Detalhes bibliográficos
| Ano de defesa: |
2015 |
| Autor(a) principal: |
FERNANDES, Isabella Maria Moura |
| Orientador(a): |
SANTOS, Wellington Pinheiro dos |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Federal de Pernambuco
|
| Programa de Pós-Graduação: |
Programa de Pos Graduacao em Engenharia Biomedica
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://repositorio.ufpe.br/handle/123456789/16192
|
Resumo: |
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. |
