Made available in DSpace on 2016-08-16T18:18:41Z (GMT). No. of bitstreams: 1 Tese Daniel Duarte Costa.pdf: 3067192 bytes, checksum: b9a8d78583596a2e1dff6298c4a89014 (MD5) Previous issue date: 2012-12-06 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / Breast cancer is the leading cause of cancer death among women in Western countries. To improve the accuracy of diagnosis by radiologists and doing it so early, new computer vision systems have been developed and improved with the passage of time. Some methods of the detection and classification of lesions in mammography images for computer systems diagnostic (CAD) were developed using different statistical techniques. In this thesis, we present methodologies of CADs systems to detect and classify mass regions in mammographic images, from two image databases: DDSM and MIAS. The results show that it is possible by these methods to obtain a detection rate of up to 96% of mass regions, using efficient coding technique and K-means clustering algorithm. To classify regions in mass or non-mass correctly, was obtained a success rate up to 90% using the independent component analysis (ICA) and linear discriminant analysis (LDA). From these results generated a web application, called SADIM (Sistema de Auxílio a Diagnóstico de Imagem Mamográfica), which can be used by any registered professional. / O câncer de mama é a principal causa de morte por câncer na população feminina dos países ocidentais. Para melhorar a precisão do diagnóstico por radiologistas e fazê-lo de forma precoce, novos sistemas de visão computacional têm sido criados e melhorados com o decorrer do tempo. Alguns métodos de detecção e classificação da lesão em imagens radiológicas, por sistemas de diagnósticos por computador (CAD), foram desenvolvidos utilizando diferentes técnicas estatísticas. Neste trabalho, apresentam-se metodologias de sistemas CADs para detectar e classificar regiões de massa em imagens mamográficas, oriundas de duas bases de imagens: DDSM e MIAS. Os resultados mostram que é possível, através destas metodologias, obter uma taxa de detecção de até 96% das regiões de massa, utilizando a técnica de codificação eficiente com o algoritmo de agrupamento k-means, e classificar corretamente as regiões de massa em até 90% utilizando-se das técnicas de análise de componentes independentes (ICA) e análise discriminante linear (LDA). A partir destes resultados gerou-se uma aplicação web, denominada SADIM (Sistema de Auxílio a Diagnóstico de Imagem Mamográfica), que pode ser utilizado por qualquer profissional cadastrado. Palavras-chave: processamento de imagens médicas; diagnóstico auxiliado por computador; mamografias análise de imagens; codificação eficiente.

Made available in DSpace on 2016-08-16T18:18:41Z (GMT). No. of bitstreams: 1 TESE Lucio Flavio de Albuquerque Campos.pdf: 2195360 bytes, checksum: 81d7dbefdd6a7602831593716a16b445 (MD5) Previous issue date: 2013-06-14 / Breast Cancer remains the type of cancer with the largest incidence and mortality in women. The best method of prevention is early diagnosis, which is carried out with mammography. However, a mammogram is not effective when the breast has a composition of greater than 50% fibroglandular tissue, or dense tissue. Studies show that high breast density is identified as a risk factor for developing the disease, and because of this new diagnostic technique for cancer in patients with dense breasts are being studied. This thesis proposes a method for early diagnosis of cancer in dense breasts, considered in the literature as hard scanning and detection. The methodology applied in this work used MIAS database for tests, equalization adaptive of histogram and contrast stretching techniques for segmentation step, and independent component analysis maxima-relevance-minimal-redundance and support vector machine for classification step. The tests were carried out with 76 breast mammograms whose dense parenchyma s make detection difficult. From the tests, we obtained accuracy of 97.36% in the segmentation