Made available in DSpace on 2016-08-17T14:52:40Z (GMT). No. of bitstreams: 1 Dissertacao-OtilioPauloSilva.pdf: 2236988 bytes, checksum: e67439b623fd83b01f7bcce0020365fb (MD5) Previous issue date: 2016-03-04 / Breast cancer is now set on the world stage as the most common among women and the second biggest killer. It is known that diagnosed early, the chance of cure is quite significant, on the other hand, almost late discovery leads to death. Mammography is the most common test that allows early detection of cancer, this procedure can show injury in the early stages also contribute to the discovery and diagnosis of breast lesions. Systems computer aided, have been shown to be very important tools in aid to specialists in diagnosing injuries. This paper proposes a computational methodology to assist in the discovery of mass in dense and nondense breasts. This paper proposes a computational methodology to assist in the discovery of mass in dense and non-dense breasts. Divided into 6 stages, this methodology begins with the acquisition of the acquired breast image Digital Database for Screening Mammography (DDSM). Then the second phase is done preprocessing to eliminate and enhance the image structures. In the third phase is executed targeting with the Particle Swarm Optimization (PSO) to find regions of interest (ROIs) candidates for mass. The fourth stage is reduction of false positives, which is divided into two parts, reduction by distance and clustering graph, both with the aim of removing unwanted ROIs. In the fifth stage are extracted texture features using the functional diversity indicia (FD). Finally, in the sixth phase, the classifier uses support vector machine (SVM) to validate the proposed methodology. The best values found for non-dense breasts, resulted in sensitivity of 96.13%, specificity of 91.17%, accuracy of 93.52%, the taxe of false positives per image 0.64 and acurva free-response receiver operating characteristic (FROC) with 0.98. The best finds for dense breasts hurt with the sensitivity of 97.52%, specificity of 92.28%, accuracy of 94.82% a false positive rate of 0.38 per image and FROC curve 0.99. The best finds with all the dense and non dense breasts Showed 95.36% sensitivity, 89.00% specificity, 92.00% accuracy, 0.75 the rate of false positives per image and 0, 98 FROC curve. / O câncer de mama hoje é configurado no senário mundial como o mais comum entre as mulheres e o segundo que mais mata. Sabe-se que diagnosticado precocemente, a chance de cura é bem significativa, por outro lado, a descoberta tardia praticamente leva a morte. A mamografia é o exame mais comum que permite a descoberta precoce do câncer, esse procedimento consegue mostrar lesões nas fases iniciais, além de contribuir para a descoberta e o diagnóstico de lesões na mama. Sistemas auxiliados por computador, têm-se mostrado ferramentas importantíssimas, no auxilio a especialistas em diagnosticar lesões. Este trabalho propõe uma metodologia computacional para auxiliar na descoberta de massas em mamas densas e não densas. Dividida em 6 fases, esta metodologia se inicia com a aquisição da imagem da mama adquirida da Digital Database for Screening Mammography (DDSM). Em seguida, na segunda fase é feito o pré-processamento para eliminar e realçar as estruturas da imagem. Na terceira fase executa-se a segmentação com o Particle Swarm Optimization (PSO) para encontrar as regiões de interesse (ROIs) candidatas a massa. A quarta fase é a redução de falsos positivos, que se subdivide em duas partes, sendo a redução pela distância e o graph clustering, ambos com o objetivo de remover ROIs indesejadas. Na quinta fase são extraídas as características de textura utilizando os índices de diversidade funcional (FD). Por fim, na sexta fase, utiliza-se o classificador máquina de vetores de suporte (SVM) para validar a metodologia proposta. Os melhores valores achados para as mamas não densas, resultaram na sensibilidade de 96,13%, especificidade de 91,17%, acurácia de 93,52%, a taxe de falsos positivos por imagem de 0,64 e a acurva Free-response Receiver Operating Characteristic (FROC) com 0,98. Os melhores achados para as mamas densas firam com a sensibilidade de 97,52%, especificidade de 92,28%, acurácia de 94,82%, uma taxa de falsos positivos por imagem de 0,38 e a curva FROC de 0,99. Os melhores achados com todas as mamas densas e não densas, apresentaram 95,36% de sensibilidade, 89,00% de especificidade, 92,00% de acurácia, 0,75 a taxa de falsos positivos por imagem e 0,98 a curva FROC.

