Submitted by Rosivalda Pereira (mrs.pereira@ufma.br) on 2017-05-30T21:09:57Z No. of bitstreams: 1 JoaoDiniz.pdf: 2606559 bytes, checksum: 262a9c98db11667d3a482c378ab78b50 (MD5) / Made available in DSpace on 2017-05-30T21:09:57Z (GMT). No. of bitstreams: 1 JoaoDiniz.pdf: 2606559 bytes, checksum: 262a9c98db11667d3a482c378ab78b50 (MD5) Previous issue date: 2017-02-03 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Breast cancer is the type of cancer that most affects women and is one of the leading causes of death worldwide. Aiming to aid the detection and diagnosis of this pathology, several techniques in the image area are being created serving as a second opinion. It is known that mammograms of the left and right breast present a high degree of symmetry, and when there is a sudden difference between the pairs, it can be considered suspicious. It is also emphasized that the breast can present different density of the tissue and this can be a factor that makes difficult the detection and diagnosis of the lesions. Thus, the objective of this work is to develop an automatic methodology for the detection of mass regions in pairs of digitized mammograms adapted to breast density, using image processing and species comparison techniques to determine asymmetric regions in the breasts together with neural convolutional networks for Classification of breast density and regions in masses and not masses. The proposed methodology is divided into two phases: training phase and test phase. In the training phase will be created three models using convolutional neural networks, the first able to classify the breast as density and the last two to classify regions of mass and non-mass in dense and non-dense breasts.The steps are in aligning the breasts so that it is possible to make a comparison between the pairs. When comparing, asymmetric regions will be segmented, these regions will undergo a process of reduction of false positives in order to eliminate regions that are not masses. Before classifying the remaining regions, the breasts undergo the process of density classification by the model obtained in the training phase. Finally, for each type of breast, a model will classify the regions segmented into masses and not masses. The methodology presented excellent results, in the non-dense breasts reaching sensitivity of 91.56 %, specificity of 90.73 %, accuracy of 91.04 % and rate of 0.058 false positives per image. Dense breasts showed 90.36 % sensitivity, 96.35 % specificity, 94.84 % accuracy and 0.027 false positives per image. The results show that the methodology is promising and can be used to compose a CAD system, serving as a second option for the expert in the task of detecting mass regions. / O cãncer de mama é o tipo de câncer que mais acomete as mulheres e uma das principais causas de morte em todo o mundo. Visando auxiliar a detecção e diagnóstico desta patologia, diversas técnicas na érea de imagem estão sendo criadas servindo como um auxílio ao especialista. Sabe-se que mamografias esquerda e direita apresentam alto grau simetria, e quanto há uma diferença brusca entre os pares, pode-se considerar algo de suspeito. Ressalta-se também que a mama pode apresentar densidade diferente do tecido e isso pode ser um fator que dificulte na detecção e diagnóstico das lesões. Assim, o objetivo deste trabalho é desenvolver uma metodologia automática de detecção de regiões de massa em pares de mamografias digitalizadas adaptada à densidade da mama, utilizando técnicas de processamento de imagens e comparação de espécies para determinar regiões assimétricas nas mamas juntamente com redes neurais convolucionais para classificação de densidade da mama e de regiões em massas e não massas. A metodologia proposta é dividida em duas fases: fase de treinamento e fase de teste. Na fase de treinamento serão criados três modelos utilizando redes neurais convolucionais, o primeiro capaz de classificar a mama quanto a densidade e os dois últimos classificam regiões de massa e não massa em mamas densas e não densas. Na fase de teste, imagens de mamografia da base DDSM passarão por várias etapas a fim de segmentar regiões assimétricas que serão posteriormente classificadas. As etapas resumem-se em alinhar as mamas para que seja possível fazer uma comparação entre os pares. Ao comparar, serão segmentadas regiões assimétricas, essas regiões passarão por processo de redução de falsos positivos a fim de eliminar regiões que não são massas. Antes de classificar as regiões restantes, as mamas passam pelo processo de classificação de densidade pelo modelo obtido na fase de treinamento. Por fim, para cada tipo de mama, um modelo irá classificar as regiões segmentadas em massas e não massas. O método proposto apresentou resultados promissores, nas mamas não densas atingiu sensibilidade de 91,56%, especificidade de 90,73%, 91,04% de acurácia e taxa de 0,058 falsos positivos por imagem. As mamas densas, apresentaram resultados de 90,36% de sensibilidade, 96,35% de especificidade, 94,84% de acurácia e 0,027 falsos positivos por imagem. Os resultados mostram que a metodologia é promissora e pode ser utilizada para compor um sistema CAD na tarefa de detectar regiões de massas.

