Tratamento de Imagens Tomográficas para Uso em Dosimetria Numérica

Transcrição

1 Primeiro Congresso Americano do IRPA 26 XXIV Reunião Anual da SMSR e XVII Congresso Anual da SNM Acapulco, México, de 3 a 8 de setembro de 26 Tratamento de Imagens Tomográficas para Uso em Dosimetria Numérica 1,2 Vieira J. W., 3 Santos A. M. 1 Centro Federal de Educação Tecnológica de Pernambuco, CEFETPE, Recife-PE, Brasil 2 Escola Politécnica de Pernambuco UPE, Recife-PE, Brasil 3 Departamento de Energia Nuclear UFPE, Recife-PE, Brasil (jwvieira@br.inter.net; adrimarcrio@click21.com.br) Lima F. R. A. Centro Regional de Ciências Nucleares CRCN, Recife-PE, Brasil (falima@cnen.gov.br) Resumo Os modelos antropomórficos usados em dosimetria numérica usualmente denominados fantomas de voxels (ou fantomas tomográficos) são produzidos a partir de pilhas de imagens CT (Computed Tomography) ou MRI (Magnetic Resonance Imaging) obtidas da varredura de pacientes ou voluntários. Estes fantomas constituem a geometria a ser irradiada nos arranjos computacionais de exposição e alguns códigos Monte Carlo como o EGS4 permitem o cálculo da energia depositada em cada voxel do corpo. A partir destes dados coletados na simulação, é possível avaliar a dose média absorvida nos diversos órgãos e tecidos radiossensíveis listados pela ICRP. Portanto, um modelo computacional de exposição é constituído, fundamentalmente, pela fonte radioativa, pelo código Monte Carlo para simular o transporte e deposição da radiação e pelo fantoma a ser irradiado. A construção de fantomas tomográficos é uma atividade que requer habilidades computacionais como transformação de formato de imagens, compactação de imagens bidimensionais (2D) para formação de imagens tridimensionais (3D), segmentação, classificação e reamostragem de imagens, detecção de extremidades de regiões da imagem, entre outras. Dificilmente o pesquisador encontrará todas estas habilidades em um único software e quase sempre isto tem como conseqüência a diminuição do ritmo das suas pesquisas ou o uso, às vezes inadequado, de ferramentas alternativas. Este trabalho apresenta o IDN, software desenvolvido em C utilizando as APIs do Windows, com o objetivo de operacionalizar algumas das tarefas de tratamento de imagens acima citadas. O menu Arquivos do software realiza operações como abrir, salvar, ampliar, copiar e converter arquivos com a imagem 3D do modelo. Os menus Imagens CT e Imagens Segmentadas possuem itens que implementam algoritmos de tratamentos destes tipos de imagem. O software vem sendo ajustado à medida que surgem novas tarefas a serem realizadas computacionalmente, mas a versão aqui apresentada já contém, organizadas em itens de menu, diversas funções de muita utilidade para pesquisadores de dosimetria numérica. 1/14