Submitted by Rosivalda Pereira (mrs.pereira@ufma.br) on 2017-08-17T17:25:58Z No. of bitstreams: 1 FernandoOliveira.pdf: 2347086 bytes, checksum: 0b2d54b7d13b7467bee9db13f63100f5 (MD5) / Made available in DSpace on 2017-08-17T17:25:58Z (GMT). No. of bitstreams: 1 FernandoOliveira.pdf: 2347086 bytes, checksum: 0b2d54b7d13b7467bee9db13f63100f5 (MD5) Previous issue date: 2013-02-20 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Breast cancer is the second most common type of cancer in the world and difficult to diagnose. Distinguished Systems Aided Detection and Diagnosis Computer have been used to assist experts in the health field with an indication of suspicious areas of difficult perception to the human eye, thus aiding in the detection and diagnosis of cancer. This dissertation proposes a methodology for discrimination and classification of regions extracted from the breast mass and non-mass. The Digital Database for Screening Mammography (DDSM) is used in this work for the acquisition of mammograms, which are extracted from the regions of mass and non-mass. The Taxonomic Diversity Index (∆) and the Taxonomic Distinctness (∆*) are used to describe the texture of the regions of interest, originally applied in ecology. The calculation of those indices is based on phylogenetic trees, which applied in this work to describe patterns in regions of the images of the breast with two regions bounding approaches to texture analysis: circle with rings and internal with external masks. Suggested in this work to be applied in the description of patterns of regions in breast imaging approaches circle with rings and masks as internal and external boundaries regions for texture analysis. Support Vector Machine (SVM) is used to classify the regions in mass or non-mass. The proposed methodology provides successful results for the classification of masses and non-mass, reaching an average accuracy of 99.67%. / O câncer de mama é o segundo tipo de câncer mais frequente no mundo e de difícil diagnóstico. Distintos Sistemas de Detecção e Diagnóstico Auxiliados por Computador (Computer Aided Detection/Diagnosis) têm sido utilizados para auxiliar especialistas da área da saúde com a indicação de áreas suspeitas de difícil percepção ao olho humano, assim ajudando na detecção e diagnóstico de câncer. Este trabalho propõe uma metodologia de discriminação e classificação de regiões extraídas da mama em massa e não-massa. O banco de imagens Digital Database for Screening Mammography (DDSM) é usado neste trabalho para aquisição das mamografias, onde são extraído as regiões de massa e não-massa. Na descrição da textura da região de interesse são utilizados os Índices de Diversidade Taxonômica (∆) e Distinção Taxonômica (∆*), provenientes da ecologia. O cálculo destes índices é baseado nas árvores filogenéticas, sendo aplicados neste trabalho na descrição de padrões em regiões das imagens da mama com duas abordagens de regiões delimitadoras para análise da textura: círculo com anéis e máscaras internas com externas. Para classificação das regiões em massa e não-massa é utilizado o classificador Máquina de Vetores de Suporte (MVS). A metodologia apresenta resultados promissores para a classificação de massas e não-massas, alcançando uma acurácia média de 99,67%.