stage. Already in the classification stage was an accuracy of 97.2% with a sensitivity of 81.88% and specificity of 100%. Based on the results, considering that the method was performed only on mammograms difficult to detect, it can be considered that the method achieved excellent performance, justifying the test in larger databases, and eventually enabling their use in hospitals and radiology clinics. / O câncer de mama continua sendo o tipo de câncer de maior incidência e mortalidade entre as mulheres. O melhor método de prevenção é o diagnóstico precoce, que é realizado com o auxilio da mamografia. Contudo, a mamografia não é eficaz quando a mama apresenta uma composição superior a 50 % de tecido fibroglandular, ou seja, de tecido denso. Estudos comprovam que a densidade mamária elevada é apontada como um fator de risco para o desenvolvimento da doença, e devido a isso novas técnicas de diagnóstico de câncer em pacientes com mamas densas estão sendo estudados. Esta tese propõe um método de diagnóstico precoce de câncer, em mamas densas, consideradas pela literatura de difícil rastreio e detecção, com o objetivo de aumentar as chances de cura da paciente, e diminuir os casos de mortalidade da doença. A metodologia empregada no trabalho utilizou a base de dados MIAS para teste, técnicas de equalização adaptativa e alargamento de contraste, na fase de segmentação, e análise de componentes independentes, máxima relevância - mínima redundância e máquinas de vetor de suporte, na etapa de classificação. Os testes foram realizados com 76 mamogramas de mamas em que o parênquima denso dificulta a detecção. A partir dos testes realizados, obteve-se média de acerto de 97.36 % na etapa de segmentação. Já na etapa de classificação foi encontrada uma média de acerto de 97,2% com sensibilidade de 81.88% e especificidade de 100%. Baseado nos resultados encontrados, considerando que o método foi realizado apenas em mamogramas de difícil detecção, pode-se considerar que o método obteve excelente desempenho, justificando o teste em bases de dados maiores, e futuramente viabilizando seu uso em hospitais e clinicas de radiologia.

Made available in DSpace on 2016-08-17T14:52:50Z (GMT). No. of bitstreams: 1 Lucio Flavio de Albuquerque Campos.pdf: 558329 bytes, checksum: 1be43a8cd03ed147f8b5187d7e538e5a (MD5) Previous issue date: 2006-03-24 / We propose a method for discrimination and classification of mammograms with benign, malignant and normal tissues using independent component analysis and neural networks. The method was tested for a mammogram set from MIAS database, and multilayer perceptron. The method obtained a success rate of 97.83% , with 97.5% of specificity and 98% of sensitivity. / Neste trabalho, propomos um método para discriminação e classificação de mamogramas, com diagnóstico maligno, benigno e normal, usando análise de componentes independentes e redes neurais. O método foi testado com mamogramas da MIAS database, e com redes perceptron multicamadas. O método obteve uma taxa de sucesso média de 97.83%, com 97.5% de especificidade, e 98% de sensibilidade.

Propósito: Fraturas vertebrais por compressão (FVCs) são caracterizadas por colapso parcial de corpos vertebrais. Elas tipicamente ocorrem na população idosa de forma não traumática ou por trauma de baixa energia, podendo ser secundárias a fragilidade causada pela osteoporose (FVCs benignas) ou metástases vertebrais (FVCs malignas). Nosso trabalho tem o objetivo de detectar a presença de FVCs e de classifica-las como FVC maligna ou FVC benigna utilizando técnicas de processamento de imagens e aprendizado de máquinas em imagens ponderadas em T1 obtidas em ressonância magnética (RM). Materiais e Métodos: Foram utilizados os planos sagitais medianos das RMs da coluna lombar de 63 pacientes (38 mulheres e 25 homens) previamente diagnosticados com FVCs. Os corpos vertebrais lombares foram segmentados manualmente. Atributos de análise de níveis de cinza foram calculados do histograma dos corpos vertebrais. Foram extraídos também atributos de textura