2 Vieira et. al., Tratamento de Imagens Tomográficas para Uso em Dosimetria Numérica 1. INTRODUÇÃO A dosimetria numérica utiliza modelos de exposição para estimar a dose absorvida no corpo exposto à radiação. Um modelo de exposição é um arranjo físico e/ou computacional capaz de determinar tanto a dose absorvida no corpo quanto grandezas mensuráveis e relevantes para o problema abordado. Um modelo computacional de exposição deve incorporar fontes radioativas, campos visados na irradiação, um simulador antropomórfico, um método para a determinação da dose absorvida dentro do simulador e outro método para determinar as quantidades operacionais de interesse [1]. Usualmente os resultados são expressos em termos de coeficientes de conversão (CCs), razões entre as doses absorvidas em órgãos e tecidos radiossensíveis e quantidades mensuráveis. Assim, as medidas rotineiras em dosimetria podem ser interpretadas em termos da dose absorvida, multiplicando-se a leitura do instrumento medidor pelo correspondente coeficiente de conversão (CC), desde que as condições simuladas com o modelo de exposição correspondam à situação de exposição real. CCs são comumente utilizados nas diversas áreas temáticas das radiações ionizantes como, por exemplo, na radioterapia. A percentagem de dose por profundidade, a razão tecido-ar e o fator de retroespalhamento são alguns exemplos de razões entre uma quantidade de interesse (por exemplo, dose absorvida em um órgão do tecido humano) e uma quantidade mensurável (por exemplo, kerma (kinetic energy released per unit mass) no ar) [2]. Alguns modelos computacionais de exposição foram desenvolvidos pelo Grupo de Dosimetria Numérica do Recife-PE (GDNR) para aplicações em proteção radiológica [3, 4] e acidentes [5]. Os simuladores antropomórficos utilizados nestes trabalhos foram desenvolvidos a partir de imagens CT que passaram por diversas transformações até constituírem matrizes 3D representando corpos humanos virtuais com as massas dos órgãos e tecidos radiossensíveis sugeridas pela ICRP (International Commission on Radiological Protection) 89 [6]. Muitas destas transformações foram editadas utilizando-se os softwares FANTOMAS [7] e SCION IMAGE [8]. Contudo algumas tarefas como, por exemplo, a segmentação das imagens CT, não foram feitas automaticamente. A necessidade de integrar as diversas tarefas de transformação da imagem CT original para a imagem usada no modelo computacional motivou o desenvolvimento do software IDN (Imagens para Dosimetria Numérica). Este software foi desenvolvido em C, utilizando as APIs (Application Programming Interfaces) do Windows [9, 1], para ler e escrever arquivos binários contendo a matriz 3D correspondente a uma pilha de imagens transversais de uma dada geometria que pode ser um corpo humano ou outro corpo de interesse. Entre outras habilidades, o IDN implementa diversos métodos de segmentação de imagens CT [11] e cria fantomas (neologismo da palavra inglesa phantom) de voxels (volume pixels) contendo arranjos de formas geométricas como paralelepípedos, esferas e cilindros. Estes fantomas são apropriados para simular, por exemplo, um modelo físico constituído de camadas de cortiça e acrílico representando tecidos como do corpo humano. A primeira versão do IDN é aqui apresentada, passo-a-passo, com base nos menus e itens de menu que compõem o software. Exclusivamente para este trabalho, foi utilizado o arquivo head256.raw, disponível na referência eletrônica [12]. Este é um arquivo binário de uma matriz 3D onde os elementos são armazenados do seguinte modo: na primeira fatia, se preenche da primeira para a última linha, cada linha preenchida da primeira para a última coluna, como se a pessoa estiver digitando um livro, isto é, no modo de mapeamento MM_TEXT [1]. O arquivo, que armazena 1 byte/pixel e não tem cabeçalho, contém uma cabeça de um adulto masculino com 225 fatias de área transversal 256 x 256, como resolução de 1 mm (aresta do voxel). 2/14