Made available in DSpace on 2016-08-17T14:53:21Z (GMT). No. of bitstreams: 1 Peterson.pdf: 1362910 bytes, checksum: 963fec328036941a0790b198cc0d6187 (MD5) Previous issue date: 2012-04-20 / FUNDAÇÃO DE AMPARO À PESQUISA E AO DESENVOLVIMENTO CIENTIFICO E TECNOLÓGICO DO MARANHÃO / Breast cancer is the second most common in the world and which more affects women. In recent years, several Computer Aided Detection/Diagnosis Systems has been developed in order to assist health specialists in the detection and diagnosis of cancer, serving as a second opinion. The aim of this paper is to present a methodology for discrimination and classification of regions extracted from mammograms in mass and non-mass. In this study, Digital Database for Screening Mammography (DDSM) is used. To describe the texture of the region of interest is applied McIntosh Diversity Index, commonly used in ecology. The calculation of this index is proposed in four approaches: through the Histogram, through the Gray Level Co-occurrence Matrix, through the Gray Level Run Length Matrix and through the Gray Level Gap Length Matrix. For the classification of regions in mass and non-mass, is used the supervised classificator Support Vector Machine (SVM). The methodology shows promising results for the classification of masses and non-masses, reaching an accuracy of 93,68%. / O câncer de mama é o segundo tipo de câncer mais frequente no mundo e o que mais acomete as mulheres. Nos últimos anos, vários Sistemas de Detecção e Diagnóstico auxiliados por Computador (Computer Aided Detection/Diagnosis) têm sido desenvolvidos no intuito de auxiliar especialistas da área da saúde na detecção e diagnóstico de câncer, servindo como uma segunda opnião. O objetivo deste trabalho é apresentar uma metodologia de discriminação e classificação de regiões extraídas de mamografias em massa e não massa. Neste estudo, o Digital Database for Screening Mammography (DDSM) é usado. Para descrever a textura da região de interesse é aplicado o Índice de Diversidade de McIntosh, comumente usado em ecologia. O cálculo deste índice é proposto em quatro abordagens: através do Histograma, da Matriz de Co-ocorrência de Níveis de Cinza, da Matriz de Comprimentos de Corrida de Cinza e da Matriz de Comprimentos de Lacuna de Cinza. Para classificação das regiões em massa e não massa, é utilizado o classificador supervisionado Support Vector Machine (SVM). A metodologia apresenta resultados promissores para a classificação de massas e não massas, alcançando uma acurácia de 93,68%.

Submitted by Rosivalda Pereira (mrs.pereira@ufma.br) on 2017-08-14T19:19:25Z No. of bitstreams: 1 SimaraRocha.pdf: 3984461 bytes, checksum: 04243e2b6ab9b63b0b73e436ebc9fc23 (MD5) / Made available in DSpace on 2017-08-14T19:19:25Z (GMT). No. of bitstreams: 1 SimaraRocha.pdf: 3984461 bytes, checksum: 04243e2b6ab9b63b0b73e436ebc9fc23 (MD5) Previous issue date: 2014-05-22 / Breast cancer is the second most frequent type of cancer in the world, being more common among women, and representing 22% of the new cases every year. A precocious diagnosis improves the chances of a successful treatment. Mammography is one of the best ways to precocious detection of non-palpable tumor that could lead to a breast cancer. However, it is well known that this exam's sensibility may vary a lot. This is due to factors such as: the specialist's experience, patient's age and the quality of the exam image. The use of Image Processing and Machine Learning techniques has becoming a strong contribution to the specialist diagnosis task. Thes thesis proposes a methodology to discriminate patterns of malignancy and benignity of masses in mammographic images using texture analysis and machine learning. For this purpose, the methodology combines structural and statistical approaches for the analysis of texture regions extracted from mammograms. Furthermore, this research extends the concept of Diversity Index through the use of species co-occurrence information in order to increase the efficiency of extraction of texture features. The techniques used are Local Binary Pattern, Ripley's K function and diversity indexes (Shannon, Mcintosh, Simpson, Gleason and Menhinick indexes). The extracted texture is classified using a Support Vector Machine into benign and malignant classes. The best results obrained with Ripley's K function were 92,20% of accuracy, 92,96% of sensibility, 91,26% of specificity, 10.63 of likelihood positive ratio, 0,07 of likelihood negative ratio and an area under ROC curve Az of 0,92. / O câncer de mama é o segundo tipo de câncer mais frequente no mundo, sendo mais comum entre as mulheres, respondendo por 22% dos