Funcionalidades de Interpolação no Software ContExt para Processamento de Mamografias
DOI:
https://doi.org/10.5433/1679-0375.2025.v46.53582Palavras-chave:
processamento de imagens médicas, extração de contornos, métodos de interpolação, eficiência computacionalResumo
Este trabalho propõe a expansão das funcionalidades do software ContExt, voltado à extração de contornos e geração de malhas para simulações numéricas em imagens médicas. A novidade é a incorporação de métodos de interpolação para ampliação de contornos após redução da resolução da imagem, permitindo maior eficiência computacional. Foram avaliados os métodos bilinear, bicúbico, biquadrático e spline cúbica, além de técnicas de refinamento como remoção de nós e o algoritmo Ramer-Douglas-Peucker. A redução da imagem para 1/2 da resolução original resultou em uma queda significativa no tempo de processamento (mais de 95%), com manutenção satisfatória da qualidade dos contornos. Já a resolução 1/4 comprometeu a fidelidade das estruturas extraídas. O método bilinear obteve a maior taxa de sobreposição, enquanto a spline cúbica foi mais precisa. Os testes demonstram que as novas funcionalidades integradas ao ContExt tornam o software mais versátil e eficiente para o tratamento de imagens de alta resolução, com potencial de aplicação em diferentes contextos clínicos e computacionais
Downloads
Referências
Azevedo, R. L., Gerótica, R. M. G., & Sanches, T. P. (2016). A importância da mamografia no diagnóstico precoce do câncer de mama. UNILUS Ensino e Pesquisa, 13(30). http://revista.lusiada.br/index.php/ruep/article/view/598
Canayaz, M. (2021). MH-COVIDNet: Diagnosis of COVID-19 using deep neural networks and metaheuristic-based feature selection on X-ray images. Biomedical Signal Processing and Control, 64, 102257. https://doi.org/10.1016/j.bspc.2020.102257 DOI: https://doi.org/10.1016/j.bspc.2020.102257
Casamaximo, R. F., Romeiro, N. M. L., da Silva, P. Z., Souza, I. P., Silva, J. T., Natti, P. L., & Cirilo, E. R. (2021). Algorithm for extracting points from images: irregular contours. XLII Ibero-Latin American Congress on Computational Methods in Engineering, 3(03), 1–7. https://www.researchgate.net/publication/354930765_Algorithm_for_extracting_points_from_images_irregular_contours
Chai, X., Chen, J., Mao, Z., & Zhu, Q. (2023). An Upscaling–Downscaling Optimal Seamline Detection Algorithm for Very Large Remote Sensing Image Mosaicking. Remote Sensing, 15, 89. https://doi.org/10.3390/rs15010089 DOI: https://doi.org/10.3390/rs15010089
Cirilo, E. R., Figliaggi, R. M., & Natti, P. L. (2023). Quality Parameter for Edge Representation of Images via Cubic Spline. Semina: Ciências Exatas e Tecnológicas, 44, e47720. https://doi.org/10.5433/1679-0375.2023.v44.47720 DOI: https://doi.org/10.5433/1679-0375.2023.v44.47720
ContExt. (2024). Software for contour extraction and mesh generation for numerical analysis. https://github.com/RafaelCasamaximo/ContExt
Dumic, E., Grgic, S., & Grgic, M. (2007). The Use of Wavelets in Image Interpolation: Possibilities and Limitations. Radioengineering, 16(4).