3 Primeiro Congresso Americano do IRPA OS SIMULADORES ANTROPOMÓRFICOS USADOS EM DOSIMETRIA NUMÉRICA Os primeiros modelos irradiados para estudos foram os chamados fantomas físicos. Em 1956, SPIERS mediu exposições gama de feixes unidirecionais para alguns tecidos do corpo usando um recipiente com água [13]. Um modelo físico heterogêneo bastante utilizado nos laboratórios de dosimetria é o fantoma de Alderson-Rando [14], que, originalmente, consistia de um esqueleto humano embutido em um material equivalente a tecido mole, moldado para formar o tronco e a cabeça de um corpo humano. Entre os anos 5 e 7, foram feitos os primeiros cálculos de CCs com fatias homogêneas semi-infinitas para nêutrons [15], e para elétrons e fótons [16]. Logo a fatia semi-infinita foi trocada por um cilindro elíptico [17], no qual foram introduzidas heterogeneidades, como os pulmões. Muitas destas medidas e destes cálculos de CCs foram publicados na ICRP 21 [18]. Com relação ao cálculo dos CCs para os órgãos e tecidos especificados pela ICRP, o desenvolvimento matemático de fantomas humanos heterogêneos foi uma grande inovação. Nos fantomas humanos matemáticos, o tamanho e a forma do corpo e seus órgãos e tecidos são descritos por expressões matemáticas representando combinações e interseções de planos, cilindros circulares e elípticos, esferas, cones e toros. O primeiro fantoma deste tipo foi desenvolvido para um adulto masculino, mas continha ovário e útero [19]. Durante a elaboração da ICRP 23 [2], o mesmo foi aprimorado e, desde então, é conhecido como o fantoma MIRD-5 (Medical Internal Radiation Dose Committee, pamphlet n. 5) [21]. Este fantoma foi a base para várias derivações representando crianças, adolescentes e adultos. A altura e a massa dos fantomas do tipo MIRD, bem como as massas dos seus órgãos e tecidos, estão de acordo com os dados do homem de referência da ICRP 23. Conectados a códigos Monte Carlo como o ALGAM [22], os fantomas do tipo MIRD representaram modelos computacionais de exposição que permitiam determinar os CCs para todos os órgãos e tecidos radiossensíveis tabelados pela ICRP. Atualmente, os fantomas de voxels constituem o último esforço para aperfeiçoamento dos modelos computacionais de exposição. Estes fantomas são baseados em imagens reais obtidas pela varredura de pessoas por tomografia computadorizada, ressonância magnética ou processos ópticos. Uma imagem tomográfica é um quadro de uma fatia transversal do paciente. A imagem CT 2D corresponde a uma seção transversal no paciente, que representa uma fatia 3D do seu corpo. A matriz 2D de pixels (picture elements) na imagem CT corresponde a um número igual de voxels no paciente. Os voxels têm as mesmas dimensões dos pixels, mas também incluem a dimensão da espessura da fatia como se vê na Figura 1. Cada pixel na imagem CT mostra as propriedades de atenuação média dos raios-x pelo voxel correspondente no paciente [23]. Figura 1: Imagem CT bidimensional correspondendo a uma fatia tridimensional do paciente. Assim, ao contrário do matemático, o fantoma de voxels representa um corpo humano real e sua estrutura permite determinar distribuições de dose até mesmo ao nível de órgão ou tecido, o que se torna importante no caso de acidentes radioativos, quando é de interesse saber a localização da dose máxima. 3/14

4 Vieira et. al., Tratamento de Imagens Tomográficas para Uso em Dosimetria Numérica Os fantomas de voxels foram introduzidos por GIBBS et al., [24], e, independentemente, por WILLIAMS et al., [25]. Desde então surgiram diversas publicações apresentando novos simuladores como o vox-tiss8 [26], o NORMAN [27], o VIPMAN [28], os fantomas pediátricos BABY e CHILD [29], o GOLEM [3], o MAX [3] e a FAX [4]. A preparação de um fantoma de voxels para acoplamento a um código Monte Carlo é sempre uma tarefa específica, pois o acoplamento depende entre outras coisas da linguagem em que o código foi desenvolvido. Usualmente, os códigos não lêem diretamente as imagens 2D (ou a compactação 3D) que constituem o fantoma, mas um arquivo de texto contendo instruções que lhes permitem reconstruir, em tempo de execução, a geometria. Contudo, uma vez adquirido um conjunto de imagens CT de uma geometria, sempre será necessário segmentar as regiões de interesse no conjunto. O software IDN contém um menu chamado Imagens CT onde foram inseridos diversos algoritmos de segmentação de imagens. Alguns destes algoritmos são utilizados nos exemplos abordados neste texto. Também é possível voxelizar fantomas matemáticos no IDN. No menu Imagens Segmentadas, são implementados algoritmos que permitem a montagem, em um paralelepípedo predefinido, de volumes como esferas e cilindros. Na seqüência o IDN é apresentado e, para ilustrar as duas principais habilidades da versão atual, é mostrado, passo-a-passo, como segmentar um conjunto de imagens CT e como construir de um fantoma matemático simples. 3. O SOFTWARE IDN PASSO-A-PASSO A Figura 2 ilustra os passos usualmente percorridos para o desenvolvimento de um modelo computacional de exposição envolvendo um fantoma de voxels acoplado ao código Monte Carlo EGS4 [31]. A linha tracejada delimita a área de atuação do software FANTOMAS, desenvolvido pelo GDNR [1, 7]. Note que o FANTOMAS não tem ferramentas para segmentação de imagens CT. Outro ponto notável é que o FANTOMAS não cria uma geometria para irradiação a partir do nada; ele transforma imagens preexistentes. Figura 2: Esquema do processo normalmente utilizado para a construção e utilização de um fantoma de voxels. A área tracejada delimita a atuação do software FANTOMAS. O software IDN implementa diversos algoritmos de segmentação e cria fantomas organizando figuras geométricas como paralelepípedos, esferas e cilindros em uma matriz 3D. Estes fantomas geométricos são úteis para simular arranjos físicos especiais como um tanque de água, fontes radioativas colocadas na próstata para braquiterapia, modelo simplificado dos pulmões utilizando cortiça, entre outros. A Figura 3 mostra a janela de entrada do software IDN. 4/14

