Os Esquemas CAD (\"Computer - Aided Diagnosis\") têm mostrado bons resultados no auxílio ao diagnóstico precoce do câncer de mama. A classificação, nesses esquemas, é algo complexo e abrange investigações não só de técnicas computacionais, mas também das caracterizações citológicas dos achados de interesse clínico. Por isso, o presente trabalho objetivou o desenvolvimento de um esquema classificador visando a indicação de cada caso como \"suspeito\" e \"não-suspeito\", com base em investigações de imagens mamográficas digitalizadas. Nessa investigação em particular, o foco de análise foram agrupamentos de microcalcificações detectadas por técnicas de processamento de imagens. A técnica de classificação utilizada no esquema baseou-se em redes neurais artificiais (RNA) supervisionadas, empregando algoritmo de aprendizagem \"backpropagation\". O esquema classificador usando RNA, mostrou a eficiência dos descritores de forma na caracterização dos agrupamentos de microcalcificações e também a influência de atributos extraídos dos laudos das imagens como a idade e a \"densificação\". Os melhores resultados obtidos - apresentados aqui em forma de porcentagens e também de curvas ROC - mostraram 92% de acerto total com Az = 0,96 aproximadamente, índices compatíveis aos dos melhores classificadores descritos pela literatura. / Computer-aided diagnosis (CAD) schemes have shown good results in aiding the early diagnosis of breast câncer. In such schemes, the classification is usually complex and it in uses not only computer techniques, but also cythologycal characterization of the clinical findings. Thus, this work has aimed to develop a classifier scheme regarding to indicate each case as \"suspected\" or \"non-suspected\", based upon digitized mammographic images investigation. This analysis focus was clustered microcalcifications detected by image processing techniques. The classification technique used in the scheme was based on supervised artificial neural networks (ANN), with backpropagation as learning algorithm. The classifier using ANN has shown the geometric descriptors efficiency for characterizing microcalcifications clusters as well as the influence of features extracted from images reports, as \"age\" and \"density\". The best data - presented here by percentage values and also by ROC curves - have shown 92% of conect results, with Az = 0,96, which are comparable to the values from the best classifiers describeb by literature.

Os Esquemas CAD (\"Computer - Aided Diagnosis\") têm mostrado bons resultados no auxílio ao diagnóstico precoce do câncer de mama. A classificação, nesses esquemas, é algo complexo e abrange investigações não só de técnicas computacionais, mas também das caracterizações citológicas dos achados de interesse clínico. Por isso, o presente trabalho objetivou o desenvolvimento de um esquema classificador visando a indicação de cada caso como \"suspeito\" e \"não-suspeito\", com base em investigações de imagens mamográficas digitalizadas. Nessa investigação em particular, o foco de análise foram agrupamentos de microcalcificações detectadas por técnicas de processamento de imagens. A técnica de classificação utilizada no esquema baseou-se em redes neurais artificiais (RNA) supervisionadas, empregando algoritmo de aprendizagem \"backpropagation\". O esquema classificador usando RNA, mostrou a eficiência dos descritores de forma na caracterização dos agrupamentos de microcalcificações e também a influência de atributos extraídos dos laudos das imagens como a idade e a \"densificação\". Os melhores resultados obtidos - apresentados aqui em forma de porcentagens e também de curvas ROC - mostraram 92% de acerto total com Az = 0,96 aproximadamente, índices compatíveis aos dos melhores classificadores descritos pela literatura. / Computer-aided diagnosis (CAD) schemes have shown good results in aiding the early diagnosis of breast câncer. In such schemes, the classification is usually complex and it in uses not only computer techniques, but also cythologycal characterization of the clinical findings. Thus, this work has aimed to develop a classifier scheme regarding to indicate each case as \"suspected\" or \"non-suspected\", based upon digitized mammographic images investigation. This analysis focus was clustered microcalcifications detected by image processing techniques. The classification technique used in the scheme was based on supervised artificial neural networks (ANN), with backpropagation as learning algorithm. The classifier using ANN has shown the geometric descriptors efficiency for characterizing microcalcifications clusters as well as the influence of features extracted from images reports, as \"age\" and \"density\". The best data - presented here by percentage values and also by ROC curves - have shown 92% of conect results, with Az = 0,96, which are comparable to the values from the best classifiers describeb by literature.

