Investigating Color Models for Cellular Segmentation of White Blood Cells

Investigating Color Models for Cellular Segmentation of White Blood Cells Thaína A. Azevedo Tosta, Andrêssa Finzi de Abreu, Diogo Silva Vilela, Leandro Alves Neves, Bruno A. Nassif Travençolo e Marcelo Zanchetta do Nascimento Faculdade de Computação, Universidade Federal de Uberlândia, UFU, Uberlândia, Brasil Departamento de Entomologia, Universidade de São Paulo, FFCLRP - USP, Ribeirão Preto, Brasil Departamento de Ciência da Computação e Estatística, Universidade Estadual Paulista, UNESP, São José do Rio Preto, Brasil {tosta.thaina, andressafinzi, deeogoo, neves.leandro, travencolo, marcelo.zanchetta}@gmail.com Resumo Quantitative analysis of white blood cells (WBCs) in blood images offers important information about health conditions of patients. Image processing techniques can be used to aid experts in detection of diseases and orientation of effective treatments. Identification of WBCs is essential for their classification, making analysis even more accurate. This paper presents a method for detection of WBC applied on different channels of RGB, HSI, L*a*b and YIQ models. The best result was obtained with the channel H from HSI color model using the Otsu s thresholding method. A postprocessing step was applied through morphological operations, removal of small objects and region filling. The proposed system was tested on 367 images for analysis of its performance through Jaccard and Accuracy metrics, reaching results of 87.49% and 98.91%, respectively. Different channels of color models, already used in other studies, showed inferior results compared with the obtained in this work. Keywords-Segmentação; Thresholding; Glóbulos Brancos; Leucócitos; Imagens de Sangue e Modelos de Cores. I. INTRODUÇÃO Leucócitos, ou glóbulos brancos, são estruturas capazes de fornecer informações qualitativas e quantitativas utilizadas para identificação de infecções e inflamações, assim como para diagnósticos de diversas doenças, como as leucemias [1]. Em registros mundiais, 350 mil novos casos e 265 mil óbitos decorrentes da leucemia foram estimados em 2012 [2]. Essas e outras doenças, quando detectadas em seu estágio inicial conduzem a tratamentos mais eficazes. A identificação dessas células e sua contagem são importantes para que essas anormalidades do sistema imunológico possam ser detectadas. Esses processos são realizados por especialistas por meio de amostras de sangue analisadas com auxílio de um microscópio. Porém, a identificação e classificação de células do sangue é uma tarefa dispendiosa e subjetiva, capaz de sofrer variações de acordo com a análise de diferentes hematopatologistas devido ao seu nível de experiência e à sua carga de trabalho [3][4]. Recentemente, com o desenvolvimento de microscópios com câmeras digitais é possível o emprego de técnicas de processamento digital de imagens para o desenvolvimento de algoritmos computacionais que permitam auxiliar especialistas nessa tarefa. Essas técnicas podem ser divididas em diversas etapas, como pré-processamento, segmentação, pósprocessamento, extração de características e classificação [3][5]. A etapa mais importante entre essas é a segmentação, que objetiva preservar o máximo de informação útil e descartar informações menos relevantes [5][6]. A segmentação é crucial dado que seu resultado é a base para etapas subsequentes, além de tornar o processo de inspeção do sangue periférico mais fácil e rápido podendo processar maior quantidade de dados que aquela submetida à análise de um especialista [4]. Porém, variações de forma, tamanho e distribuição de glóbulos brancos nas imagens tornam sua identificação uma tarefa extremamente complexa. Além disso, o processo de obtenção das imagens ainda pode sofrer variações de iluminação e contraste, o que dificulta o seu processamento [7]. Diversos trabalhos vêm sendo propostos na literatura para segmentação de leucócitos. O algoritmo proposto em [8] utilizou o modelo de cores HSI aliado a identificação nuclear por meio de uma transformação linear e uma limiarização manual com posterior aplicação do método de crescimento de regiões, para que finalmente as estruturas celulares pudessem ser detectadas. A técnica de crescimento de regiões também foi utilizada em [9] juntamente com a