Este trabalho apresenta o estudo e implementação de um banco de conhecimentos para auxiliar o diagnóstico de lesões da mama por inspeção visual, permitindo ao médico consultas através de características pictóricas da imagem e a comparação visual entre imagem investigada e imagens previamente classificadas e suas informações clínicas. As imagens encontram-se classificadas no banco de conhecimentos segundo o padrão \"Breast imaging reporting and data systems\" (BI-RADS) do Colégio Americano de Radiologia. A seleção das imagens, informações clínicas representativas, bem como sua classificação foram realizada em conjunto com médicos radiologistas do Centro de Ciências das Imagens e Física Médica (CCIFM) da Faculdade de Medicina de Ribeirão Preto (FMRP) da Universidade de São Paulo (USP). O processo de indexação e recuperação das imagens é baseado em atributos de textura extraídos de \"Regions of interest\" (ROIs) previamente estabelecidas em mamogramas digitalizados. Para simplificar este processo, foi utilizado a Análise de Componentes Principais (PCA), que visa a redução do número de atributos de textura e as informações redundantes existentes. Os melhores resultados obtidos foram para as ROIs 139 (Precisão = 0.80), 59 (Precisão = 0.86) e um valor de 100% de acerto para a ROI 40. / This work presents the survey and implementation of a database of knowledge to aid the diagnostic of breast lesions through visual inspection, allowing the physician a seach through the characteristics of the contents of the image and the visual comparison between the analysed image and the previously classified images and its clinical information. The images are classified into the database of knowledge according to the pattern Breast Imaging Reporting and Data Systems (BI-RADS) of the American College of Radiology. The selection of the images, the representative clinical information, as well as its classification have been performed in conjunction with practictioners radiologists of the Centro de Ciências das Imagens e Física Médica (CCIFM) from Faculdade de Medicina de Ribeirão Preto (FMRP) from Universidade de São Paulo (USP). The process of indexing and retrieving the images is based on characteristic of the texture extracted from the regions of interest (ROIs) previously established through scanned mammograms. To simplify this path, the Principal Components Analysis (PCA) was used it aims the reduction of the number of features of texture and the existing redundant information. The best results obtained were to the ROIs 139 (precision = 0.80), 59 (precision = 0.86) and a value of 100% of precision for ROI 40.

O câncer de mama é hoje uma das principais causas de mortalidade de mulheres em todo o mundo. Porém, a sua detecção no estágio inicial de desenvolvimento aumenta consideravelmente as chances de cura. Exatamente por isso estão sendo desenvolvidos vários tipos de sistemas computacionais baseados em processamento de imagens em centros de pesquisas no mundo todo, a fim de auxiliar o radiologista na precisão do seu diagnóstico. A pesquisa aqui apresentada se insere nesse contexto e consistiu no desenvolvimento de um sistema computacional para detectar uma das estruturas que podem ser indício da presença do câncer de mama: os agrupamentos (\"clusters\") de microcalcificações. O sistema aqui apresentado tem como fonte de dados mamogramas digitalizados, nos quais são aplicadas técnicas de processamento para extrair as regiões de interesse e detectar os possíveis \"clusters\" existentes. Os resultados dos testes realizados mostraram que o sistema desenvolvido apresentou uma eficiência de 94% na identificação correta de \"clusters\". / Breast cancer is one of the main causes of women death all over the world. However, early detection of the disease increases greatly the possibility of cure. Therefore, several types of computer systems based on image processing are being developed by many research groups in order to aid the radiologist in the accuracy of the diagnosis. The work presented here is inserted in this context corresponding to the development of a computer system designed to detect microcalcifications clusters - structures which can be a strong indicative of breast cancer. This system database is digitized mammograms, to which image processing techniques are applied in order to detect regions of interest and the possible clusters. The results from the tests have shown an efficacy of 94% of the system in clusters correct identification.