para analisar a distribuição dos níveis de cinza e atributos de forma para analisar o formato dos corpos vertebrais. No total, 102 FVCs lombares (53 benignas e 49 malignas) e 89 corpos vertebrais lombares foram analisados. Após a aplicação de métodos de seleção de atributos nos vetores de características, foram realizadas classificações com os classificadores k-nearest-neighbor (k-NN), uma rede neural artificial com função de base radial (RBF network), naïve Bayes, J48 e Support Vector Machine (SVM). O padrão de referência para calcular o desempenho diagnóstico do sistema desenvolvido foi uma classificação obtida do prontuário médico eletrônico com o diagnóstico final de cada caso, incluindo no mínimo informações a respeito de xxi biópsia para as FVC lesões malignas e acompanhamento clínico e laboratorial para as FVCs benignas. Três radiologistas classificaram os mesmos casos analisando as mesmas regiões de interesse (ROIs) que os classificadores e uma comparação entre classificadores e radiologistas foi realizada. Resultados: Os resultados obtidos pelos classificadores mostraram uma área abaixo da curva receiver operating characteristic (AUROC) de 0,984 para distinguir entre corpos vertebrais com FVC e normais e AUROC de 0,930 para discriminar entre FVC benigna e FVC maligna. Conclusão: Nosso método alcançou ótimos resultados na classificação de corpos vertebrais sem fratura, corpos vertebrais com fratura por osteoporose e corpos vertebrais com fraturas secundárias a doença metastática. Nossos resultados foram estatisticamente equivalentes ao de médicos radiologistas e se mostraram promissores na assistência em diagnóstico de FVCs. / Purpose: Vertebral compression fractures (VCFs) result in partial collapse of vertebral bodies. They usually are nontraumatic or occur with low-energy trauma in the elderly secondary to different etiologies, such as insufficiency fractures of bone fragility in osteoporosis (benign fractures) or vertebral metastasis (malignant fractures). Our study aims to detect the presence of VCFs and classify them as malignant and benign using image processing techniques and machine learning classifiers in T1-weighted magnetic resonance images (MRI). Materials and methods: We used the median sagittal planes of lumbar spine MRIs from 63 patients (38 women and 25 men) previously diagnosed with VCFs. The lumbar vertebral bodies were manually segmented and statistical features of gray levels were computed from the histogram. We also extracted texture features to analyze the gray-level distribution, and shape features to analyze the contours of the vertebral bodies. In total, 102 lumbar VCFs (53 benign and 49 malignant) and 89 normal lumbar vertebral bodies were analyzed. After run feature selection methods to the vector of features, the k-nearest-neighbor (k-NN), neural network with radial basis functions (RBF network), a naïve Bayes classifier, J48, and Support Vector Machine (SVM) were used for classification. We compared the classification obtained by these classifiers with the final diagnosis of each case, including biopsy for the malignant fractures and clinical and laboratory follow up for the benign fractures. Furthermore, three voluntary radiologists classified the same cases analyzing the same regions of interests (ROIs) used by the classifiers and a comparison between the classifiers and the radiologists was done. xxiii Results: The results obtained by the classifiers showed an area under the receiver operating characteristic curve (AUROC) of 0.984 in distinguishing between normal and fractured vertebral bodies, and AUROC of 0.930 in discriminating between benign and malignant VCFs. Conclusion: Our method reached great results in the classification of vertebral bodies without fractures, vertebral bodies with fractures due to osteoporosis and vertebral bodies with fractures due to metastatic diseases. Our results were statistically equivalent to the results of the classifications made by radiologists and they showed to be promising in diagnosis assisting of VCFs.