5 Primeiro Congresso Americano do IRPA 26 Figura 3: Janela principal do software IDN. O menu Ajuda contém apenas um item que dá acesso a uma caixa de mensagem com instruções para quem estiver interessado em adquirir e utilizar o software. Na seqüência são apresentados os demais menus. Os exemplos que ilustram esta apresentação são comentados tendo sempre em mente o caráter didático deste texto O MENU Arquivos A Figura 4 mostra as opções disponíveis no menu Arquivos do IDN. O item de menu Converter Arquivos 3D RAW para SGI dá acesso à caixa de diálogo mostrada na Figura 5. Figura 4: Menu Arquivos do software IDN. Figura 5: Item de menu Converter Arquivos Binários RAW para SGI. No exemplo desta figura, converte-se o arquivo head256.raw [12] para um tipo de arquivo cuja extensão é sgi (simulações gráficas interativas). Este tipo de arquivo também é binário como o raw, mas contém uma 5/14

6 Vieira et. al., Tratamento de Imagens Tomográficas para Uso em Dosimetria Numérica estrutura de cabeçalho com o nome do arquivo e suas dimensões em pixels. Eis a definição desta estrutura em C: typedef struct { PTOINT3D char }STRUCTHEADERSGI; pt3d; nomebase[64]; O tipo PTOINT3D que aparece na definição da STRUCTHEADERSGI é a estrutura typedef struct { int ix, iy, iz; }PTOINT3D, *vtptoint3d, **mtptoint3d; usada em diversas situações no código do IDN. Assim, o arquivo sgi contém um cabeçalho de informações e uma matriz 3D similar ao arquivo raw. A definição desta estrutura no código do IDN é typedef struct { STRUCTHEADERSGI PUCHAR }STRUCTSGI; shs; buf; Note que os dados da matriz 3D são armazenados como UCHAR (caractere sem sinal), tipo suficiente para imagens CT com tons-cinzas entre e 255. Outro detalhe importante é que PUCHAR é um ponteiro Win32 para UCHAR. Isto significa que os dados são armazenados como em um vetor. Para escrever ou ler estes dados em arquivos externos foram desenvolvidas algumas funções como, por exemplo: int vatual(int k, int i, int j, PTOINT3D pt3d) { return k * pt3d.iy * pt3d.ix + i * pt3d.ix + j; } vatual retorna o rótulo do n-ésimo voxel do vetor buf, lido ou escrito na k-ésima fatia, i-ésima linha e j- ésima coluna de uma matriz 3D. Portanto, o ponto de partida para a utilização das ferramentas do IDN consiste em converter o arquivo raw dos dados primários em um arquivo sgi, que é a entrada para as demais tarefas que o software realiza. O item de menu Abrir Arquivo SGI permite que o usuário acesse arquivos sgi para exibição em uma janela-filha do IDN. O item é útil para visualização de resultados obtidos em outras partes do software. O item de menu Fazer uma Cópia SGI permite que o usuário salve uma cópia de um dado arquivo sgi com um nome diferente. Fazer uma Cópia ASCII permite que o usuário salve um arquivo de texto com os dados do arquivo sgi impresso no modo de mapeamento MM_TEXT [1]. Salvar parte de uma imagem SGI permite selecionar uma região da matriz 3D e salvá-la como um novo arquivo sgi. Outras edições e transformações de uma matriz 3D podem ser realizadas com o software FANTOMAS [7], também disponível no endereço mostrado no menu Ajuda O MENU Imagens CT A Figura 6 mostra algumas opções disponíveis no menu Imagens CT. Todas as opções implementadas neste menu requerem um arquivo sgi de entrada e salvam um arquivo sgi e um raw na saída. 6/14

