A análise morfométrica de fibras mielínicas é conhecida por produzir informação rele- vante para a avaliação de diversos fenômenos. Esta análise pode ser realizada manualmente ou por meio do uso de sistemas de análise de imagens. Contudo, processos manuais são trabalhosos, tediosos e demorados, e sistemas semiautomáticos não são viáveis para populações muito grandes de fibras. Neste trabalho desenvolvemos um ambiente computacional para segmentação, extração e análise de características morfométricas de fibras mielínicas de maneira automatizada. Os nervos utilizados neste trabalho foram o nervo vestibulococlear,recorrente laríngeo, sural, vago e frênico. Para segmentação foram desenvolvidos dois métodos distintos, testados para cada um dos nervos utilizados. O primeiro se baseia numa análise a nível estruturante da imagem, relacionando-se principalmente com características como forma e tamanho das fibras. O segundo se baseia na análise de cor da imagem, onde é realizado um agrupamento dos pixels de acordo um conjunto de características que representam cores. Adicional- mente, foram desenvolvidas diversas rotinas no ambiente computacional que permitem a realização automatizada da morfometria de fibras mielínicas, que auxiliam na análise morfométrica por meio da geração de histogramas de um conjunto de métricas que permitem a comparação entre diferentes histogramas. Em busca de verificar e validar as métricas utilizadas foi realizado um estudo comparativo entre populações de fibras extraídas de ratos com diabetes, controle e tratados com insulina, onde foi possível identificar as principais alterações morfométricas ocasionadas pela diabetes e pela atuação da insulina reduzindo parte dessas discrepâncias. O ambiente computacional desenvol- vido obteve, em comparação à morfometria efetuada manualmente por especialistas, uma similaridade de área de 90,8% e sensitividade de 93.1%, demonstrando grande potencial em aplicações experimentais e clínicas, permitindo a otimização dos processos relacionados à análise morfométrica de fibras mielínicas.

The morphometric analysis of myelinated fibers is known to produce relevant informa- tion for the evaluation of several phenomena. This analysis can be achieved manually or using computer-based image analysis systems. However, systems which are manual are extremely laborious, highly tedious and time-consuming, and semi-automatic meth- ods are suitable for large population of fibers. On this study we develop a computing environment for the segmentation and extraction of morphometric features to allow the automated morphometric analysis of myelinated fibers. The nerves used are the vestibulocochlear, laryngeal recurrent, sural, vagus and frenic. We segment myelinated fibers through two different methods. The first method is based on the analysis of the image in structural level mainly detecting features like shape and size. The second method is based on the color analysis of the image, which is done by means of the clustering of the image pixels according to features that represent their color. Addionally, we added several routines into our computing environment to assit in the morphometric analysis by producing histograms for the extracted morphometric features and a set of features that allow the comparison between different histograms. Looking forward to verify and validate the used features we have done an comparative study between fibers extracted from a set of rats with diabetes, a control set, and a set of rats treated with insulin, where we were capable to identify the main morphometric differences cause by the diabetes and how much the insulin would act in reducing these differences. The computational environment developed presents, in comparison to the manual morfome- try of specialists, an area similarity of 90.8% and a sensitivity of 93.1% showing a great potential for experimental and clinical applications, improving the process related to morphometric analysis of myelinated fibers.