Sarcoidosis is a multisystem, inflammatory granulomatous disease that rarely involves breast tissue. The pathophysiology of this chronic granulomatous condition is not well understood but is thought to be multifactorial, involving environmental influences causing an amplified immune response. A key histomorphology feature in sarcoidosis is the presence of non-necrotizing granulomas. In this case, we report a 41-year-old African-American man with a known history of sarcoidosis of the lung who presented with gynecomastia and bilateral breast tenderness with palpable nodules. Subsequent biopsy and microscopic examination of the breast nodules revealed diffuse involvement with non-necrotizing granulomas in both breasts. A final diagnosis of extensive sarcoidosis involving breast tissue was rendered after excluding other causes of non-necrotizing granulomas. The patient underwent a bilateral mastectomy to remove the breast nodules. This case discusses sarcoidosis involving an unusual site.

Este trabalho apresenta uma nova estratégia computacional para classificar nódulos mamográficos, que podem ser identificados por radiologistas nos exames de mamografia, em benignos ou malignos. Para a realização dos experimentos computacionais, foram utilizados 57 regiões suspeitas de câncer (ROIs) encontrados pelo radiologista nos exames de mamografia. Das 57 ROIs, 37 foram identificadas como nódulos benignos e 20 identificadas como nódulos malignos, após o exame de biópsia. Com base nestas 57 ROIs são aplicadas técnicas de processamento de imagens para extrair determinadas características que possibilitam classificar um nódulo como benigno ou maligno. Estas características são separadas em três conjuntos: três características de forma, quatorze características de textura e três características de nitidez da borda. A estratégia computacional usada para classificar esses três conjuntos de características foi o classificador Máquina de Comitê. A Máquina de Comitê é formado por um grupo de classificadores, usados para resolver uma tarefa difícil. Os membros do comitê são tipicamente Redes Neurais Artificiais. Nesse trabalho foram usados Perceptrons de Múltiplas Camadas (MLP) como classificador da Máquina de Comitê. O resultado da classificação é dado pela combinação das respostas de cada classificador. Experimento envolvendo alteração na configuração da Máquina de Comitê também foi realizado. A precisão da classificação foi avaliada utilizando o cálculo da área sob a curva Receiver Operating Characteristics (ROC), designada por Az. O resultado de Az apresentado pela Máquina de Comitê é comparado com o resultado de outros classificadores neurais, como MLPs e Perceptrons de Camada Simples (SLP). Os resultados são apresentados pela média e desvio padrão de 20 experimentos. Para concluir se o resultado apresentado por um classificador é melhor que o outro, foram realizados testes de hipóteses utilizando a distribuição de Student t. / This work addresses a new approach using a committee machine to classify masses found in mammograms as benign or malignant. The characteristics sets used in the classification are: Three shape factors, three measures of edge sharpness, and fourteen texture features. They were used for the classification of 37 regions of interest (ROIs) related to benign masses and 20 ROIs of malignant tumors. The committee machine is a group of classifiers used to resolve a difficult task. Committee members are typically neural networks. In this work, we used a group of multi-layer perceptrons (MLPs) as a committee machine classifier. The classification results were realized by combining the responses of these classifiers. Experiments involving change in the learning algorithm of the committee machine also were conducted. The classification accuracy was evaluated using the area Az under the receiver operating characteristics (ROC) curve. The Az result for the committee machine was compared with the Az results obtained using MLP and single-layer perceptron (SLP) neural networks. In almost all cases, the committee machine outperformed the MLP and SLP. For a better understanding about the results of the experiments we carried out the hypothesis test using the Student\'s t-Distribution and it showed that the Committee Machine classifier has better results than MLP and SLP classifiers.

Este trabalho apresenta uma nova estratégia computacional para classificar nódulos mamográficos, que podem ser identificados por radiologistas nos exames de mamografia, em benignos ou malignos. Para a realização dos experimentos computacionais, foram utilizados 57 regiões suspeitas de câncer (ROIs) encontrados pelo radiologista nos exames de mamografia. Das 57 ROIs, 37 foram identificadas como nódulos benignos e 20 identificadas como nódulos malignos, após o exame de biópsia. Com base nestas 57 ROIs são aplicadas técnicas de processamento de imagens para extrair determinadas características que possibilitam classificar um nódulo como benigno ou maligno. Estas características são separadas em três conjuntos: três características de forma, quatorze características de textura e três características de nitidez da borda. A estratégia computacional usada para classificar esses três conjuntos de características foi o classificador Máquina de Comitê. A Máquina de Comitê é formado por um grupo de classificadores, usados para resolver uma tarefa difícil. Os membros do comitê são tipicamente Redes Neurais Artificiais. Nesse trabalho foram usados Perceptrons de Múltiplas Camadas (MLP) como classificador da Máquina de Comitê. O resultado da classificação é dado pela combinação das respostas de cada classificador. Experimento envolvendo alteração na configuração da Máquina de Comitê também foi realizado. A precisão da classificação foi avaliada utilizando o cálculo da área sob a curva Receiver Operating Characteristics (ROC), designada por Az. O resultado de Az apresentado pela Máquina de Comitê é comparado com o resultado de outros classificadores neurais, como MLPs e Perceptrons de Camada Simples (SLP). Os resultados são apresentados pela média e desvio padrão de 20 experimentos. Para concluir se o resultado apresentado por um classificador é melhor que o outro, foram realizados testes de hipóteses utilizando a distribuição de Student t. / This work addresses a new approach using a committee machine to classify masses found in mammograms as benign or malignant. The characteristics sets used in the classification are: Three shape factors, three measures of edge sharpness, and fourteen texture features. They were used for the classification of 37 regions of interest (ROIs) related to benign masses and 20 ROIs of malignant tumors. The committee machine is a group of classifiers used to resolve a difficult task. Committee members are typically neural networks. In this work, we used a group of multi-layer perceptrons (MLPs) as a committee machine classifier. The classification results were realized by combining the responses of these classifiers. Experiments involving change in the learning algorithm of the committee machine also were conducted. The classification accuracy was evaluated using the area Az under the receiver operating characteristics (ROC) curve. The Az result for the committee machine was compared with the Az results obtained using MLP and single-layer perceptron (SLP) neural networks. In almost all cases, the committee machine outperformed the MLP and SLP. For a better understanding about the results of the experiments we carried out the hypothesis test using the Student\'s t-Distribution and it showed that the Committee Machine classifier has better results than MLP and SLP classifiers.