casos novos a cada ano. Quanto mais precocemente for diagnosticado, maiores serão as chances de se realizar um tratamento bem sucedido. A mamogra fia é uma das formas de detectar os tumores não palpáveis que causam câncer de mama. Todavia, sabe-se que a sensibilidade desse exame pode variar bastante, devido a fatores como: a experiência do especialista, a idade do paciente e a qualidade das imagens obtidas no exame. O uso de técnicas de Processamento de Imagens e Aprendizagem de Máquina tem contribuído, cada vez mais, para auxiliar os especialistas na realização de diagnósticos mais precisos. Esta tese propõe uma metodologia para discriminar padrões de malignidade e benignidade de massas em imagens de mamogra fias, utilizando análise de textura e aprendizado de máquina. Para tanto, a metodologia combina as abordagens estrutural e estatística para a análise de textura de regiões extraídas das mamogra fias. Além disso, esta pesquisa amplia o conceito de Índice de Diversidade, através do uso da informação de co-ocorrência de espécies, com o propósito de aumentar a e ficiência da extração de características de textura. Assim, são usadas as técnicas de Local Binary Pattern, Função K de Ripley e os Índices de Shannon, Mcintosh, Simpson, Gleason e de Menhinick. Por fi m, a textura extraída e classi ficada utilizando a Máquina de Vetores de Suporte, visando diferenciar as massas malignas das benignas. O melhor resultado foi obtido usando a função K de Ripley com 92,20% de acurácia, 92,96% de sensibilidade, 91,26% de especi cidade, 10,63 de razão de probabilidade positiva, 0,07% de razão de probabilidade negativa e uma área sob a curva ROC (Az) de 0,92.

Submitted by Maria Aparecida (cidazen@gmail.com) on 2017-08-21T14:59:23Z No. of bitstreams: 1 Andre Pereira.pdf: 3105574 bytes, checksum: 06e2fe68d48179a3c62a46e447b82513 (MD5) / Made available in DSpace on 2017-08-21T14:59:23Z (GMT). No. of bitstreams: 1 Andre Pereira.pdf: 3105574 bytes, checksum: 06e2fe68d48179a3c62a46e447b82513 (MD5) Previous issue date: 2009-02-20 / Breast cancer is one of the major causes of mortality among women throughout the world. Presently, the analysis of breast radiography is the most used method to early detection of this kind of cancer. It enables the identification of anomalies at their initial stage, which is a fundamental factor for success in the treatment. The sensitivity of this kind of exam, although, depends on several factors, such as the size and the location of the abnormalities, density of the breast tissue, quality of the technical resources and radiologist's ability. This work presents a methodology that uses the K-Means clustering algorithm and the Template Matching technique for segmentation of suspicious regions. Next, geometry and texture features are extracted from each of these regions, being the texture described by the Simpson's Diversity Index, a statistic used in Ecology to measure the biodiversity of an ecosystem. Finally, this information is submitted to a Support Vector Machine so that the suspicious regions are classified into masses and non-masses. The methodology was tested with 650 mammographic images from the DDSM database, achieving 83.94% of accuracy, 83.24% of sensibility and 84.14% of specificity in average. / O câncer de mama é uma das maiores causas de mortalidade entre as mulheres no mundo todo. Atualmente, a análise da radiografia da mama é o recurso mais utilizado na detecção precoce desse tipo de câncer, pois possibilita a identificação de anomalias em sua fase inicial, fator fundamental para o sucesso do tratamento. A sensibilidade desse tipo de exame, no entanto, depende de diversos fatores, tais como tamanho e localização das anomalias, densidade do tecido mamário, qualidade dos recursos técnicos e habilidade do radiologista. Este trabalho apresenta uma metodologia para detecção de massas em imagens digitais de mamografias que poderá auxiliar o especialista em sua análise. O método proposto utiliza o algoritmo de agrupamento K-Means e a técnica de Template Matching para segmentar as regiões suspeitas de conterem massas. Em seguida, medidas de geometria e textura são extraídas de cada uma dessas regiões, sendo a textura descrita através do Índice de Diversidade de Simpson, uma estatística usada na Ecologia para mensurar a biodiversidade de um ecossistema. Finalmente, essas informações são submetidas a uma Máquina de Vetores de Suporte para que as regiões suspeitas sejam classificadas em massas ou não massas. A metodologia foi testada com 650 imagens mamográficas obtidas da base de dados DDSM, atingindo 83,94% de acurácia, 83,24% de sensibilidade, e 84,14% de especificidade em média.

