Neste trabalho apresentamos um método que faz uso de uma rede neural e informação geométrica para a detecção automática do contorno do ventrículo esquerdo (VE) em imagens de medicina nuclear. Embora o método tenha sido desenvolvido para detecção de contornos de VE, ele pode ser estendido a outras classes de estruturas e imagens. O aprendizado é feito alimentando-se o sistema com uma série de imagens e seus correspondentes contornos de VE traçados por um operador. O sistema extrai tanto informações geométricas como informações de vizinhança, que são utitilizadas para treinar a rede neural. Uma vez treinada, a rede é capaz de automaticamente detectar o contorno do VE. São apresentados detalhes da operação e performance da rede neural, cujo desempenho é avaliado através de duas medidas de erro. Um importante detalhe do método é a detecção automática do centro do VE, cuja exatidão tem uma grande influência na minimização dos erros. Ao lado de apresentar erros que são compatíveis com os erros de outros métodos automáticos, o método presente tem a clara vantagem de armazenar informações geométricas e de intensidade de pixel que são aprendidas através de exemplos.

In this paper we present a method that makes use of an artificial neural network for the automatic detection of left ventricle (LV) contours in nuclear medicine images. The images were obtained from 60 male patients using a Gamma Camera. Although the method has been developed for LV contour detection, it can be extended to other classes of structures and images. Learning is carried out by feeding the system with a series of images and their corresponding LV contours drawn by an operator. The system extracts both pixel value and geometrical information that is used for training the neural network. Once trained the network is able to automatically detect LV contours. In this paper we present details of the neural network operation and performance, which is evaluated through the use of two error measurement criteria. One important feature of the method is the automatic detection of the LV center, which plays an important role in minimizing the error values. Apart from presenting errors that are compatible with several other automatic detection techniques, the present method has the clear advantage of being able to store geometrical and pixel intensity information that is learned from examples.