7 Primeiro Congresso Americano do IRPA 26 Figura 6: Menu Imagens CT do IDN. Com o item de menu Inverter Números CT o usuário, simplesmente, inverte o tom-cinza dos voxels fazendo nct 255 nct. Os itens de menu Técnicas de Segmentação e Técnicas de Detecção de Extremidades foram implementados com base em algoritmos contidos em NIKOLAIDIS e PITAS [11]. Na seqüência é apresentada uma técnica de segmentação e também uma de detecção de extremidades A Técnica de Segmentação por Fusão de Regiões A técnica de segmentação por fusão consiste em construir regiões homogêneas através da junção de voxels que tenham propriedades similares [11]. De acordo com o algoritmo da fusão de regiões a imagem é varrida no modo de mapeamento MM_TEXT. O algoritmo começa criando a primeira região, que contém o primeiro voxel do volume. Então, tenta-se fundir o voxel atualmente varrido com uma das regiões vizinhanças. A fusão ocorre quando a intensidade do voxel atual estiver próxima à intensidade média da região candidata. Após este procedimento, a intensidade média da região é atualizada. Quando o critério de função é satisfeito para mais de uma candidata, vence a região com intensidade média mais próxima da do voxel atual. Se não for possível nenhuma fusão com regiões vizinhanças, o algoritmo tenta fundir o voxel atual com regiões não-vizinhanças. Não sendo possível, uma nova região é criada desde que o número máximo de regiões permissível ainda não tenha sido atingido. O algoritmo da fusão termina quando todos os voxels do volume são visitados. A Figura 7 mostra os dados de entrada necessários no menu Imagens CT Técnicas de Segmentação Técnica da Fusão de Regiões para exemplificar o uso desta técnica no IDN. Figura 7: Técnica de segmentação por fusão de regiões no IDN. 7/14

8 Vieira et. al., Tratamento de Imagens Tomográficas para Uso em Dosimetria Numérica No exemplo, o arquivo de entrada, head256.sgi, foi segmentado em 6 regiões (a tolerância seria até 1 regiões). Note que o número CT limiar indica 4 a 5 regiões (255 / 55 ~ 5) esperadas na imagem 3D. Este limiar é uma entrada do usuário e deve refletir uma previsão do número de regiões desejado. Se o número máximo de regiões digitado na caixa de diálogo da Figura 7 não for suficiente, o programa informa isto ao usuário, que, então, deve aumentá-lo ou modificar o limiar. As Figuras 8a e 8b mostram uma fatia do arquivo head256.raw antes e após a segmentação. Para visualizar as imagens for usado o software SCION IMAGE [8] A Técnica de Detecção de Extremidade Sobel 3D Os objetos 3D podem ser descritos tanto em termos do volume que ocupam quanto por meio da sua superfície de contorno [11]. Como uma conseqüência as técnicas de detecção de contornos podem ser usadas como uma alternativa para segmentação de volumes. Embora os objetos no espaço 3D sejam contornados por superfícies, os termos extremidade e detecção de extremidades são extensivamente usados na literatura relevante. A informação vinda da extremidade pode ser usada em combinação com técnicas de segmentação baseadas em região para obter melhorar resultados. As extremidades 3D são usualmente definidas como descontinuidades na intensidade da imagem causadas pela transição de uma região 3D homogênea para outra região 3D com intensidade (o tom-cinza) média diferente. Portanto, se f(x, y, z) é a função das intensidades, o seu gradiente f f f f ( z, y, x) =,, (1) z y x pode fornecer informações sobre a existência de uma extremidade em uma dada área. O módulo do gradiente e/ou a norma de f são medidas úteis da atividade da extremidade em um dado voxel: f f f f = + + z y x f f f L1 = + + z y x (2) A detecção de extremidades é normalmente realizada através da convolução do volume com um conjunto de máscaras 3D. Cada máscara atua como uma aproximação discreta da derivada parcial com relação a uma direção específica. As conhecidas máscaras de detecção de descontinuidades Sobel 2D podem ser generalizadas para manipulação de dados 3D. Assim pode-se representar uma máscara como três máscaras 2D aplicáveis em fatias consecutivas como (3) 1 Através do menu Imagens CT Técnicas de Detecção de Extremidades Detector de Extremidades Sobel 3D, o usuário pode aplicar a rotina do detector de extremidades Sobel 3D [11] sobre um arquivo como o head256.sgi. A Figura 8c mostra o resultado para a fatia 145 deste conjunto 3D. 8/14