Made available in DSpace on 2016-08-17T14:53:17Z (GMT). No. of bitstreams: 1 Ulysses Santos Sousa.pdf: 1410915 bytes, checksum: 88235f7f4a3bc07a4da1b27c23dc71ca (MD5) Previous issue date: 2011-05-13 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Cancer is one of the biggest health problems worldwide, and the breast cancer is the one that causes more deaths among women. Also it is the second most frequent type in the world. The chances of survival for a patient with breast cancer increases the sooner this disease is discovered. Several Computer Aided Detection/Diagnosis Systems has been used to assist health professionals. This work presents a methodology to discriminate and classify mammographic tissues regions in mass and non-mass. For this purpose the Shannon-Wiener‟s Diversity Index, which is applied to measure the biodiversity in ecosystem, is used to describe pattern of breast image region with four approaches: global, in circles, in rings and directional. After, a Support Vector Machine is used to classify the regions in mass and non-mass. The methodology presents promising results for classification of mammographic tissues regions in mass and non-mass, achieving 99.85% maximum accuracy. / O câncer é um dos maiores problemas de saúde mundial, sendo o câncer de mama o que mais causa óbito entre as mulheres e o segundo tipo mais freqüente no mundo. As chances de uma paciente sobreviver ao câncer de mama aumentam à medida que a doença é descoberta mais cedo. Diversos Sistemas de Detecção e Diagnóstico auxiliados por computador (Computer Aided Detection/Diagnosis) têm sido utilizados para auxiliar profissionais de saúde. Este trabalho apresenta uma metodologia de discriminação e classificação de regiões de tecidos de mamografias em massa e não massa. Para este propósito utiliza-se o Índice de Diversidade de Shannon-Wiener, comumente aplicado para medir a biodiversidade em um ecossistema, para descrever padrões de regiões de imagens de mama com quatro abordagens: global, em círculos, em anéis e direcional. Em seguida, utiliza-se o classificador Support Vector Machine para classificar estas regiões em massa e não massa. A metodologia apresenta resultados promissores para a classificação de regiões de tecidos de mamografia em massa e não massa, obtendo uma acurácia máxima de 99,85%.

Made available in DSpace on 2016-08-17T14:53:20Z (GMT). No. of bitstreams: 1 dissertacao Artur.pdf: 2614613 bytes, checksum: ccffca7646e98481fa69cd43bca77f03 (MD5) Previous issue date: 2012-04-13 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / This work purposes an investigation into the potential of characterization of textures of human faces in digital images using the diversity index. To this we developed a methodology that uses the retinex to normalization of lighting conditions, diversity indexes for feature extraction and Support Vector Machine as classifier. Several tests are performed using four bases of face images, each base with uniques characteristics that can be verified the usability of the indexes used. The results are very promising since in eighteen tests were reached accuracies over 95%. In addition, a sensitivity of 100% in a test case and false positive rate of 0.2%, indicating that the diversity index can be a good tool for describing textures of human faces. / O objeto de estudo deste trabalho é uma investigação sobre o potencial grau de caracterização de texturas de faces humanas em imagens digitais usando índices de diversidade. Para isto é desenvolvida uma metodologia que utiliza o retinex como técnica de normalização de iluminação, índices de diversidade para a extração de características e a Máquina de Vetores Suporte como classificador. Para isto são realizados vários testes utilizando quatro bases de imagens de faces, com várias características peculiares para que possa ser verificada a usabilidade dos índices utilizados. Os resultados obtidos são muito promissores, uma vez que em dezoito testes realizados, foram atingidas acurácias acima de 95%. Além disso, obtivemos sensibilidade de 100% em um caso de teste e taxa de falsos positivos de 0.2%, indicando que os índices de diversidade podem ser uma boa ferramenta para a descrição de texturas de faces humanas.