Whereas manually drawn contours could contain artifacts related to hand tremor, automatically detected contours could contain noise and inaccuracies due to limitations or errors in the procedures for the detection and segmentation of the related regions. To improve the further step of description, modeling procedures are desired to eliminate the artifacts in a given contour, while preserving the important and significant details present in the contour. In this work, are presented a couple of polygonal modeling methods, first a method applied direct on the original contour and other derived from the turning angle function. Both methods use the following parametrization Smin e µmax to infer about removing or maintain a given segment. By the using of the mentioned parameters the proposed methods could be configured according to the application problem. Both methods have been shown eficient to reduce the influence of noise and artifacts while preserving relevant characteristic for further analysis. Systems to support the diagnosis by images (CAD) and retrieval of images by content (CBIR) use shape descriptor methods to make possible to infer about factors existing in a given contour or as base to classify groups with dierent patterns. Shape factors methods should represent a value that is aected by the shape of an object, thus it is possible to characterize the presence of a factor in the contour or identify similarity among contours. Shape factors should be invariant to rotation, translation or scale. In the present work there are proposed the following shape features: index of the presence of convex region (XRTAF ), index of the presence of concave regions (V RTAF ), index of convexity (CXTAF ), two measures of fractal dimension (DFTAF e DF1 TAF ) and the index of spiculation (ISTAF ). All derived from the smoothed turning angle function. The smoothed turning angle function represent the contour in terms of their concave and convex regions. The polygonal modeling and the shape descriptors methods were applied on the breast masses classification issue to evaluate their performance. The polygonal modeling procedure proposed in this work provided higher compression and better polygonal fitness. The best classification accuracies, on discriminating between benign masses and malignant tumors, obtain for XRTAF , V RTAF , CXTAF , DFTAF , DF1 TAF and ISTAF , in terms of area under the receiver operating characteristics curve, were 0:92, 0:92, 0:93, 0:93, 0:92 e 0:94, respectively. / Contornos obtidos manualmente podem conter ruídos e artefatos oriundos de tremores da mão bem como contornos obtidos automaticamente podem os conter dado a problemas na etapa de segmentação. Para melhorar os resultados da etapa de representação e descrição, são necessários métodos capazes de reduzir a influência dos ruídos e artefatos enquanto mantém características relevantes da forma. Métodos de aproximação poligonal têm como objetivo a remoção de ruídos e artefatos presentes nos contornos e a melhor representação da forma com o menor número possível de segmentos de retas. Nesta disserta ção são propostos dois métodos de aproximação poligonal, um aplicado diretamente no contorno e outro que é obtido a partir da função tangencial do contorno original. Ambos os métodos fazem uso dos parâmetros Smin e µmax para inferirem sobre a permanência ou remoção de um dado segmento. Com a utilização destes parâmetros os métodos podem ser configurados para serem utilizados em vários tipos de aplicações. Ambos os métodos mostram-se eficientes na remoção de ruídos e artefatos, enquanto que características relevantes para etapas de pós-processamento são mantidas. Sistemas de apoio ao diagnóstico por imagens e de recuperação de imagens por conte údo fazem uso de métodos descritores de forma para que seja possível inferir sobre características presentes em um dado contorno ou ainda como base para medir a dissimilaridade entre contornos. Métodos descritores de características são capazes de representar um contorno por um número, assim é possível estabelecer a presença de uma característica no contorno ou ainda identificar uma possível similaridade entre os contornos. Métodos para extração de características devem ser invariantes a rotação, translação e escala. Nesta dissertação são propostos os seguintes métodos descritores de características: índice de presença de regiões convexas (XRTAF ), índice da presença de regiões côncavas (V RTAF ), índice de convexidade (CXTAF ), duas medidas de dimensão fractal (DFTAF e DF1 TAF ) e o índice de espículos (ISTAF ). Todos aplicados sobre a função tangencial suavizada. A função tangencial suavizada representa o contorno em termos de suas regiões côncavas e regiões convexas. Os métodos de aproximação poligonal e descritores de características foram aplicados para o problema de classificação de lesões de mama. Os resultados obtidos, mostraram que os métodos de aproximação poligonal propostos neste trabalho resultam em polígonos mais compactos e com melhor representação do contorno original. Os melhores resultados de classificação, na discriminação entre lesões benignas e tumores malignos, obtidos por XRTAF , V RTAF , CXTAF , DFTAF , DF1 TAF e ISTAF , em termos da área sob a curva ROC, foram 0:92, 0:92, 0:93, 0:93, 0:92 e 0:94, respectivamente. / Mestre em Ciência da Computação