Exames de imagem tridimensionais produzem conjuntos de dados volumétricos onde a cada coordenada espacial está associado um valor escalar, que pode representar densidade, permeabilidade à radiação utilizada no exame, ou outra grandeza, a depender do tipo de exame. Para transformar esses dados em informação visual, a cada coordenada deverá ser atribuído um valor de cor e opacidade, de acordo com a relevância do ponto para o objetivo do exame. A determinação da cor e da opacidade a partir dos valores de densidade é feita através das chamadas funções de transferência. Essas são na maioria das vezes predeterminadas, de acordo com os valores esperados para cada tipo de tecido biológico em cada tipo de exame. Funções de transferência predeterminadas podem levar à desconsideração de padrões inesperados no volume e requerem muitas vezes ajustes manuais por parte do especialista que analisa a imagem. Foram propostos métodos para a determinação automática de funções de transferência, usando funções unidimensionais (que consideram apenas o valor escalar de um ponto para determinar sua cor e opacidade). No entanto, no caso de exames de pulmão em pacientes com COVID-19, funções unidimensionais podem não ser suficientes para segmentar o volume completamente. Neste trabalho, propõe-se o uso de funções bidimensionais (que se baseiam não só no isovalor do ponto, mas também na sua derivada na direção do gradiente) para segmentar imagens dessa natureza, e discute-se a implementação de um algoritmo de segmentação automática que produza tal função de transferência.