O desenvolvimento tecnológico proporciona uma melhoria na qualidade de vida devido à facilidade, rapidez e flexibilidade no acesso à informação. Na área biomédica, a tecnologia é reconhecidamente uma importante aliada, permitindo o rápido desenvolvimento de métodos e técnicas que auxiliam o profissional na atenção à saúde. Recentes avanços na análise computadorizada de imagens médicas contribuem para o diagnóstico precoce de uma série de doenças. Nesse trabalho é apresentada uma metodologia para o desenvolvimento de um sistema computacional para caracterização de padrões em imagens pulmonares, baseado em técnicas de redes neurais artificiais. No estudo, buscou-se verificar a utilização de redes neurais auto-organizáveis como ferramenta de extração de atributos e redução de dimensionalidade de imagens radiográficas de tórax, objetivando a caracterização de lesões intersticiais de pulmão. Para a redução de dimensionalidade e extração de atributos, implementou-se um algoritmo baseado nos mapas auto-organizáveis (SOM), com algumas variações, obtendo-se uma redução dos cerca de 3 milhões de pixels que compõe uma imagem, para 240 elementos. Para a classificação dos padrões, utilizou-se uma rede Perceptron multi-camadas (MLP), validada com a metodologia leave-one-out. Com uma base contendo 79 exemplos de padrão linear, 37 exemplos de padrão nodular, 30 exemplos de padrão misto, e 72 exemplos de padrão normal, o classificador obteve a média de 89,5% de acerto, sendo 100% de classificação correta para o padrão linear, 67,5% para o padrão nodular, 63,3% para o padrão misto, e 100% para o padrão normal. Os resultados obtidos comprovam a validade da metodologia. / The technological development provides an improvement in the quality of life due to easiness, speed and flexibility in the access to the information. In the biomedical area, the technology is admitted as an important allied, allowing the fast development of methods and techniques that assist the professional in the health care. Recent advances in the computerized analysis of medical images contribute for the precocious diagnosis of a series of diseases. In this work a methodology for the development of a computational system for characterization of patterns in pulmonary images, based in techniques of artificial neural networks is presented. In the study, has searched for the verification the use of self-organizing neural networks as a feature extraction and dimensionality reduction tool of chest radiographs, willing to characterize interstitial lung disease. For the dimensionality reduction and feature extraction, an algorithm based on Self-Organizing Maps (SOM) was implemented, with some variations, getting a reduction of about 3 million pixels that it composes an image, for 240 elements. For the pattern classification, a Multilayer Perceptron (MLP) was used, validated with the leave-one-out methodology. With a database containing 79 samples of linear pattern, 37 samples of nodular pattern, 30 samples of mixed pattern, and 72 samples of normal pattern, the classifier provided an average result of 89.5% of right classification, with 100% of right classification for linear pattern, 67.5% for nodular pattern, 63.3% for mixed pattern, and 100% for normal pattern. The results prove the validity of the methodology.

Abstract : Malignant brain tumors are the second leading cause of cancer related deaths in children under 20. There are nearly 700,000 people in the U.S. living with a brain tumor and 17,000 people are likely to loose their lives due to primary malignant and central nervous system brain tumor every year. To identify whether a patient is diagnosed with brain tumor in a non-invasive way, an MRI scan of the brain is acquired followed by a manual examination of the scan by an expert who looks for lesions (i.e. cluster of cells which deviate from healthy tissue). For treatment purposes, the tumor and its sub-regions are outlined in a procedure known as brain tumor segmentation . Although brain tumor segmentation is primarily done manually, it is very time consuming and the segmentation is subject to variations both between observers and within the same observer. To address these issues, a number of automatic and semi-automatic methods have been proposed over the years to help physicians in the decision making process. Methods based on machine learning have been subjects of great interest in brain tumor segmentation. With the advent of deep learning methods and their success in many computer vision applications such as image classification, these methods have also started to gain popularity in medical image analysis. In this thesis, we explore different machine learning and deep learning methods applied to brain tumor segmentation. / Résumé: Les tumeurs malignes au cerveau sont la deuxième cause principale de décès chez les enfants de moins de 20 ans. Il y a près de 700 000 personnes aux États-Unis vivant avec une tumeur au cerveau, et 17 000 personnes sont chaque année à risque de perdre leur vie suite à une tumeur maligne primaire dans le système nerveu central. Pour identifier de façon non-invasive si un patient est atteint d'une tumeur au cerveau, une image IRM du cerveau est acquise et analysée à la main par un expert pour trouver des lésions (c.-à-d. un groupement de cellules qui diffère du tissu sain). Une tumeur et ses régions doivent être détectées à l'aide d'une segmentation pour aider son traitement. La segmentation de tumeur cérébrale et principalement faite à la main, c'est une procédure qui demande beaucoup de temps et les variations intra et inter expert pour un même cas varient beaucoup. Pour répondre à ces problèmes, il existe beaucoup de méthodes automatique et semi-automatique qui ont été proposés ces dernières années pour aider les praticiens à prendre des décisions. Les méthodes basées sur l'apprentissage automatique ont suscité un fort intérêt dans le domaine de la segmentation des tumeurs cérébrales. L'avènement des méthodes de Deep Learning et leurs succès dans maintes applications tels que la classification d'images a contribué à mettre de l'avant le Deep Learning dans l'analyse d'images médicales. Dans cette thèse, nous explorons diverses méthodes d'apprentissage automatique et de Deep Learning appliquées à la segmentation des tumeurs cérébrales.