9 Primeiro Congresso Americano do IRPA 26 Figura 8: Vista de uma fatia do arquivo RAW original, de um contendo o resultado da segmentação usando a fusão de regiões e outro mostrando o resultado do detector de extremidades Sobel 3D. O usuário do IDN deve verificar a funcionalidade das outras técnicas de segmentação e detecção de extremidades implementadas e, se estiver interessado nas suas rotinas em C, consultar a referência NIKOLAIDIS e PITAS [11] O MENU Imagens Segmentadas Através deste menu do IDN, o usuário poderá colocar dentro de um paralelepípedo os volumes mostrados no item de menu Montagem de Fantomas na Figura 9. Figura 9: Opções do menu Imagens Segmentadas. Na seqüência, são mostrados os passos para a construção de um fantoma segmentado aqui chamado phantom a partir de alguns dos volumes disponíveis. A imagem 3D final é mostrada na Figura 1, que também mostra a imagem do fantoma matemático ADAM, numa versão voxelizada [32], para comparações. As imagens foram visualizadas através do software IDL [33]. O ADAM foi voxelizado em 472 fatias (z), 74 linhas (y) e 158 colunas (x). Assim, o fantoma constitui um paralelepípedo com 472 x 74 x 158 = voxels cúbicos com resolução de 3,6 mm de aresta. Isto corresponde a um homem de 3,6 x cm de altura. A construção do phantom foi baseada nestes dados. A Tabela 1 mostra o nome dos volumes anatômicos que compõem o phantom, o menu do IDN utilizado na construção e as dimensões (em pixels) ao longo de x, y ou z (ver a orientação dos eixos na Figura 1a) e/ou as localizações de pontos (z, y, x) importantes como o centro de um volume ou a extremidade e um eixo. A tabela também mostra o número identificador (ID) de cada volume. 9/14

10 Vieira et. al., Tratamento de Imagens Tomográficas para Uso em Dosimetria Numérica (a) Figura 1: Imagem 3D do fantoma matemático ADAM (a) e do phantom (b). (b) Tabela 1: Dimensões e localizações (em pixels) dos volumes constituintes do phantom. VOLUME MENU DO IDN DIMENSÕES / LOCALIZAÇÕES ID Paralelepípedo que contém o Volume do Fantoma Dimensões: (z, y, x) = (472, 74, 158) phantom Elipsóide para a cabeça (parte Adicionar Elipsóides Centro: (z, y, x) = (19, 36, 79) 5 1) Semi-eixos: (z, y, x) = (19, 27, 23) Cilindro para a cabeça (parte 2) Adicionar Cilindros Retos Eixo: (19, 36, 79) a (56, 36, 79) Semi-eixos: 23 e 27 5 Cilindro para o pescoço Cilindro para o tronco Tronco de cone para o braço esquerdo Tronco de cone para a perna esquerda Adicionar Cilindros Retos Adicionar Cilindros Retos Adicionar Troncos de Cone Retos Adicionar Troncos de Cone Retos Eixo maior paralelo a y Eixo: (57, 36, 79) a (68, 36, 79) Semi-eixos: 19 e 23 Eixo maior paralelo a x Eixo: (69, 36, 79) a (26, 36, 79) Semi-eixos: 27 e 56 Eixo maior paralelo a x Eixo: (71, 36, 13) a (261, 36, 13) Semi-eixos da base menor: 2 e 5 Semi-eixos da base maior: 5 e 8 Eixo maior paralelo a y Eixo: (26, 36, 18) a (472, 36, 18) Semi-eixos da base menor: 7 e 7 Semi-eixos da base maior: 27 e 27 Eixo maior paralelo a y (ou a x) Inicialmente, foi construído um paralelepípedo para conter o phantom. O IDN sempre salva dois arquivos phantom.raw e phantom.sgi. Para construir a parte superior da cabeça do modelo, foram usados os dados mostrados na Figura 11. Procedimentos similares foram usados para a construção dos outros volumes da Tabela 1. 1/14

