| Summary: | Submitted by Isaac Francisco de Souza Dias (isaac.souzadias@ufpe.br) on 2016-03-30T16:36:17Z
No. of bitstreams: 2
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
Fernandes Isabella Maria Moura.pdf: 2317287 bytes, checksum: 5d0df4d2cf6c431c7797377c318fd44a (MD5) === Made available in DSpace on 2016-03-30T16:36:17Z (GMT). No. of bitstreams: 2
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
Fernandes Isabella Maria Moura.pdf: 2317287 bytes, checksum: 5d0df4d2cf6c431c7797377c318fd44a (MD5)
Previous issue date: 2015-02-25 === O câncer de mama é uma preocupação mundial, pois é o segundo mais frequente no mundo e o mais comum entre as mulheres. Até o momento, o único método para rastreamento de cân-cer de mama provado ser efetivo é a mamografia, sendo o exame padrão ouro para tal finali-dade. No entanto, este exame é de difícil leitura e interpretação, principalmente pelo baixo contraste da imagem gerada, inclusive devido à semelhança da densidade radiológica entre o tecido mamário normal e o patológico, principalmente para mamas densas. Estudamos neste trabalho diversos sistemas de apoio ao diagnóstico médico, estruturados a partir da classifica-ção de imagens de mamografia através da descrição da região de interesse da imagem em re-lação às suas características de forma e de textura e da utilização de classificadores baseados em redes neurais artificiais de treinamento supervisionado. Os sistemas CAD estudados foram aplicados à base de dados IRMA e verificamos que ao organizarmos e separarmos previamen-te a base de dados utilizada em relação à característica tecidual da mama e sua densidade ob-temos melhores resultados do que quando a consideramos de forma completa. Verificamos também que maior quantidade de características utilizadas para descrever a imagem possibili-ta melhores resultados no desempenho das redes neurais utilizadas para classificação. Obti-vemos uma taxa de classificação correta de 94% para mamas pouco densas e de 89% para mamas extremamente densas, sendo esta ultima de maior dificuldade de classificação devido intrinsecamente às características do exame de mamografia e, mais especificamente, ao baixo contraste entre tecido patológico e tecido normal. === Breast cancer is a global concern and it is the second most common in the world and the most common among women. So far the only breast cancer screening method that has proved to be effective is mammography screening, being the gold standard for this purpose. However, this exam is difficult to read and to interpret, especially because the low contrast image generated due to the radiographic density similarity between normal breast tissue and the pathological tissue, especially for dense breasts. In this work we study different computer-aided diagnosis systems (CAD) applied to medical support, based on mammography image classification through the description of texture and shape feature of the image’s region of interest. We used classifiers based on artificial neural network with supervised training. The CAD systems stud-ied were applied to the IRMA database. We verified that the organization of the database ac-cording to the breast density and tissue characteristics we obtained better lesion classifica-tion in mammograms than when we use the entire IRMA database. Also we were able to demonstrate that as must characteristics used to describe the image the better is the perfor-mance of the artificial neural network in the classification task. As a result we obtained a percentage of instances correctly classified over 94% to slightly dense breasts and 89% to extreme dense breasts. This last is more difficult to be classified because the characteristic of the mammography exam that uses x ray radiation, which reduces the contrast between patho-logical and normal breast tissue.
|
|---|
