Este trabalho-propõe uma técnica para a classificação de elementos de imagens 3D baseado em vetor de atributos. O objetivo deste trabalho é apresentar uma técnica rápida para a classificação de voxels e que permita utilizar as múltiplas imagens disponíveis sobre os objetos de uma forma eficiente. O trabalho é baseado na classificação dos voxels quanto à associação - no sentido fuzzy - dos mesmos a cada objeto identificado, o qual é caracterizado estatisticamente pelo aglomerado (cluster) dos vetores de atributos. A função de associação é calculada pela verossimilhança do vetor de atributos do voxel em relação ao cluster. São apresentadas algumas texturas para a classificação do ventrículo esquerdo em imagens 3D dinâmicas de Ressonância Magnética, em especial, a da posição do objeto e a da variabilidade diIiâmica. Os resultados apresentam, em casos complexos, os problemas típicos da segmentação baseada em atributos, quais sejam, falsos positivos isolados, e falhas em alguns voxels, uma vez que esta técnica usa apenas informações locais. No entanto, a classificação pode ser significativamente melhorada através do refinamento pós-processamento, ou incluindo-se informações a priori sobre o objeto tais como contexto e conectividade.

This work presents a technique for classifying elements in 3D medicai images based on fuzzy clustering of feature vectors. This approach is fast and allows efficient use of all available (multiple) images of an object. Each object is statistically characterized by an estimated cluster derived from a sample of the object. The membership function is calculated using the likelihood of the feature vector in relation to the object cluster. Some additional textures are presented for the classification of cardiac left ventricle in gated 3D MRI images, one conveying approximated object position information and the other representing dynamic variability of each voxel. The results present, for complex cases, the typical problems of segmentation based on features, such as false positives and false negatives since this technique uses only local information. However the classification can be significantly improved via post processing refinement, or including more a priori information about the object such as context, morphology and connectivity.