A evolução dos dispositivos de armazenamento e das redes de computadores permitiram que os vídeos digitais assumissem um importante papel no desenvolvimento de sistemas de informação multimídia. Com a finalidade de aproveitar todo o potencial dos vídeos digitais no desenvolvimento desses sistemas, técnicas automatizadas eficientes para análise, interpretação e recuperação são necessárias. A recuperação de vídeos baseada em conteúdo (CBVR, do inglês content-based video retrieval) permite o processamento e a análise do conteúdo de vídeos digitais visando à extração de informações relevantes que viabilizem indexação e recuperação. Trabalhos científicos têm proposto a aplicação de CBVR em bases de vídeos médicos a fim de proporcionar diferentes contribuições como diagnóstico auxiliado por computador, suporte à tomada de decisão e disponibilização de bases de vídeos para utilização em treinamento e educação médica. Em geral, características visuais são as principais informações utilizadas no contexto de CBVR aplicada em vídeos médicos. No entanto, muitos diagnósticos são realizados por meio da análise dos sons produzidos em diferentes estruturas e órgãos do corpo humano. Um exemplo é o diagnóstico cardíaco que, além de exames de imagem como ecocardiografia e ressonância magnética, também pode empregar a análise dos sons provenientes do coração por meio da auscultação. O objetivo deste trabalho consistiu em aplicar e avaliar extratores de características de som em conjunto com extratores de características visuais para viabilizar CBVR e, então, inferir se a abordagem resultou em ganhos com relação ao desempenho de recuperação quando comparada à utilização apenas das características visuais. Vídeos médicos constituíram nosso principal interesse, porém o trabalho considerou também vídeos não relacionados à área médica para a validação da abordagem. Justifica-se o objetivo, pois a análise do som, visando a obter descritores relevantes para melhorar os resultados de recuperação, ainda é pouco explorada na literatura científica. Essa afirmação foi evidenciada com a condução de uma revisão sistemática sobre o tema. Dois conjuntos de experimentos foram conduzidos visando a validar a abordagem de CBVR mencionada. O primeiro conjunto de experimentos foi aplicado sobre uma base de vídeos sintetizados para validação da abordagem. Já o segundo, foi aplicado em uma base de vídeos construídos utilizando-se imagens provenientes de exames de ressonância magnética em conjunto com sons provenientes de auscultação do coração. Os resultados foram analisados utilizando-se as métricas de revocação e precisão, bem como o gráfico que as relaciona. Demonstrou-se que a abordagem é promissora por meio da melhora significativa dos resultados de recuperação nos diferentes cenários de combinação entre características visuais e sonoras experimentados / Advance of storage devices and computer networks has contributed to digital videos assume an important role in the development of multimedia information systems. In order to take advantage of the full potential of digital videos in the development of these systems, it is necessary the development of efficient techniques for automated data analysis, interpretation and retrieval. Content-based video retrieval (CBVR) allows processing and analysis of content in digital videos to extract relevant information and enable indexing and retrieval. Scientific studies have proposed the application of CBVR in medical video databases in order to provide different contributions like computer-aided diagnosis, decision-making support or availability of video databases for use in medical training and education. In general, visual characteristics are the main information used in the context of CBVR applied in medical videos. However, many diagnoses are performed by analysing the sounds produced in different structures and organs of the human body. An example is the cardiac diagnosis which, in addition to images generated by echocardiography and magnetic resonance imaging, for example, may also employ the analysis of sounds from the heart by means of auscultation. The objective of this work was evaluating combination between audio signal and visual features to enable CBVR and investigating how much this approach can improve retrieval results comparing to using only visual features. Medical videos are the main data of interest in this work, but video segments not related to the medical field were also used to validate the approach. The objectives of this work are justifiable because audio signal analysis, in order to get relevant descriptors to improve retrieval results, is still little explored in the scientific literature. This statement was evidenced by results of a systematic review. Two experiment sets were conducted to validate the CBVR approach described. The first experiment set was applied to a synthetic images database specially built to validate the approach, while the second experiment was applied to a database composed of digital videos created from magnetic resonance imaging and heart sounds from auscultation. Results were analyzed using the recall and precision metrics, as well as the graph which relates these metrics. Results showed that this approach is promising due the significantly improvement obtained in retrieval results to different scenarios of combination between visual and audio signal features

