Made available in DSpace on 2016-08-17T14:53:15Z (GMT). No. of bitstreams: 1 Daniel Rodrigues Ericeira.pdf: 2002346 bytes, checksum: df76ac081a5d0e5816a81b5699935561 (MD5) Previous issue date: 2011-03-17 / Mammography is the exam of the breast, used as breast cancer prevention and also as a diagnostic method. This exam, which consists in an X-Ray of the breast, allows cancer detection. The purpose of this work is to use image processing techniques and computer vision to help specialists in detecting suspect regions and masses in digital mammographies. The first stage of the methodology consists in pre-processing the images to make them more suitable to registration, through noise reduction, image segmentation and re-scale. The next stage presents bilateral left and right breast image pairs registration. In order to correct position and compression differences that occur during the exams, rigid registration (followed by optic flow deformable registration) was applied in each image pair. Corresponding pairs of regions were related and their mutual variations were measured through cross-variogram spatial description. On the next stage, a training model for a Support Vector Machine (SVM) was created using as characteristics the cross-variogram values of each pair of regions of 180 cases. This SVM was tested for 100 new cases. The region pairs that contained lesions were classified as suspect regions , and the other regions as non-suspect regions . From the suspect regions, variogram characteristics were extracted as tissue texture descriptors. The regions that contained masses were classified as mass regions and the other regions as non-mass regions . Stepwise linear discriminant analysis was applied to select the most significant characteristics to train the second SVM. Tests with 30 new cases were performed for the trained SVM final classification in mass or non-mass . The best case presented on the final classification: 96% accuracy, 100% sensitivity and 95,34% specificity. The worst case presented: 70% accuracy, 100% sensitivity and 67,56% specificity. On average, the 30 cases presented: 90% accuracy, 100% sensitivity and 85% specificity. / A mamografia é um exame de mama, utilizado de forma preventiva ao câncer de mama e também como método diagnóstico. Este exame, que consiste em uma radiografia das mamas, permite a detecção do câncer. O objetivo deste trabalho é utilizar técnicas de processamento de imagens e visão computacional para auxiliar especialistas na detecção de regiões suspeitas e detecção de massas mamárias em mamografias digitais. A primeira etapa da metodologia consiste em pré-processar as imagens de forma a torná-las mais apropriadas ao registro, através de redução de ruído, segmentação e re-dimensionamento. A etapa seguinte apresenta o registro bilateral de pares de mamas esquerda e direita. Para corrigir as diferenças de posicionamento e compressão ocorridas no momento do exame, o método de registro rígido foi aplicado (seguido do método de registro deformável com fluxo óptico) para cada par de imagens. Pares de regiões correspondentes foram relacionados e suas variações foram medidas através do descritor espacial variograma cruzado. Na etapa seguinte, foi criado um modelo para treinamento de uma Máquina de Vetores de Suporte (MVS) utilizando como características os valores de variograma cruzado de cada par de janelas de 180 casos. Esta MVS foi testada em 100 novos casos. Os pares que continham lesões foram classificados como regiões suspeitas ; as demais, como regiões não-suspeitas . Destas regiões suspeitas, foram extraídas características de variograma como descritores de textura de tecido. As regiões que continham massas foram classificadas como regiões de massa e as demais como regiões de não-massa . Análise linear discriminante stepwise foi aplicada para selecionar as características mais significativas para treinamento de uma segunda MVS. Foram realizados testes com 30 novos casos para a classificação final pela MVS treinada em massa e nãomassa . O melhor resultado apresentou na classificação final: 96% de acurácia, 100% de sensibilidade e 95,34% de especificidade. O pior caso apresentou: 70% de acurácia, 100% de sensibilidade e 67,56% de especificidade. Em média, os 30 casos apresentaram: 90% de acurácia, 100% de sensibilidade e 85% de especificidade.