Fadnavis, S. (2014). Image Interpolation Techniques in Digital Image Processing: An Overview. International Journal of Engineering Research and Applications (IJERA), 4(10), 70–73. https://ijera.com/papers/Vol4_issue10/Part%20-%201/K41007073.pdf
Feng, Y., Spezia, M., Huang, S., Yuan, C., Zeng, Z., Zhang, L., Ji, X., Liu, W., Huang, B., Luo, W., Liu, B., Lei, Y., Du, S., Vuppalapati, A., Luu, H. H., Haydon, R. C., He, T.-C., & Ren, G. (2018). Breast cancer development and progression: Risk factors, cancer stem cells, signaling pathways, genomics, and molecular pathogenesis. Genes & Diseases, 5(2), 77–106. https://doi.org/10.1016/j.gendis.2018.05.001 DOI: https://doi.org/10.1016/j.gendis.2018.05.001
Instituto Nacional de Câncer José Alencar Gomes da Silva. (2004). Controle do câncer de mama - Documento de consenso. Revista Brasileira de Cancerologia, 50(2), 77–90. https://doi.org/10.32635/2176-9745.RBC.2004v50n2.2039 DOI: https://doi.org/10.32635/2176-9745.RBC.2004v50n2.2039
Jales, R. M. (2022). Incidência mamográfica em clivagem em caso de câncer de mama bilateral [Dr.Pixel]. http://drpixel.fcm.unicamp.br/conteudo/incidencia-mamografica-em-clivagem-em-caso-de-cancer-de-mama-bilateral
Jarosch, A., Anslow, F., & Clarke, G. (2010). High-resolution precipitation and temperature downscaling for glacier models. Climate Dynamics, 38, 391–409. https://doi.org/10.1007/s00382-010-0949-1 DOI: https://doi.org/10.1007/s00382-010-0949-1
Jasti, V. D. P., Zamani, A. S., Arumugam, K., Naved, M., Pallathadka, H., Sammy, F., Raghuvanshi, A., & Kaliyaperumal, K. (2022). Computational technique based on machine learning and image processing for medical image analysis of breast cancer diagnosis. Security and Communication Networks, 2022(1), 1918379. https://doi.org/10.1155/2022/1918379 DOI: https://doi.org/10.1155/2022/1918379
Kösters, J., & Gøtzsche, P. (2003). Regular self-examination or clinical examination for early detection of breast cancer. Cochrane Database of Systematic Reviews, (2), CD003373. https://pubmed.ncbi.nlm.nih.gov/12804462/ DOI: https://doi.org/10.1002/14651858.CD003373
Kshatri, S. S., & Singh, D. (2023). Convolutional Neural Network in Medical Image Analysis: A Review. Archives of Computational Methods in Engineering, 30, 2793–2810. https://doi.org/10.1007/s11831-023-09898-w DOI: https://doi.org/10.1007/s11831-023-09898-w
Liu, S., Liu, X., Wang, S., & Khan, M. (2021). Fuzzy-aided solution for out-of-view challenge in visual tracking under IoT-assisted complex environment. Neural Computing and Applications, 33(4), 1055–1065. https://doi.org/10.1007/s00521-020-05021-3 DOI: https://doi.org/10.1007/s00521-020-05021-3
McKinney, W. (2011). pandas: a foundational Python library for data analysis and statistics. In Python for High Performance and Scientific Computing (Vol. 14, pp. 1–9). https://www.researchgate.net/publication/265194455_pandas_a_Foundational_Python_Library_for_Data_Analysis_and_Statistics
Nyström, L., Andersson, I., Bjurstam, N., Frisell, J., Nordenskjöld, B., & Rutqvist, L. E. (2002). Long-term effects of mammography screening: updated overview of the Swedish randomised trials. The Lancet, 359(9310), 909–919. https://doi.org/10.1016/S0140-6736(02)08020-0 DOI: https://doi.org/10.1016/S0140-6736(02)08020-0
Patel, V., Mistree, K., & Gopalbhai, C. (2013). A Review on Different Image Interpolation Techniques for Image Enhancement. International Journal of Emerging Technology and Advanced Engineering, 3(12), 129–133. https://iranarze.ir/wp-content/uploads/2017/10/7964-English-IranArze.pdf
Python Software Foundation. (2021). Python releases for Windows, version 24. https://www.python.org/downloads/windows/
Ramer, U. (1972). An iterative procedure for the polygonal approximation of plane curves. Computer Graphics and Image Processing, 1, 244–256. https://doi.org/10.1016/S0146-664X(72)80017-0 DOI: https://doi.org/10.1016/S0146-664X(72)80017-0
Romeiro, N. M. L., Panis, C., dos Santos, M. C. T., Rech, D., Natti, P. L., & Cirilo, E. R. (2022). Covariate clustering: women with breast cancer in southwestern Paraná, Brazil. Revista de Senología y Patología Mamaria, 35(3), 175–183. https://doi.org/10.1016/j.senol.2021.12.005 DOI: https://doi.org/10.1016/j.senol.2021.12.005
Scholl, I., Aach, T., Deserno, T. M., & Kuhlen, T. (2011). Challenges of medical image processing. Computing Science - Research and Development, 26, 5–13. https://doi.org/10.1007/s00450-010-0146-9 DOI: https://doi.org/10.1007/s00450-010-0146-9
