Sistemas de diagnóstico auxiliado por computador (do Inglês computer-aided diagnosis/ detection - CAD), recuperação de imagens baseada em conteúdo (do Inglês content-based image retrieval - CBIR) e radiômica (do Inglês radiomics) vêm sendo desenvolvidos com o objetivo de melhorar a acurácia diagnóstica, a consistência na interpretação de imagens médicas, a avaliação prognóstica do paciente e o suporte à decisão terapêutica. Estas ferramentas possuem grande potencial em reconhecer objetiva e precisamente padrões em imagens, porém ainda possuem diversas limitações. Este trabalho tentou diminuir as limitações de característica, referente à representação numérica ineficiente das imagens, e de desempenho, referente à qualidade baixa de integração sistemática, que estas ferramentas podem possuir. Alguns conjuntos de imagens de tomografia computadorizada de neoplasias pulmonares foram utilizados no desenvolvimento desta pesquisa retrospectiva. Modelos semiautomáticos de reconhecimento de padrões, utilizando segmentação por crescimento de região volumétrica, extração de atributos calibrados de imagens, classificação e recuperação por conteúdo, avaliação prognóstica e rede neural convolucional, foram desenvolvidos para compor um arcabouço de análise quantitativa de imagens médicas. Os modelos de CAD, CBIR e radiômica mostraram potencial de integração com sistemas de informação em radiologia e hospitalar para a rotina clínica. Este trabalho também desenvolveu e identificou diferentes variáveis quantitativas para a avaliação diagnóstica e prognóstica de diferentes doenças. O arcabouço pode proporcionar diversos biomarcadores computacionais de imagens e mais informações importantes para os especialistas, potencialmente auxiliando as tomadas de decisões radiológicas. Por fim, esta tese contribuiu para a identificação de uma assinatura radiômica de avaliação diagnóstica e prognóstica do câncer de pulmão para a estratificação de risco do paciente.

Systems of computer-aided diagnosis (CAD), content-based image retrieval (CBIR), and radiomics have been developed to increase diagnostic accuracy, medical image interpretation consistency, patient prognostic assessment, and therapy decision support. Those tools have great potential to recognize objectively and precisely patterns in images, despite still having several limitations. This work aimed to decrease the feature gap, which refers to inefficient numeric representation of images, and the performance gap, which refers to low quality of systems integration, that those tools may have. Some datasets of computed tomography images of lung neoplasms were used during the development of this retrospective study. Semiautomatic models of pattern recognition, using volumetric region growing segmentation, fine-tuned image feature extraction, content-based retrieval and classification, prognosis evaluation, and convolutional neural network, were developed to build a medical image analysis framework. CAD, CBIR, and radiomics models disclosed potential to integrate with radiology and hospital information systems in clinical routine. This work also developed and identified different quantitative variables for diagnostic and prognostic assessment of different pathologies. The framework may provide several computational image biomarkers and more important information to specialists, potentially supporting imaging decision making. Finally, this thesis contributed to the identification of a radiomics signature to assess lung cancer diagnosis and prognosis for patient risk stratification.