| Summary: | Made available in DSpace on 2014-06-11T19:30:49Z (GMT). No. of bitstreams: 0
Previous issue date: 2014-02-10Bitstream added on 2014-06-13T19:19:28Z : No. of bitstreams: 1
000750916.pdf: 2831968 bytes, checksum: e6965f3e2d8e6952571e3be44d18e74b (MD5) === Estudos internacionais indicam que o câncer de mama é o segundo maior causador de mortes em mulheres com câncer no mundo, e a melhor forma de tratar essa doença é através de seu diagnóstico precoce, que pode ser realizado através da análise de imagens de mamografias digitais. Uma das formas de se realizar o diagnóstico através de imagens é procurar por microcalcificações, pequenos acúmulos de cálcio que podem ser classificados em cinco tipos, de acordo com a classificação de Le Gal. Neste trabalho é apresentado um sistema embarcado que foi desenvolvido para classificar microcalcificações de acordo com a classificação de Le Gal, utilizando wavelets e redes neurais artificiais. O sistema foi desenvolvido utilizando-se um processador Nios II, através da configuração do hardware projetado na FPGA presente na placa DE2-115. Os testes com imagens simuladas apresentaram 92,50% de acerto nas suas classificações. Testes com algumas imagens reais também apresentaram bons resultados na classificação das microcalcificações. Isto tudo indica a possibilidade de se utilizar equipamentos embarcados no diagnóstico precoce do câncer de mama. === International studies indicate that breast cancer is the second greatest cause of death in women with cancer worldwide, and the best way to treat this disease is by its early diagnosis, which can be performed by analyzing images of digital mammograms. One of the ways to make the diagnosis using images is to look for microcalcifications, small accumulations of calcium that can be classified into five types, according to the Le Gal classification scheme. This work presents an embedded system developed to classify microcalcifications according to the Le Gal classification scheme using wavelets and artificial neural networks. The system was developed using a Nios II processor by the configuration of the designed hardware on the FPGA located on the DE2 -115 board. Tests with simulated images showed an accuracy rating of 92.50%. Some tests with real images also showed good results in classification of microcalcifications. All of this indicates the possibility of using embedded devices for the early diagnosis of breast cancer.
|
|---|
