2014.v8.n3.p6-9

Issue

Section

Artigo Original

Most read articles by the same author(s)

1 2 > >>