11 Primeiro Congresso Americano do IRPA 26 Figura 11: Dados para a construção da cabeça (parte 1) do phantom. Para a construção do braço e da perna direita usou-se o item de menu Simetria (Figura 9) para rebater os IDs 125 e 15 em relação ao plano yz em x = 79. Para adicionar órgãos e tecidos de interesse ao phantom basta utilizar um dos itens de menu disponíveis com dados geométricos similares aos da Tabela 1 para inserção do novo volume. Arquivos como o phantom.sgi podem ser usados como entrada no software FANTOMAS para produzir a geometria a ser irradiada em um modelo computacional de exposição do tipo fantoma de voxels / Egs4 [34]. 4. CONSIDERAÇÕES FINAIS O software IDN lê arquivos binários do tipo RAW e os converte em arquivos do tipo SGI. Todas as funções presentes nos menus Imagens CT e Imagens Segmentadas (exceto o item de menu que cria um paralelepípedo para comportar um fantoma) têm como entrada um arquivo do SGI. No menu Imagens CT, o usuário encontra diversas técnicas de segmentação de imagens CT e de detecção de extremidades. No menu Imagens Segmentadas, o usuário pode construir, volume a volume, um fantoma segmentado para uso em avaliações dosimétricas. O software está disponível para estudantes e pesquisadores bastando os interessados entrarem em contato com um dos autores nos endereços fornecidos. 5. AGRADECIMENTOS Os autores agradecem o apoio financeiro da FACEPE, do CEFETPE e do CNPq. 11/14

12 Vieira et. al., Tratamento de Imagens Tomográficas para Uso em Dosimetria Numérica 6. REFERÊNCIAS 1. VIEIRA J. W., Construção de um Modelo Computacional de Exposição para Cálculos Dosimétricos Utilizando o Código Monte Carlo EGS4 e Fantomas de Voxels, Tese de Doutorado, UFPE-DEN, Recife-PE, ICRP 6, 199 Recommendations of the International Commission on Radiological Protection, International Commission on Radiological Protection, Pergamon Press, Oxford, KRAMER R., VIEIRA J. W., KHOURY H. J., LIMA F. R. A. and FUELLE D., All About Max: A Male Adult Voxel Phantom for Monte Carlo Calculations in the Area of Radiation Protection Dosimetry, Phys. Med. Biol., 48, , KRAMER R., VIEIRA J. W., KHOURY H. J., LIMA F. R. A., LOUREIRO E. C. M, LIMA V. J. M. and HOFF G., All about FAX: a Female Adult voxel Phantom for Monte Carlo Calculation in Radiation Protection dosimetry, Phys. Med. Biol., 49, , KRAMER, R., SANTOS, A. M., BRAYNER, C. A. O., KHOURY, H. J., VIEIRA, J. W. and LIMA, F. R. A., Application of the MAX/EGS4 Exposure Model to the Dosimetry of the Yanango Radiation Accident. Phys. Med. Biol., 5, 1-15, ICRP 89, Basic Anatomical and Physiological Data for Use in Radiological Protection: Reference Values, International Commission on Radiological Protection, Pergamon Press, Oxford, VIEIRA J. W., STOSIC B., LIMA F. R. A., KRAMER R., SANTOS A. M. e LIMA V. J. M., Um Software para Editar Fantomas de Voxels e Calcular Coeficientes de Conversão para a Proteção Radiológica, 1º Congresso Brasileiro de Proteção Radiológica, Rio de Janeiro, 2 a 5 de Novembro de SCION CORPORATION, Disponível em Última atualização em 25/1/21. Página acessada em novembro, SCHILDT H., C Completo e Total, 3ª ed., Makron Books, São Paulo-SP, PETZOLD C., Programming Windows, 5 th ed., Microsoft Press, NIKOLAIDIS N. and PITAS I., 3-D Image Processing Algorithms, Ed. John Wiley & Sons, USA, ENGEL K., Pre-Integrated Volume Rendering, Última atualização em 2/4/21. Página acessada em março, SPIERS F. W., Appendix J in: Hazards to Man of Nuclear and Allied Radiations, Cmd 978, H. M. S. O. London, ALDERSON S. W., LANZL L. H., ROLLINS M. and SPIRA J., An Instrumented Phantom System for Analog Computation of Treatment Plans, Am. J. Roentg., 87, 185, SNYDER W. S., Calculations for Maximum Permissible Exposure to Thermal Neutrons, Nucleonics 6, 2, 46-5, BERGER M. J. and SELTZER S. M., Quality of Radiation in a Water Medium Irradiated with High Energy Electrons Beams, Presented at the 12 th International Congress of Radiology, Tokyo, 6-1 October, National Bureau of Standards, Washington, D. C., USA, /14