A possibilidade de recuperar e comparar imagens usando as suas características visuais intrínsecas é um recurso valioso para responder a consultas por similaridade em imagens médicas. Desse modo, a agregação desses recursos aos Sistemas de Arquivamento e Comunicação de Imagens (Picture Archiving and Communication Systems - PACS) vêm potencializar a utilidade e importância destes no contexto de atividades tais como ensino e treinamento de novos radiologistas, estudos de casos e auxílio ao diagnóstico de forma geral, uma vez que as consultas por similaridade permitem que casos parecidos possam ser facilmente recuperados. O trabalho apresentado nesta tese possui duas vertentes. Primeiro, ele apresenta novos métodos de extração e de características, com o objetivo de obter a essência das imagens, considerando um critério específico. Os atributos obtidos pelos algoritmos de extração são armazenados em vetores de características para posteriormente serem utilizados para indexar e recuperar as imagens baseando-se em seu conteúdo, para responder a consultas por similaridade. Há uma relação próxima entre os vetores de características e as funções de distância utilizadas para compará-los. Assim, a segunda parte deste trabalho trata da proposta, análise e comparação de novas famílias de funções de distância. As funções de distância propostas têm por objetivo tratar o problema do gap semântico, o qual representa o principal obstáculo das funções de distância tradicionais, derivadas da família Lp, quando processam consultas por similaridade. As principais contribuições desta tese incluem o desenvolvimento de novos métodos de extração e comparação de características de imagens, que operam sobre os três principais descritores de baixo nível de imagens: distribuição de cor, textura e forma. Os experimentos realizados mostraram que os ganhos em precisão são maiores para os métodos propostos, quando comparados com algoritmos tradicionais. No que diz respeito às famílias de funções de distância propostas (WAID e SAID), pelos resultados iniciais obtidos, podemos afirmar que eles são bastante promissores no sentido de se aproximarem da expectativa do usuário, no momento de comparar imagens. Os resultados obtidos com esse trabalho podem ser futuramente integrados aos PACS. Particularmente, pretendemos acrescentar novos algoritmos e métodos ao cbPACS, que consiste em um sistema PACS em construção, desenvolvido em uma colaboração entre o Grupo de Bases de Dados e Imagens (GBDI) do Instituto de Ciências Matemáticas e de Computação - USP e o Centro de Ciências da Imagens e Física Médica (CCIFM) da Faculdade de Medicina de Ribeirão Preto - USP / The ability of retrieving and comparing images using their inherent pictorial information is a valuable asset to answer similarity queries over medical images. Thus, having such resources added in Picture Archiving and Communication Systems (PACS) increase their applicability and importance in the context of teaching and training new radiologists on diagnosing, since that similar cases can be easily retrieved. Similarity queries also play an important role on gathering close images, what allows to perform case studies, as well as to aid on diagnosing. The work presented in this thesis is twofold. First, it presents new feature extraction techniques, which aim at obtaining the essence of the images regarding a given criteria. The features obtained by the algorithms are stored in feature vectors and employed to index and retrieve the images by content, in order to answer similarity queries. There is a close relationship among feature vectors and the distance function employed to compare them. Thus, the second, part of this work concerns the comparison, analysis and proposal of new families of distance functions to compare the features extracted from the images. The distance functions proposed intend to deal with the semantic gap problem, which is the main drawback of the traditional distance functions derived from the Lp metrics when processing similarity queries. The main contributions of this thesis include the development of new image feature extractors that works on the three aspects of raw image data (color distribution, texture and shape). The experiments have shown that the gain in precision are higher for all the feature extractors proposed, when comparing with the state-of-the-art algorithms. Regarding the two families of distance functions WAID and SAID proposed, by the initial experiments performed we can claim that they are very promising on preserving the user expectation when comparing images. The results provided by this work can be straightforwardly integrated to PACS. Particularly, we intend to add the new algorithms and methods to cbPACS, which is under joined development between the Image Data Base Group of Instituto de CiLncias Matemáticas e de Computaçno of USP and Centro de CiLncias de Imagens e Física Médica of Faculdade de Medicina de Ribeirno Preto of USP

