Orientador: Letícia RittnerDissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de ComputaçãoResumo: A tomografia computadorizada (CT) é um tipo de imagem muito utilizada quando se trata do diagnóstico e do acompanhamento de doenças que afetam o sistema respiratório. Uma dificuldade, porém, é a grande quantidade de fatias que o exame gera por paciente, sendo que cada uma precisa ser analisada pelo médico radiologista. Para facilitar a análise desse tipo de imagem, sistemas de diagnóstico assistido por computador (CAD) que procuram detectar anormalidades nas imagens de forma automática estão sendo desenvolvidos com o propósito de auxiliar o especialista a tomar decisões sobre uma doença. Este trabalho propõe dois novos métodos de segmentação em imagens de CT: um para os pulmões e outro para as suas lesões. A proposta para a segmentação dos pulmões utiliza filtros morfológicos e a max-tree: uma estrutura de dados que representa os componentes conexos de uma imagem. Os resultados mostram que o método apresentou boa performance quando comparado com a segmentação manual e que não exclui lesões localizadas nas bordas na maioria das imagens testadas, o que é um desafio quando se trata de lesões pequenas e desconexas localizadas nessa região. O método para a segmentação dos pulmões obteve um Dice médio de 98% quando testado em 630 fatias (14 sujeitos). Já o método de segmentação das lesões utiliza a imagem dos pulmões segmentados como base para calcular atributos de intensidade, textura e transformada de distância para treinar um classificador que distingue tecido normal de tecido anormal (que apresenta lesões). Os classificadores testados foram Random Forest e SVM. Este método também apresentou bons resultados ao mostrar ser pouco sensível à escolha dos parâmetros e obtendo um Dice médio de 62% para as fatias com área maior de lesões sendo 5 sujeitos usados para treinamento e um para testeAbstract: The computerized tomography (CT) images are frequently used during the diagnostics and the follow up of pathologies that impact the respiratory system. One challenge, however, is the amount of slices that are part of the CT images and that are captured per subject, as each one needs to be analyzed by a radiologist. To facilitate the analysis on these images, computer-aided diagnosis systems (CAD) that aim to detect abnormalities automatically are being developed with the purpose of aiding the specialists to make decisions about a disease. The purpose of this work is to present two new segmentation methods in CT images: one for the lungs and another one for their lesions. The lung segmentation method uses morphological filters and the max-tree - a data structure that represents an image through its connected components. Results show that the method presented a good performance when compared to the manual segmentation and it was able to not exclude lesions located in the borders in most of the images, which is a challenge when the lesions are small and disconnected located in this region. The lung segmentation method obtained an average Dice of 98% for 630 slices (14 subjects). The lesion segmentation method uses the image with the segmented lungs as base to calculate the attributes of intensity, texture and distance transform to train a classifier that distinguishes between normal tissue and abnormal tissue (which contains lesions). The classifiers tested in this project were Random Forest and SVM. This method also presented good results as it turned out not being very sensible to parameters' choice and it obtained an average Dice of 62% for the slices with severe pathologies where the slices of 5 subjects were used for training and 1 for testingMestradoEngenharia de ComputaçãoMestra em Engenharia Elétrica