Submitted by Luciana Sebin (lusebin@ufscar.br) on 2016-10-06T13:19:49Z No. of bitstreams: 1 DissAOS.pdf: 12231590 bytes, checksum: 0d013d4adc46d9e7c5828719c8c6951f (MD5) / Approved for entry into archive by Marina Freitas (marinapf@ufscar.br) on 2016-10-13T20:24:59Z (GMT) No. of bitstreams: 1 DissAOS.pdf: 12231590 bytes, checksum: 0d013d4adc46d9e7c5828719c8c6951f (MD5) / Approved for entry into archive by Marina Freitas (marinapf@ufscar.br) on 2016-10-13T20:25:09Z (GMT) No. of bitstreams: 1 DissAOS.pdf: 12231590 bytes, checksum: 0d013d4adc46d9e7c5828719c8c6951f (MD5) / Made available in DSpace on 2016-10-13T20:25:19Z (GMT). No. of bitstreams: 1 DissAOS.pdf: 12231590 bytes, checksum: 0d013d4adc46d9e7c5828719c8c6951f (MD5) Previous issue date: 2016-02-26 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Mammography is considered the “gold standard"in the early detection of breast cancer, being this disease one of the greatest health problems of women worldwide. Clustered microcalcifications detected on mammograms are very important findings in asymptomatic patients with early breast cancer and may be considered one of the first signs of malignancy. However, due to the small size of these structures, associated with the visual fatigue of radiologists resulting from the analysis of a large volume of images, clinical studies indicate that from 10 to 30% of microcalcifications presented in mammograms are lost during diagnosis. Within this scenario, this master thesis aims to develop an automatic system for the detection of clustered microcalcifications in digitized mammography images. To solve this problem, we use the transformed dua-three complex wavelet to detect the microcalsifications since this technique has some important characteristics for the signal analysis, for instance, good directional selectivity, approximate shift invariance and it provides both information - magnitude and phase. After the detection of isolated microcalcifications, a post-processing step is used to automatically demarcate regions containing clusters of microcalcifications. Furthermore, three techniques were investigated for the analysis of each clustered detection in order to identify false-positive clusters, such as: the Hessian matrix, the groups exclusion and the gray level co-occurrence matrix technique and SVM classifiers. For the development and testing of the algorithms one digitized mammogram database were used. The analysis of the results were performed by using ROC and FROC curves. The method achieved good results when compared to the mark made by experts. / A mamografia é considerada o "padrão ouro"na detecção precoce do câncer de mama, sendo essa doença um dos maiores problemas de saúde da mulher no mundo. Agrupamentos de microcalcificações detectados nos mamogramas são achados muito importantes em pacientes assintomáticas com câncer de mama e podem representar o primeiro sinal de malignidade. No entanto, devido ao reduzido tamanho dessas estruturas, associado à fadiga visual dos radiologistas resultante da análise de grandes volumes de imagens, estudos clínicos indicam que de 10 a 30% das microcalcificações presentes nos mamogramas são perdidas durante o diagnóstico. Diante deste quadro, este trabalho de mestrado tem por objetivo o desenvolvimento de um sistema automático para a detecção de agrupamentos de microcalcificações em imagens de mamogramas digitalizados. Para isso, utilizou-se a transformada wavelet complexa de árvore dupla (DT-CWT) para a detecção das microcalcificações, visto que essa técnica possui características importantes para a análise de sinais como, por exemplo, boa seletividade direcional, invariância aproximada ao deslocamento e fornece ambas informações – magnitude e fase. Após a detecção das microcalcificações isoladas, uma etapa de pós-processamento foi utilizada para demarcar automaticamente regiões contendo agrupamentos de microcalcificações. Além disso, três técnicas foram investigadas para a análise de cada agrupamento detectado, com o intuito de identificar agrupamentos falsopositivos, sendo elas: a matriz Hessiana, a exclusão de agrupamentos e a técnica de matriz de coocorrência de níveis de cinza e classificadores SVMs. Uma base de dados de mamogramas digitalizados foi utilizada para o desenvolvimento e testes dos algoritmos. A análise dos resultados foi realizada usando curvas ROC e FROC. O método obteve bons resultados quando comparado às marcações realizadas por especialistas e presentes na base de dados.