Schulz-Wendtland, R., Fuchsjäger, M., Wacker, T., & Hermann, K.-P. (2009). Digital mammography: an update. European Journal of Radiology, 72(2), 258–265. https://doi.org/10.1016/j.ejrad.2009.05.052 DOI: https://doi.org/10.1016/j.ejrad.2009.05.052
Shannon, C. E. (1949). Communication in the presence of noise. Proceedings of the IRE, 37(1), 10–21. https://doi.org/10.1109/JRPROC.1949.232969 DOI: https://doi.org/10.1109/JRPROC.1949.232969
Sickles, E. A. (2007). The spectrum of breast asymmetries: imaging features, work-up, management. Radiologic Clinics of North America, 45(5), 765–771. https://doi.org/10.1016/j.rcl.2007.06.002 DOI: https://doi.org/10.1016/j.rcl.2007.06.002
Siegel, R. L., Miller, K. D., & Jemal, A. (2018). Cancer statistics, 2018. CA: A Cancer Journal for Clinicians, 68(1), 7–30. https://doi.org/10.3322/caac.21442 DOI: https://doi.org/10.3322/caac.21442
Silva, P. Z., Casamaximo, R. F., Romeiro, N. M. L., Izidoro, G. P., Tokairin, R. P., & Natti, P. L. (2025). Integrating breast cancer laboratory imaging with numerical analysis: ContExt software for contour extraction and mesh generation. Computers in Biology and Medicine, 196, 110591. https://doi.org/10.1016/j.compbiomed.2025.110591 DOI: https://doi.org/10.1016/j.compbiomed.2025.110591
Smith, D. (2020). Biquadratic interpolation. National Oceanic and Atmospheric Administration. https://repository.library.noaa.gov/view/noaa/26464
Suman, S., Hussin, F. A., Malik, A. S., Walter, N., Lee Goh, K., Hilmi, I., & Ho, S. H. (2014). Image Enhancement Using Geometric Mean Filter and Gamma Correction for WCE Images. In C. K. Loo et al. (Eds.), Neural Information Processing. ICONIP 2014, Springer. https://doi.org/10.1007/978-3-319-12643-2_34 DOI: https://doi.org/10.1007/978-3-319-12643-2_34
Sun, W., & Chen, Z. (2020). Learned image downscaling for upscaling using content adaptive resampler. IEEE Transactions on Image Processing, 29, 4027–4040. https://doi.org/10.1109/TIP.2020.2970248 DOI: https://doi.org/10.1109/TIP.2020.2970248
Thévenaz, P., Blu, T., & Unser, M. (2000). Image interpolation and resampling. In I. N. Bankman (Ed.), Handbook of Medical Imaging: Processing and Analysis (Vol. 1, pp. 393–420). Academic Press. https://doi.org/10.1016/B978-0-12-373904-9.X0001-4 DOI: https://doi.org/10.1016/B978-012077790-7/50030-8
Thornton, H. (2001). Screening for breast cancer with mammography. The Lancet, 358(9299), 2167–2168. https://doi.org/10.1016/S0140-6736(01)07193-8 DOI: https://doi.org/10.1016/S0140-6736(01)07198-7
Yang, W., Zhang, S., Chen, Y., Li, W., & Chen, Y. (2009). Shape symmetry analysis of breast tumors on ultrasound images. Computers in Biology and Medicine, 39, 231–238. https://doi.org/10.1016/j.compbiomed.2008.12.007 DOI: https://doi.org/10.1016/j.compbiomed.2008.12.007
Yu, W., Zhu, Q., Zheng, N., Huang, J., Zhou, M., & Zhao, F. (2023). Learning Non-Uniform-Sampling for Ultra-High-Definition Image Enhancement. MM ’23: Proceedings of the 31st ACM International Conference on Multimedia, 1412–1421. https://doi.org/10.1145/3581783.3611836 DOI: https://doi.org/10.1145/3581783.3611836
Zare, M. R., Seng, W. C., & Mueen, A. (2013). Automatic classification of medical X-ray images. Malaysian Journal of Computer Science, 26(1), 9–22. https://doi.org/10.22452/mjcs.vol26no1.2 DOI: https://doi.org/10.22452/mjcs.vol26no1.2
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Rafael Tokairin, Rafael Furlanetto Casamaximo, Neyva Maria Lopes Romeiro, Pedro Zaffalon da Silva, Eliandro Rodrigues Cirilo
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
Os Direitos Autorais para artigos publicados nesta revista são de direito do autor. Em virtude de aparecerem nesta revista de acesso público, os artigos são de uso gratuito, com atribuições próprias, em aplicações educacionais e não-comerciais. A revista se reserva o direito de efetuar, nos originais, alterações de ordem normativa, ortográfica e gramatical, com vistas a manter o padrão culto da língua e a credibilidade do veículo. Respeitará, no entanto, o estilo de escrever dos autores. Alterações, correções ou sugestões de ordem conceitual serão encaminhadas aos autores, quando necessário. Nesses casos, os artigos, depois de adequados, deverão ser submetidos a nova apreciação. As opiniões emitidas pelos autores dos artigos são de sua exclusiva responsabilidade.
Esta obra está licenciada com uma Licença Creative Commons Atribuição-NãoComercial 4.0 Internacional.