Bases de imagens armazenadas em sistemas computacionais da área médica correspondem a uma valiosa fonte de conhecimento. Assim, a mineração de imagens pode ser aplicada para extrair conhecimento destas bases com o propósito de apoiar o diagnóstico auxiliado por computador (Computer Aided Diagnosis - CAD). Sistemas CAD apoiados por mineração de imagens tipicamente realizam a extração de características visuais relevantes das imagens. Essas características são organizadas na forma de vetores de características que representam as imagens e são utilizados como entrada para classificadores. Devido ao problema conhecido como lacuna semântica, que corresponde à diferença entre a percepção da imagem pelo especialista médico e suas características automaticamente extraídas, um aspecto desafiador do CAD é a obtenção de um conjunto de características que seja capaz de representar de maneira sucinta e eficiente o conteúdo visual de imagens médicas. Foi desenvolvido neste trabalho o extrator de características FFS (Fast Fractal Stack) que realiza a extração de características de forma, que é um atributo visual que aproxima a semântica esperada pelo ser humano. Adicionalmente, foi desenvolvido o algoritmo de classificação Concept, que emprega mineração de regras de associação para predizer a classe de uma imagem. O aspecto inovador do Concept refere-se ao algoritmo de obtenção de representações de imagens, denominado MFS-Map (Multi Feature Space Map) e também desenvolvido neste trabalho. O MFS-Map realiza agrupamento de dados em diferentes espaços de características para melhor aproveitar as características extraídas no processo de classificação. Os experimentos realizados para imagens de tomografia pulmonar e mamografias indicam que tanto o FFS como a abordagem de representação adotada pelo Concept podem contribuir para o aprimoramento de sistemas CAD / Medical image databases represent a valuable source of data from which potential knowledge can be extracted. Image mining can be applied to knowledge discover from these data in order to help CAD (Computer Aided Diagnosis) systems. The typical set-up of a CAD system consists in the extraction of relevant visual features in the form of image feature vectors that are used as input to a classifier. Due to the semantic gap problem, which corresponds to the difference between the humans image perception and the features automatically extracted from the image, a challenging aspect of CAD is to obtain a set of features that is able to succinctly and efficiently represent the visual contents of medical images. To deal with this problem it was developed in this work a new feature extraction method entitled Fast Fractal Stack (FFS). FFS extracts shape features from objects and structures, which is a visual attribute that approximates the semantics expected by humans. Additionally, it was developed the Concept classification method, which employs association rules mining to the task of image class prediction. The innovative aspect of Concept refers to its image representation algorithm termed MFS-Map (Multi Feature Space Map). MFS-Map employs clustering in different feature spaces to maximize features usefulness in the classification process. Experiments performed employing computed tomography and mammography images indicate that both FFS and Concept methods for image representation can contribute to the improvement of CAD systems

A histopatologia é considerada um dos recursos diagnósticos mais importantes na prática médica e caracteriza-se pelo estudo das alterações estruturais e morfológicas das células e dos tecidos causadas por doenças. Atualmente, o principal método utilizado no diagnóstico histopatológico de imagens microscópicas, obtidas por meio de amostras em exames convencionais, é a avaliação visual do patologista, a qual se baseia na experiência do mesmo. O uso de técnicas de processamento computacional de imagens possibilita a identificação de elementos estruturais e a determinação de características inerentes, subsidiando o estudo da organização estrutural das células e de suas variações patológicas. A utilização de métodos computacionais no auxílio ao diagnóstico visa diminuir a subjetividade do processo de avaliação e classificação realizado pelo médico. Diferentes características dos tecidos podem ser mapeadas por meio de métricas específicas que poderão ser utilizadas em sistemas de reconhecimento de padrões. Dentro desta perspectiva, o objetivo geral deste trabalho inclui a proposta, a implementação e a avaliação de um método para a identificação e a análise de estruturas histológicas, a ser utilizado para a análise de lesões neoplásicas do colo do útero (NICs) a partir de amostras histopatológicas. Este trabalho foi desenvolvido em colaboração com uma equipe de patologistas, especialistas do domínio. As imagens microscópicas digitalizadas foram adquiridas a partir de lâminas previamente fixadas, contendo amostras de biópsias. Para segmentação dos núcleos celulares, foi implementado um pipeline de operadores morfológicos. Métodos de segmentação baseados em cor também foram testados e comparados à abordagem morfológica. Foi proposta e implementada uma abordagem baseada em camadas para representação do tecido, adotando-se a Triangulação de Delaunay (TD) como modelo de grafo de vizinhança. A TD apresenta algumas propriedades particulares que permitem a extração de métricas específicas. Foram