13 Primeiro Congresso Americano do IRPA SIDEWELL J. M., BURLIN T. E. and WHEATLEY B. M., Calculation of the Absorbed Dose in a Phantom from Photon Fluence and Some Applications to Radiological Protection, Br. J. Radiol., 42, , ICRP 21, Data for Protection Against Ionizing Radiation from External Sources: Supplement to ICRP 15, International Commission on Radiological Protection, Pergamon Press, Oxford, FISHER H. L. and SNYDER W. S., Distribution of Dose in the Body from a Source of Gamma Rays Distributed Uniformly in an Organ, Report n. ORNL-4168, Oak Ridge National Laboratory, Oak Ridge, Tenn., USA, ICRP 23, Report of the Task Group on Reference Man, International Commission on Radiological Protection, Pergamon Press, Oxford, SNYDER W. S., FORD M. R. and WARNER G. G., Estimates of Absorbed Fractions for Monoenergetic Photon Sources Uniformly Distributed in Various Organs of a Heterogeneous Phantom, Revision of MIRD Pamphlet n. 5, Society of Nuclear Medicine, New York, N.Y., WARNER G. G. AND CRAIG A. M., ALGAM, A Computer Program for Estimating Internal Dose for Gamma-Ray Sources in a Man Phantom, Report ORNL-TM-225, Oak Ridge National Laboratory, Oak Ridge, Tenn., USA, BUSHBERG J. T., SEIBERT J. A., LEIDHOLDT E. M. JR. and BOONE J. M., The Essential Physics of Medical Imaging, 2 nd ed., Lippincott Williams & Wilkins, USA, GIBBS S. J., PUJOL A., CHEN T-S., MALCOLM, A. W. and JAMES A. E., Patient Risk from Interproximal Radiography, Oral Surg. Oral Med. Oral Pathol., 58, , WILLIAMS G., ZANKL M., ABMAYR W., VEIT R. and DREXLER G., The Calculation of Dose from External Photon Exposures Using Reference and Realistic Human Phantoms and Monte Carlo Methods, Phys. Med. Biol., 31, , ZUBAL I. G., HARRELL C. R., SMITH E. O., RATTNER Z., GINDI G. and HOFFER P. B., Computerized Three-Dimensional Segmented Human Anatomy, Med. Phys., 21 (2), , DIMBYLOW P. J., The Development of Realistic Voxel Phantoms for Electromagnetic Field Dosimetry, In: Proceedings of an International Workshop on Voxel Phantom Development held at the National Radiological Protection Board, Chilton, UK, 6-7 July, XU X. G., CHAO T. C. AND BOZKURT A., VIPMAN: An Image-Based Whole-Body Adult Male Model Constructed from Color Photographs of the Visible Human Project for Multi-Particle Monte Carlo Calculations, Health Physics, 78, 5, , ZANKL M., PANZER W. and DREXLER G., Tomographic Anthropomorphic Models. Part II: Organ Doses from Computed Tomographic Examinations in Pediatric Radiology, GSF-Bericht 3/93. Institut für Strahlenschutz, GSF-Forschungszentrum für Umwelt und Gesundheit, Neuherberg- Muenchen, ZANKL M. and WITTMANN A., The Adult Male Voxel Model Golem Segmented from Whole-Body CT Patient Data, Radiat. Environ. Biophys., 4, , NELSON W. R., HIRAYAMA H. and ROGERS D. W. O., The EGS4 Code System, Report SLAC- 265, Stanford Linear Accelerator Center, Stanford University, Stanford, California, KRAMER R., VIEIRA J. W., KHOURY H. J. and LIMA F. R. A., MAX meets ADAM: A Dosimetric Comparison between a Voxel-based and a Mathematical Model for External Exposure to Photons, Phys. Med. Biol., 49, , IDL Windows 5.5, Research Systems, Software obtido em março, /14

14 Vieira et. al., Tratamento de Imagens Tomográficas para Uso em Dosimetria Numérica 34. VIEIRA J. W., Construção de um Modelo Computacional de Exposição para Cálculos Dosimétricos Utilizando o Código Monte Carlo EGS4 e Fantomas de Voxels, Tese de Doutorado, UFPE-DEN, Recife-PE, /14