eliminação de outras estruturas utilizando os canais R e G do modelo de cores RGB. O algoritmo K-means também pode ser empregado na segmentação de leucócitos, como em [10] onde tal técnica foi utilizada sobre os canais a e b do modelo de cores L*a*b. Neste artigo, um método de segmentação não supervisionado de leucócitos é proposto em imagens de esfregaço de sangue. A extração do canal H do modelo de cores HSI foi utilizada na etapa de pré-processamento. A segmentação foi realizada pelo método de Otsu considerando as informações de cor das imagens para identificação de regiões candidatas. Posteriormente, operações morfológicas, remoção de pequenos objetos e preenchimento de regiões foram utilizados, compondo a etapa de pós-processamento. A técnica proposta obteve um tempo médio de processamento de 40 segundos considerando as 367 imagens do banco com resolução de 640 480 pixels. Este trabalho está dividido do seguinte modo; a Seção 2 detalha as etapas do método proposto, o 112

banco de imagens utilizado e as métricas para sua validação. A Seção 3 descreve os resultados experimentais e a discussão das aplicações do método proposto sobre diferentes modelos de cores. Já a conclusão é apresentada na Seção 4. A. Banco de Imagens II. MATERIAIS E MÉTODOS As imagens utilizadas para testes do sistema são resultantes da digitalização de amostras de sangue periférico com o uso de um microscópio de lentes objetivas de 100. Uma câmera analógica colorida CCD foi conectada ao microscópio para capturar as imagens RGB com resolução VGA (640 480 pixels). O banco é composto por 367 imagens coradas com corante Giemsa contendo diferentes condições de iluminação e contraste, além de apresentarem um ou mais leucócitos. Esse banco de imagens de sangue foi obtido por meio do trabalho de Mohamed, et. al [11] e está disponível na plataforma MATLAB file exchange [12]. É importante salientar que as imagens que compõem o banco de dados podem sofrer variações de iluminação, contraste, forma, distribuição espacial e tamanho, como ilustrado nas Figuras 1(a) e 1(c). Essas variações podem representar empecilhos para o desenvolvimento de métodos únicos e eficientes ao considerar todas as diferentes características das imagens utilizadas em sua execução. Todas as imagens tiveram suas regiões celulares marcadas para posterior validação do sistema, conforme ilustrado pelas Figuras 1(b) e 1(d) que apresentam as respectivas imagens citadas com suas regiões celulares marcadas por um especialista. (a) (c) Figura 1. Exemplo de diferentes características das imagens que compõem o banco de dados utilizado, nomeadas (a) BloodImage 00017 e (c) BloodImage 00182, e suas respectivas imagens contendo suas regiões celulares marcadas por um especialista representadas por (b) e (d). B. Pré-processamento Este método de segmentação de leucócitos foi executado sobre o modelo de cores HSI para a utilização do seu (b) (d) canal H. Esse modelo é caracterizado pela proximidade de sua representação à percepção humana de cores [10]. Um dos componentes desse modelo, o canal H, contém grande quantidade de informação das estruturas celulares de leucócitos [13][14]. Baseado nisso, esse canal foi utilizado neste algoritmo para que a segmentação alcançasse maior proximidade à segmentação manual. As Figuras 2(b) e 2(f) apresentam a separação do canal H após a conversão das Figuras 2(a) e 2(e) do modelo RGB para o modelo HSI, respectivamente. Diferentes modelos de cores foram utilizados para comparação de resultados utilizando as etapas de segmentação e pós-processamento, a serem descritas. Além do já citado HSI, os modelos CIE L*a*b, RGB e YIQ também foram adotados. CIE L*a*b: é um modelo tridimensional que possui um componente de luminosidade L e dois componentes de crominância, a e b. O componente a é representado por um eixo que se estende de verde a vermelho enquanto o b vai de azul a amarelo. Uma característica desse modelo é que ele representa o espectro visível pelo olho humano de maneira uniforme e é capaz de representar os conjuntos de cores independentemente da tecnologia gráfica utilizada [15]. HSI: esse modelo de cores é composto por três componentes: matiz H, saturação S e luminância I, sendo somente H e S relacionados a cor. Uma característica importante do modelo HSI é sua compatibilidade com o