El texto completo de este trabajo no está disponible en el Repositorio Académico UPC por restricciones de la casa editorial donde ha sido publicado. / This paper proposes a technological solution using a predictive analysis model to identify and reduce the level of risk for type 2 diabetes mellitus (T2DM) through a wearable device. Our proposal is based on previous models that use the auto-classification algorithm together with the addition of new risk factors, which provide a greater contribution to the results of the presumptive diagnosis of the user who wants to check his level of risk. The purpose is the primary prevention of type 2 diabetes mellitus by a non-invasive method composed of the phases: (1) Capture and storage of risk factors; (2) Predictive analysis model; (3) Presumptive results and recommendations; and (4) Preventive treatment. The main contribution is in the development of the proposed application. / Revisión por pares

Ultrasound imaging is one of the fundamental examinations of thyroid nodules, determining whether a patient undergoes a cytological examination, which is essential for the decision on a possible thyroid surgery. Unfortunately, the cytological examination has limited specificity and potential surgery carries risks. Therefore, other diagnostic methods are being sought with hope that they will be able to bring more certainty into diagnostics. One of the new methods is computer-aided diagnosis (CAD), which exhibits promising results using image analysis and machine learning. In this study, we present two somewhat similar, yet different, CAD approaches. The first approach is based on analysing entire nodules using a Segmentation Based Fractal Texture Analysis (SFTA) algorithm that splits the image into individual grayscale bands. Using this approach, we have achieved an accuracy of 92.4% using random forests (RF) and 95% using support vector machines (SVM) on a data set of 40 images evaluated by the cross-validation method. The second CAD approach is also based on the method of multiple image thresholding, but the difference is, that a larger number of predictors describing the binary texture are extracted from the individual grayscale bands. Furthermore, the analysis did not take place on whole nodules, but on...

Breast cancer is one of the most common cancers among women in the world, and the average error rate among radiologists during diagnosis is 30%. Computer-aided medical diagnosis aims to assist doctors by giving them a second opinion, thus decreasing the error rate. Convolutional neural networks (CNNs) have shown to be good for visual detection and recognition tasks, and have been explored in combination with transfer learning. However, the performance of a deep learning model does not only rely on the model itself, but on the nature of the dataset as well In breast cancer diagnosis, the area surrounding a mass provides useful context for diagnosis. In this study, we explore providing different amounts of context to the CNN model ResNet50, to see how it affects the model’s performance. We test masses with no additional context, twice the amount of original context and four times the amount of original context, using 10-fold cross-validation with ROC AUC and average precision (AP ) as our metrics. The results suggest that providing additional context does improve the model’s performance. However, giving two and four times the amount of context seems to give similar performance. / Bröstcancer är en av de vanligaste cancersjukdomar bland kvinnor i världen, och den genomsnittliga felfrekvensen under diagnoser är 30%. Datorstödd medicinsk diagnos syftar till att hjälpa läkare genom att ge dem en andra åsikt, vilket minskar felfrekvensen. Konvolutionella neurala nätverk (CNNs) har visat sig vara bra för visuell detektering och igenkännande, och har utforskats i samband med det s.k. “transfer learning”. Prestationen av en djup inlärningsmodell är däremot inte enbart beroende på modellen utan också på datasetets natur. I bröstcancerdiagnos ger området runt en bröstmassa användbar kontext för diagnos. I den här studien testar vi att ge olika mängder kontext till CNNmodellen ResNet50, för att se hur det påverkar modellens prestanda. Vi testar bröstmassor utan ytterligare kontext, dubbelt så mycket som den originala mängden kontext och fyra gånger så mycket som den orginala mängden kontext, med hjälp av “10-fold cross-validation” med ROC AUC och “average precision” (AP ) som våra mätvärden. Resultaten visar att mer kontext förbättrar modellens prestanda. Däremot verkar att ge två och fyra gånger så mycket kontext resultera i liknande prestanda.