utilizados algoritmos de agrupamento e morfologia de grafos, adotando-se critérios de semelhança e relações de adjacência entre os triângulos da rede, a fim de se obter a fronteira entre as camadas histológicas do tecido epitelial de forma automática. As seguintes métricas foram extraídas dos agrupamentos resultantes: grau médio, entropia e taxa de ocupação dos triângulos da rede. Finalmente, foi projetado um classificador estatístico levando-se em consideração os diferentes agrupamentos que poderiam ser obtidos a partir das imagens de treinamento. Valores de acurácia, sensitividade e especificidade foram utilizadas para avaliação dos resultados obtidos. Foi implementada validação cruzada em todos os experimentos realizados e foi utilizado um total de 116 imagens. Primeiro, foi avaliado a acurácia da metodologia proposta na determinação correta da presença de anomalia no tecido, para isto, todas as imagens que apresentavam NICs foram agrupadas em uma mesma classe. A maior taxa de acurácia obtida neste experimento foi de 88%. Em uma segunda etapa, foram realizadas avaliações entre as seguintes classes: Normal e NIC-I; NIC-I e NIC-II, e, NIC-II e NIC-III, obtendo-se taxas de acurácia máximas de 73%, 77% e 86%, respectivamente. Além disso, foi verificada também, a acurácia na discriminação entre os três tipos de NICs e regiões normais, obtendo-se acurácia de 64%. As taxas de ocupação relativas aos agrupamentos representativos das camadas basais e superficiais, foram os atributos que levaram às maiores taxas de acurácia. Os resultados obtidos permitem verificar a adequação do método proposto na representação e análise do processo de evolução das NICs no tecido epitelial do colo uterino. / Histopathology is considered one of the most important diagnostic tools in medical routine and is characterized by the study of structural and morphological changes of the cells in biological tissues caused by diseases. Currently, the visual assessment of the pathologist is the main method used in the histopathological diagnosis of microscopic images obtained from biopsy samples. This diagnosis is usually based on the experience of the pathologist. The use of computational techniques in the processing of these images allows the identification of structural elements and the determination of inherent characteristics, supporting the study of the structural organization of tissues and their pathological changes. Also, the use of computational methods to improve diagnosis aims to reduce the subjectivity of the evaluation made by the physician. Besides, different tissue characteristics can be mapped through specific metrics that can be used in pattern recognition systems. Within this perspective, the overall objective of this work includes the proposal, the implementation and the evaluation of a methodology for the identification and analysis of histological structures. This methodology includes the specification of a method for the analysis of cervical intraepithelial neoplasias (CINs) from histopathological samples. This work was developed in collaboration with a team of pathologists. Microscopic images were acquired from blades previously stained, containing samples of biopsy examinations. For the segmentation of cell nuclei, a pipeline of morphological operators were implemented. Segmentation techniques based on color were also tested and compared to the morphological approach. For the representation of the tissue architecture an approach based on the tissue layers was proposed and implemented adopting the Delaunay Triangulation (DT) as neighborhood graph. The DT has some special properties that allow the extraction of specific metrics. Clustering algorithms and graph morphology were used in order to automatically obtain the boundary between the histological layers of the epithelial tissue. For this purpose, similarity criteria and adjacency relations between the triangles of the network were explored. The following metrics were extracted from the resulting clusters: mean degree, entropy and the occupation rate of the clusters. Finally, a statistical classifier was designed taking into account the different combinations of clusters that could be obtained from the training process. Values of accuracy, sensitivity and specificity were used to evaluate the results. All the experiments were taken in a cross-validation process (5-fold) and a total of 116 images were used. First, it was evaluated the accuracy in determining the correct presence of abnormalities in the tissue. For this, all images presenting CINs were grouped in the same class. The highest accuracy rate obtained for this evaluation was 88%. In a second step, the discrimination between the following classes were analyzed: Normal/CIN 1; CIN 1/CIN 2, and, CIN 2/CIN 3, which represents the histological grading of the CINs. In a similar way, the highest accuracy rates obtained were 73%, 77% and 86%, respectively. In addition, it was also calculated the accuracy rate in discriminating between the four classes analyzed in this work: the three types of CINs and the normal region. In this last case, it was obtained a rate of 64%.The occupation rate for the basal and superficial layers were the attributes that led to the highest accuracy rates. The results obtained shows the adequacy of the proposed method in the representation and classification of the CINs evolution in the cervical epithelial tissue.