sistema de percepção visual humana. Além disso, a separação da saturação e da luminância é muito útil para processamento de imagens [8][15]. RGB: o espaço de cores RGB é representado por um sistema de coordenadas cartesianas tridimensional onde cada uma das coordenadas é composta pela intensidade de vermelho R, verde G e azul B de cada pixel. O processo de formação de cores desse modelo é aditivo, em que a adição de cada um de seus componentes formam novas cores, com isso, se a intensidade de cada uma dessas cores for máxima, o pixel será branco, caso contrário será preto. Este modelo não é muito utilizado em algoritmos de segmentação devido a mistura dos componentes de crominância e luminância, além disso, ele não é próximo do sistema visual humano de percepção de cores [15][16]. YIQ: o modelo YIQ é resultado de uma combinação linear dos componentes do RGB. Entretanto seus componentes são constituídos por luminância Y, matiz I e saturação Q. O canal I contém informação da matiz de laranja e ciano e Q de verde e magenta. Diferentemente do RGB seus componentes de crominância e luminância são separados, justificando seu uso em processamento de imagens [15][16]. Considerando que tons de verde alcançam representação 113

(a) (b) (c) (d) (e) (f) (g) (h) Figura 2. Exemplo dos resultados obtidos nas etapas de pré-processamento, segmentação e pós-processamento da imagem BloodImage 00362 do banco de imagens utilizado: (a) imagem original, (b) imagem resultante da separação do canal H após conversão da imagem original RGB para o modelo de cores HSI, (c) imagem resultante da aplicação da técnica de segmentação de Otsu, (d) imagem resultante da aplicação das técnicas de pós-processamento sobre a imagem segmentada. E resultados obtidos pela execução do método proposto sobre a imagem BloodImage 00249 contendo dois leucócitos: (e) imagem original, (f) imagem resultante da separação do canal H do modelo de cores HSI, (g) imagem resultante da técnica de segmentação de Otsu, (h) imagem resultante da aplicação das técnicas de pós-processamento sobre a imagem segmentada. significativa de áreas de citoplasma [9], a seleção de canais dos modelos de cores para posterior comparação de seus desempenhos baseou-se nessa característica. A escolha do canal G do modelo RGB deu-se pela representação de tons verdes por esse canal. O canal a do modelo de cor L*a*b é representado pelo eixo verde-vermelho, assim como o canal Q do modelo YIQ que representa o componente verde e magenta de imagens, levando a melhor distinção das áreas de citoplasma. C. Segmentação A segmentação é um processo importante para que os glóbulos brancos sejam facilmente localizados, separandoos do restante da imagem. Para isso, um método de segmentação automática amplamente conhecido foi utilizado, o algoritmo de Otsu [17]. A idéia básica desse método é automaticamente selecionar um valor de limiar que melhor separe os objetos de interesse em relação a outras informações da imagem a partir de cálculos sobre o histograma da imagem. Com isso, utilizando análises discriminantes, a técnica é capaz de determinar o limiar ótimo maximizando a variância entre as classes e minimizando a variância interna das mesmas. As Figuras 2(c) e 2(g) apresentam os resultados da aplicação do método de segmentação de Otsu sobre as Figuras 2(b) e 2(f), respectivamente. D. Pós-processamento Para que a segmentação automática alcançasse maior semelhança em relação a segmentação manual, algumas técnicas foram necessárias para ajustar as regiões identificadas na etapa anterior. Algumas dessas técnicas são parametrizadas pelo chamado elemento estruturante definido como uma matriz caracterizada por seu formato, ou seja, a distribuição dos elementos sobre a mesma, e seu tamanho. Inicialmente, a operação morfológica de abertura, configurada com elemento estruturante de formato disco e tamanho 20, foi utilizada possibilitando a separação e eliminação de regiões. A aplicação desse método resultou em imagens contendo pequena quantidade de informações irrelevantes e representação significativa de leucócitos. Em seguida, a eliminação de objetos com área menor que 5000 pixels foi utilizada para refinar ainda mais o resultado obtido anteriormente. Por fim, a operação morfológica de fechamento e o método de preenchimento de regiões foram utilizados para que pequenos espaços das regiões já identificadas pudessem ser preenchidos [18]. A configuração do elemento estruturante da operação de fechamento foi determinado com formato disco de tamanho 10. As configurações dos elementos estruturantes utilizados pelas operações morfológicas e o valor da área escolhido para a eliminação de objetos foram determinados por meio de testes empíricos baseandose no melhor resultado obtido com a aplicação de diferentes valores e formatos. As Figuras 2(d) e 2(h) apresentam os resultados da aplicação dos métodos utilizados na etapa de 114