Made available in DSpace on 2016-06-02T19:31:54Z (GMT). No. of bitstreams: 1 3596.pdf: 1182246 bytes, checksum: 313badd826fcb755887e3f7becfbf99f (MD5) Previous issue date: 2011-03-04 / Universidade Federal de Minas Gerais / Aiming to answer the question: preserved streams can sustain higher beta diversity than degraded streams? We estimated beta diversity of preserved and degraded streams during the rainy season of 2009 in pool and riffle areas using as substrate bags of leaf litter of tree species Talauma ovata. We analyzed the similarity in taxonomic composition of different mesohabitats using different indices of similarity (Sørensen, Morisita-Horn and Horn) and their corresponding estimators of diversity. Our study showed higher values of beta diversity in streams degraded when estimated by the similarity indices of Sørensen and Morisita-Horn. On the other hand the Horn index indicated no differences between the streams. This greater differentiation in faunistic composition between the different streams in degraded mesohabitats seems to be related to degradation of the riparian zone which favored the largest effect of hydrological disturbance due to increased volume of water especially in areas of pool resulting in elimination of taxa and increase local the dominance of more tolerant taxa, affecting beta diversity. This study paves the way for new understandings of the effects of degradation of riparian zones in streams, because the comparison between habitats within a given stream may provide a basis to assess their state of degradation, making possible new approaches to biomonitoring. / Com o objetivo de responder a pergunta: Córregos preservados podem sustentar uma maior diversidade beta que córregos degradados? Estimamos a diversidade beta de córregos preservados e degradados durante a estação chuvosa de 2009 em áreas de remanso e corredeira utilizando como substrato sacos de detritos foliares da espécie arbórea Talauma ovata. Analisamos a similaridade na composição taxonômica dos diferentes mesohabitats utilizando diferentes índices de similaridade (Sørensen, Morisita-Horn e Horn) e seus estimadores de diversidade correspondentes. Nosso estudo mostrou maiores valores de diversidade beta nos córregos degradados quando estimado pelos índices de similaridade de Sørensen e Morisita-Horn. Já o índice de Horn não indicou diferenças entre os córregos. Esta maior diferenciação na composição faunística entre os diferentes mesohabitats nos córregos degradados parece estar relacionada à degradação da zona ripária que favoreceu o maior efeito das perturbações hidrológicas devido ao maior volume de água especialmente nas áreas de remanso, resultando em eliminação local de táxons e aumento na dominância de táxons mais tolerantes, afetando a diversidade beta. Este estudo abre caminho para novas perspectivas de compreensão dos efeitos da degradação das zonas ripárias em córregos, pois a comparação entre habitats dentro de um dado córrego pode fornecer subsídios para avaliar seu estado de degradação, possibilitando novas abordagens de biomonitoramento.

Made available in DSpace on 2016-08-17T14:53:26Z (GMT). No. of bitstreams: 1 dissertacao Pedro Henique.pdf: 3622658 bytes, checksum: 95066b31ffa29d90dfade445121817be (MD5) Previous issue date: 2014-01-03 / With the advent of imaging methods, the pulmonary nodule is becoming the most common manifestation of lung cancer and one of the most lethal of all cancers. Geometry (shape) and texture (tissue) measurements analyzed over time can be used to search the nodule malignancy. Among geometric measures commonly used, the nodule growth rate is one of the most accurate noninvasive methods to evaluate malignancy. Followed by other texture measures achieved over time, it is possible to get valuable information about nodules behavior, so that the doctor can use them to take related decisions. For these reasons, it is important to compare the nodule in exams applied at different moments. A key step for the comparison is to verify the correspondence between nodules of different exams. This correspondence is used to determine if a nodule X in the exam A is the same nodule Y in an exam B. Due to a number of anatomical and physiological factors and image acquisition, the same nodule cannot be in exactly the same location on different exams. To correct this problem, rigid and deformable image registration show up to be efficient. Once established this correspondence, it is possible to analyze the nodule texture changes through similarity indexes. In this sense, the aim of this work is to present methods for quantitative analysis of texture changes in lung nodules. For this analysis, it is used CT scans obtained at different moments from the same patient. Furthermore, it is presented a method to verify nodules found in different exams correspond to the same nodule by applying image registration. / Com o advento dos métodos de imagem, o nódulo pulmonar vem se tornando a manifestação mais comum de câncer de pulmão e um dos mais letais de todos os cânceres. Uma forma de pesquisar a malignidade de um nódulo é analisar temporalmente suas medidas de geometria (forma) e textura (tecido). Entre medidas geométricas comumente utilizadas, a taxa de crescimento do nódulo constitui um dos métodos mais precisos não invasivos de aferição da malignidade. Acompanhada a outras medidas de textura obtidas no decorrer do tempo, obtém-se informações valiosas sobre o seu comportamento, de forma que o médico pode usar essas medidas na tomada de decisões. Sabendo disso, é importante a comparação do nódulo em exames extraídos em momentos diferentes. Uma etapa fundamental para essa comparação é verificar a correspondência entre nódulos em exames diferentes, de forma que seja possível determinar se um nódulo X em um exame A é o mesmo nódulo Y em um exame B. Devido a uma série de fatores anátomo-fisiológicos e de aquisição de imagens, um mesmo nódulo pode não estar exatamente na mesma localização em exames diferentes. Para corrigir esse problema, registros de imagem rígidos e deformáveis mostram-se eficientes. Uma vez estabelecida essa correspondência, é possível analisar as mudanças na textura do nódulo através de índices de similaridade. Nesse sentido, o objetivo desse trabalho é apresentar métodos para a análise quantitativa de mudanças de textura em nódulos. Para essa análise serão utilizadas imagens de tomografia computadorizada obtidas em momentos diferentes de um mesmo paciente. Além disso, será apresentado um método para verificar se nódulos encontrados em exames diferentes correspondem ao mesmo nódulo através da aplicação de registros de imagens.