Este trabalho apresenta um estudo de classificação de nódulos em mamograma digitalizados através de um classificador de rede neural artificial (RNA). O algoritmo de treinamento de \"backpropagation\" foi utilizado para ajustar os pesos da RNA. O objetivo principal deste trabalho foi determinar um método para analisar e selecionar a melhor configuração de atributos e topologia da RNA para classificar lesões mamárias do tipo nódulo. Foram escolhidas 118 imagens de regiões de interesse (ROI), sendo 68 benignas e 50 malignas de duas bases de imagens: uma do Hospital das Clínicas de Ribeirão Preto, da Universidade de São Paulo, e outra do MIAS-UK (Mammographic Image Analysis Society). O processo completo envolveu quatro etapas: detecção, extração e seleção de atributos, e classificação. Na etapa de detecção, as imagens foram submetidas ao processo combinado das técnicas segmentação de thresholding, morfologia matemática e crescimento de região. Foram extraídos 14 atributos de textura e 14 atributos de forma. Para selecionar os atributos mais discriminantes, foi utilizado o método de Jeffries-Matusita. Foram selecionados três grupos de atributos de forma, três de atributos de textura e três de atributos combinados. Análise pela curva ROC foram dirigidas para avaliar o desempenho do classificador de rede neural artificial (RNA). Os melhores resultados obtidos foram: para o grupo de atributos de forma com 5 unidades escondidas, a área dentro da curva ROC foi de 0.99, taxa de acerto de 98,21%, taxa de especificidade de 98,37% e taxa de sensibilidade de 98.00%; para o grupo de atributos de textura com 4 unidades escondidas, a área dentro da curva foi de 0.98, taxa de acerto de 97,08%, taxa de especificidade de 98,53% e taxa de sensibilidade de 95.11%; para o grupo de atributos combinados de textura e forma com 3 unidades escondidas, a área dentro da curva foi de 0.99, taxa de acerto de 98,21%, taxa de especificidade de 100.00% e taxa de sensibilidade de 95.78%. / This work presents a study of masses classification in digitized mammograms by means of artificial neural network (ANN). The backpropagation training algorithm was used to adjust the weights of ANN. The aim of this work was to determine a methodology to analyze and selection of the best feature subset and ANN topology to classify masses lesions. A total of 118 regions of interest images were chosen (68 benign and 50 malignant lesions) from two image databases: one from \"Hospital das Clínicas de Ribeirão Preto\", at the University of São Paulo, and other from Mammographic lmage Analysis Society (MIAS-UK). The whole process involved four steps: segmentation, feature extraction, selection, and classification. In the first step, the images were submitted to a combined process of thresholding, mathematical morphology, and region growing techniques. In the second step, fourteen texture features and fourteen shape features were extracted. The Jeffries-Matusita method was used to select the best features. The results of this stage were the selection of three shape feature sets, three texture feature sets, and three combined feature sets. The Receiver Operating Characteristic (ROC) analysis were conducted to evaluated the ANN classifier performance. The best result obtained for shape feature set was obtained using a ANN with 5 hidden units, the area under ROC curve was of 0.99, classification rate of 98.21%, specificity rate of 98.37% and sensitivity rate of 98.00%. For texture feature set, the best result was using a ANN with 4 hidden units, the area under ROC curve was of 0.98, classification rate of 97.08%, specificity rate of 98.53% and sensitivity rate of 95.11%. Finally, for the combined feature set (texture and shape) the best result obtained was using a ANN with 3 hidden units, the area under ROC curve was of 0.99, classification rate of 98.21%, specificity rate of 100.00% and sensitivity rate of 95.78%.

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

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.

Orientador: Macelo Zanchetta do Nascimento. / Dissertação (mestrado) - Universidade Federal do ABC. Programa de Pós-Graduação em Engenharia da Informação, 2009.