pós-processamento. Imagemjoriginal Aplicaçãojdajdeconvoluçãoj Aplicaçãojdojfiltrojdejmédiaj ejajustejdejcontrastej Segmentaçãojpelajtécnicaj Neighborhood Valley-Emphasis Remoçãojdejregiõesjcomj áreajmenorjquej2000jpixels Aplicaçãojdasjoperaçõesjmorfológicasjj aberturajejfechamento E. Métodos de Avaliação Os resultados deste trabalho são apresentados a partir de métricas que utilizam os conceitos de Verdadeiro Positivo (VP), Falso Positivo (FP), Verdadeiro Negativo (VN) e Falso Negativo (FN), como ilustrado pela Figura 3. A FN VN Imagemjsegmentada Figura 3. Conceitos de VP, FP, VN e FN. A segmentação manual do objeto, considerada correta, é correspondente à região A e a segmentação automática a ser comparada com a manual é representada pela região B. Caso um pixel seja considerado pertencente ao objeto pelas duas segmentações, então ele é contabilizado como VP. De forma análoga, se ele for estimado como não pertencente ao objeto pelas duas segmentações, logo, ele é identificado como VN. Entretanto, se ele for considerado pertencente ao objeto pela segmentação manual e não for considerado pela segmentação automática, ele é FN. E caso contrário, ele é considerado FP. FP VP Para avaliar os resultados obtidos, o Coeficiente de Similaridade de Jaccard e a métrica Acurácia foram utilizados considerando esses conceitos. A primeira é dada pela Equação 1. Seu objetivo é medir a similaridade de dois conjuntos de dados dividindo a intersecção de suas regiões pela união das mesmas, conforme utilizado em outros trabalhos de processamento de imagens médicas [19]. M 1 = B V P V P + F P + F N A região de intersecção pode ser obtida pelo conjunto de pixels considerados VP, ou seja, que estão presentes nas segmentações automática e manual. Já a união é o resultado da soma das regiões segmentadas manualmente mas não reconhecidas pela segmentação automática (FN), as regiões reconhecidas pela segmentação automática e não reconhecidas pela marcação manual (FP) e a região de intersecção entre elas (VP). A segunda métrica é ilustrada pela Equação 2. Essa medida divide os pixels que obtiveram a mesma classificação nas duas segmentações (VP + VN), pelo número total de pixels da imagem (VP + VN + FP + FN). Com isso, seu resultado é capaz de quantificar a taxa de acerto da segmentação proposta em relação à segmentação manual [20]. M 2 = V P + V N V P + V N + F P + F N (1) (2) III. RESULTADOS E DISCUSSÃO As Figuras 4(b) e 4(c) apresentam a aplicação da máscara obtida pela segmentação automática sobre a imagem original e a mesma contendo sua região celular marcada por um especialista. O uso do canal H mostrou-se eficiente ao preservar as regiões de interesse e diminuir a influência de outras estruturas sobre as imagens. A aplicação do método de limiarização Otsu também foi eficaz ao utilizar informações de níveis de intensidade das imagens, desconsiderando a distribuição espacial, tamanho e formato dos leucócitos a serem identificados. Utilizando o algoritmo proposto, as métricas de Jaccard e Acurácia foram quantificadas com resultados de 87,49% e 98,91%, respectivamente. Também foram analisados diferentes modelos de cores para uma possível comparação de desempenho do sistema proposto. Vários modelos de cores já vêm sendo utilizados para a detecção de regiões celulares de leucócitos, tornando essas comparações relevantes. A Tabela I ilustra a aplicação das etapas de segmentação e pós-processamento sobre o canal H do modelo HSI, o canal G do RGB, o canal a do modelo L*a*b e o canal Q do modelo YIQ. Tabela I RESULTADOS COMPARATIVOS DAS APLICAÇÕES DA TÉCNICA DE OTSU E DA ETAPA DE PÓS-PROCESSAMENTO SOBRE DIFERENTES MODELOS DE CORES. Modelo de Cores Métrica Jaccard Métrica Acurácia H (HSI) 87,49% 98,91% G (RGB) 31,37% 82,64% a (L*a*b) 41,18% 87,70% Q (YIQ) 50,45% 95,74% A complexidade da detecção de leucócitos é a grande proximidade entre as intensidades de cor do citoplasma dessas estruturas e algumas outras informações das imagens, como seu fundo e glóbulos vermelhos do sangue representados. Pela comparação de resultados expressos pelas duas métricas utilizadas, é possível observar a superioridade da aplicação do canal H do modelo HSI, onde as regiões celulares são melhor representadas quando comparado a outros modelos de cores, como apresentado pela Figura 5. Além disso, a escolha dos canais dos modelos de cores na etapa de pré-processamento mostra-se importante ao permitir a preservação de maior quantidade de informação das regiões celulares, aprimorando ainda mais o processo de segmentação. A análise do histograma dos diferentes modelos de cores confirma a grande eficácia do método de Otsu, aplicado sobre histogramas bimodais. As Figuras 5(e), 5(f), 5(g) e 5(h) ilustram os histogramas dos canais a do modelo L*a*b, 115

(a) (b) (c) Figura 4. Comparação entre as segmentações automática e manual: (a) imagem original, (b) aplicação da máscara resultante da segmentação automática e (c) a respectiva imagem com marcação do especialista em sua área celular da região de interesse. (a) (b) (c) (d) (e) (f) (g) (h) Figura 5. Exemplo da separação de canais dos diferentes modelos de cores analisados da imagem BloodImage 00400 do banco de imagens utilizado e seus histogramas: (a) canal a do modelo L*a*b e (e) seu histograma, (b) canal H do modelo HSI e (f) seu histograma, (c) canal G do modelo RGB e (g) seu histograma, (d) canal Q do modelo YIQ e (h) seu histograma. H do modelo HSI, G do modelo RGB e Q do modelo YIQ, assim como os valores de limiar selecionados pela aplicação da técnica de Otsu, representados pelas linhas vermelhas. O valor de limiar selecionado utilizando o canal a do modelo L*a*b mostra-se ineficiente ao ser aplicado sobre o seu histograma de distribuição unimodal. Quando aplicado sobre o canal H do modelo HSI, o algoritmo apresentou separação de classes satisfatória. Como ilustrado, o histograma desse canal apresenta-se com distribuição bimodal, o que torna a aplicação do método de Otsu eficiente. O valor de limiar do canal G do modelo RGB levou a identificação de grande quantidade de regiões falso positivas devido a grande similaridade dos níveis de intensidade entre o citoplasma de leucócitos e células vermelhas do sangue. A determinação do limiar sobre o canal Q do modelo YIQ levou o valor de limiar próximo ao lado esquerdo do histograma devido a predominância de valores de intensidade em tons escuros. Porém o resultado da segmentação agrupou em uma mesma classe grandes áreas do citoplasma de leucócitos, células vermelhas do sangue e o fundo da imagem. A segunda classe obtida por esse método foi composta pela predominância de informações nucleares, tornando sua execução insatisfatória para o propósito deste trabalho. IV. CONCLUSÃO A identificação de leucócitos em imagens de esfregaço de sangue representa uma importante tarefa ao possibilitar a determinação de possíveis doenças, infecções e inflamações. Além disso, essa identificação permite a classificação dessas células entre seus subtipos tornando a análise dessas imagens ainda mais precisa. Porém, essa prática realizada por especialistas pode se tornar tediosa, dispendiosa e subjetiva. Assim, técnicas de processamento digital de imagens mostram-se eficazes no auxílio a patologistas para execução dessa prática de forma objetiva. 116

Este trabalho demonstrou um método não supervisionado para segmentação de regiões celulares de leucócitos. A utilização do canal H do modelo de cores HSI é capaz de representar de forma significativa essas regiões de interesse, além de outros componentes do sangue, mesmo com variações de contraste e iluminação presentes nas imagens. A aplicação da técnica de limiarização de Otsu também mostrou-se eficaz ao determinar valores de limiar baseados nas distribuições dos níveis de intensidade nos histogramas desconsiderando disposição espacial, forma e tamanho dos leucócitos. Os resultados experimentais mostram que o método proposto é eficaz em sua tarefa alcançando resultados de 87,49% e 98,91% de acordo com as métricas de Jaccard e Acurácia, respectivamente. Diferentes