Classificação de lesões de mama contendo microcalcificações associadas

• Ano de defesa: 1998
• Autor(a) principal: Ferrari, Ricardo José
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Bayesian theory; Breast cancer; Câncer de mama; Detecção de microcalcificações; Detection of microcalcifications; Teoria Bayesiana
• Link de acesso: http://www.teses.usp.br/teses/disponiveis/18/18133/tde-08122015-140148/

Neste trabalho é proposto um sistema computacional para auxílio ao diagnóstico de câncer de mama com microcalcificações associadas. O sistema é composto por 3 etapas principais: segmentação, extração de atributos e classificação. Na etapa de segmentação, a região suspeita do mamograma digitalizado (ROI - região de interesse) é processada para isolar as microcalcificações das estruturas normais da imagem. O resultado final é uma imagem binária contendo apenas as microcalcificações. Nesta etapa são utilizadas três técnicas combinadas: linearização do histograma da imagem (\"stretching\"), imagem-diferença e \"thresholding\" adaptativo. Na etapa de extração de atributos, são realizadas 34 medidas: 13 medidas de textura, calculadas da ROI da imagem não segmentada, 19 medidas de forma das microcalcificações, 1 medida de distribuição e 1 de quantidade das microcalcificações, calculadas da ROI da imagem segmentada. A partir dos métodos erro de Bayes e distância JM, são separados os 6 melhores atributos para compor o vetor de atributos utilizado na classificação. Na etapa de classificação, são avaliadas três diferentes classificadores: Regra de Bayes (método paramétrico), k-NN (método não-paramétrico) e Rede Neural Artificial - tipo MLP (Perceptron multi-camadas). Os classificadores são treinados e testados com diferentes grupos de amostras, utilizando a técnica \"leave-k-out\". Por fim, os resultados obtidos em cada etapa são apresentados e discutidos a partir de tabelas e curvas ROC.