modelos de cores obtiveram desempenhos inferiores utilizando as etapas de segmentação e pós-processamento do algoritmo proposto, reafirmando a eficácia do mesmo. V. ACKNOWLEDGMENTS T.A.A.T. e A.F.A. agradecem à CAPES; D.S.V. agradece ao CNPq e B.A.N.T. agradece à FAPEMIG (Rede RED- 00011-14 and APQ-01345-13) pelo apoio financeiro. REFERÊNCIAS [1] A. Sanpanich, W. Iampa, C. Pintavirooj and P. Tosranon, 2008. White Blood Cell Segmentation by Distance Mapping Active Contour, International Symposium on Communications and Information Technologies, 2008. ISCIT 2008. IEEE, 251 255. [2] Cancer Research UK, 2014. Leukaemia (All Subtypes Combined), Cancer Research UK. [3] J. Theerapattanakul, J. Plodpai and C. Pintavirooj, 2004. An Efficient Method for Segmentation Step of Automated White Blood Cell Classifications, TENCON 2004. 2004 IEEE Region 10 Conference. IEEE, 191 194. [4] H. T. Madhloom, S. A. Kareem, H. Ariffin, A. A. Zaidan, H. O. Alanazi and B. B. Zaidan, 2010. An Automated White Blood Cell Nucleus Localization and Segmentation Using Image Arithmetic and Automatic Threshold, J. Applied Sci; 10: 959 966. [5] R. Adollah, M. Y. Mashor, N. F. Mohd Nasir, H. Rosline, H. Mahsin and H. Adilah, 2008. Blood Cell Image Segmentation: A Review, 4th Kuala Lumpur International Conference on Biomedical Engineering 2008. Springer, 141 144. [6] H. Ramoser, V. Laurain, H. Bischof and R. Ecker, 2006. Leukocyte Segmentation and Classification in Blood-smear Images, 27th Annual International Conference of the Engineering in Medicine and Biology Society, 2005. IEEE-EMBS 2005. IEEE, 3371 3374. [7] F. Sadeghian, Z. Seman, A. R. Ramli, B. H. A. Kahar and M. Saripan, 2009. A Framework for White Blood Cell Segmentation in Microscopic Blood Images Using Digital Image Processing, Biological procedures online. BioMed Central Ltd, 11: 196 206. [8] J. Duan and L. Yu, 2011. A WBC Segmentation Method Based on HSI Color Space, 4th IEEE International Conference on Broadband Network and Multimedia Technology (IC-BNMT). IEEE, 629 632. [9] F. I. Sholeh, 2013. White Blood Cell Segmentation for Fresh Blood Smear Images, International Conference on Advanced Computer Science and Information Systems (ICACSIS). IEEE, 425 429. [10] N. M. Salem, 2014. Segmentation of White Blood Cells from Microscopic Images using K-means Clustering, 31st National Radio Science Conference (NRSC). IEEE, 371 376. [11] M. Mohamed, B. Far and A. Guaily, 2012. An Efficient Technique for White Blood Cells Nuclei Automatic Segmentation, IEEE International Conference on Systems, Man, and Cybernetics (SMC). IEEE, 220 225. [12] Source code and blood image dataset, Mathworks File Exchange website, [Online]. Available: http://www.mathworks.com/matlabcentral/fileexchange/36634. [13] A. S. A. Nasir, M. Y. Mashor and H. Rosline, 2011. Unsupervised Colour Segmentation of White Blood Cell for Acute Leukaemia Images, IEEE International Conference on Imaging Systems and Techniques (IST). IEEE, 142 145. [14] J. Wu, P. Zeng, Y. Zhou and C. Olivier, 2006. A Novel Color Image Segmentation Method and Its Application to White Blood Cell Image Analysis, 8th International Conference on Signal Processing. IEEE, 2. [15] M. K. Pakhira, 2011. Digital Image Processing and Pattern Recognition, Asoke K. Ghosh, PHI Learning Private Limited, 2011, New Delhi, 1st edition. [16] P. Ganesan and V. Rajini, 2014 YIQ Color Space based Satellite Image Segmentation using Modified FCM Clustering and Histogram Equalization, IEEE International Conference on Advances in Electrical Engineering (ICAEE). IEEE, 1 5. [17] Otsu. Nobuyuki, 1979. A Threshold Selection Method from Gray-Level Histograms, IEEE Transactions on Systems, Man, and Cybernetics 9 (1), 62 66. [18] H. Pedrini and W. R. Schwartz, 2008. Análise de Imagens Digitais, chapter Realce de Imagens, Thomson Learning. [19] A. R. Domínguez and A. K. Nandi, 2007. Improved Dynamic- Programming-Based Algorithms for Segmentation of Masses in Mammograms, Medical Physics. 34, 4256. [20] S. Ghosea, A. Olivera, R. Martía, X. Lladóa, J. C. Vilanovac, J. Freixeneta, J. Mitraa, D. Sidibéb and F. Meriaudeaub, 2012. A Survey of Prostate Segmentation Methodologies in Ultrasound, Magnetic Resonance and Computed Tomography Images, Computer Methods and Programs in Biomedicine. Elsevier, 108: 262 287. 117