Este trabalho trata, inicialmente, de uma extensa investigação acerca do efeito que o processo de digitalização da imagem exerce num esquema de processamento de imagens em mamografia. Como todas as etapas de processamento tomam por base a imagem original digitalizada, os diferentes equipamentos, tecnologias, softwares de aquisição e características do processo contribuem para produzir diferentes aspectos na digitalização de um mesmo filme mamográfico. Por conseguinte, as etapas envolvidas do pré-processamento à classificação, passando principalmente pela segmentação dessas imagens, poderão produzir diferentes resultados dependendo da fidelidade da imagem digital em relação à mamografia original. Assim, essa pesquisa focaliza uma avaliação comparativa das características das imagens mamográficas adquiridas em diferentes sistemas de digitalização, tomando por base o efeito que esse processo exerce na sensibilidade de módulos de um esquema CAD (de Computer-Aided Diagnosis) previamente desenvolvido em nosso grupo. Com base nisso, propõe-se um modelo computacional que permite compensar as eventuais degradações introduzidas no processo de digitalização, em busca de uma maior uniformidade das imagens mamográficas digitais, independentemente do equipamento utilizado na digitalização. Testes conduzidos com as imagens digitais geradas em vários sistemas diferentes - desde equipamentos mais comuns, com adaptadores de transparência, até os mais sofisticados, com varredura a laser, e de alto custo - utilizando o driver de digitalização aqui proposto mostraram que houve um aumento da sensibilidade na detecção de microcalcificações para todos os casos em relação à utilização das imagens originalmente digitalizadas sem a aplicação do modelo. Além disso, foi significativa também a redução na taxa de falsos-positivos (entre 70 e 90%) nas mesmas condições. Como efeito, a presente proposta torna acessível a qualquer instituição radiológica a possibilidade de aplicação de esquemas de processamento para auxiliar a detecção e/ou diagnóstico de estruturas suspeitas em mamografia, mesmo que utilizando digitalizadores menos sofisticados - e, portanto, de menor custo - para a produção das imagens mamográficas digitais e sem perda de qualidade do desempenho. / This work corresponds to an extensive investigation on the effect of the image digitization process on an image processing scheme in mammography. As all the processing steps are based on a digitized image, different equipment, technologies, acquisition softwares and characteristics regarding such a procedure contribute to yield different features during the digitization of a same mammographic film. As a consequence, all the steps since the pre-processing up to the classification, mainly the images segmentation, could give different results depending on the digital image fidelity relatively to the original mammogram. Therefore, this research concentrates on a comparative evaluation of mammographic images acquired from several digitization systems, concerning the effect of this procedure on the sensitivity of a CAD scheme sections previously developed in our research group. A computer model is proposed in order to compensate some flaws introduced in the digitization procedure. The purpose is assuring more uniformity to the digital mammography images, no matter the digitizer used. Tests with digital images from several different systems - since common equipment, with transparency adaptors, up to the most expensive and sophisticated, with laser scanning - by using the digitization driver proposed in this work have shown an increase in microcalcifications detection sensitivity for all cases relatively to the use of original digitized images without making use of the proposed model. Furthermore, the reduction in false positive rates was significant (from 70% up to 90%) in the same conditions. Therefore, the current application makes possible to any radiological institution the use of processing schemes to aid the detection and/or diagnosis of suspect structures in mammography, even using less sophisticated - and thus, with low cost - digitizers and keeping the performance quality.

Nos últimos anos, a avaliação automática de mamogramas digitalizados tem sido muito estudada. Através da integração de pacotes de programas semi-automáticos de pré-processamento e processamento para auxílio ao diagnóstico precoce do câncer de mama, foi desenvolvido um esquema CAD (Computer-Aided Diagnosis) para mamografia, com o objetivo de otimizar o tempo de processamento da região de interesse e automatizar os processos sem a necessidade de intervenção do usuário durante a execução. Com a automatização criou-se uma interface de fácil operação. Os pacotes de processamento foram devidamente documentados, tornando-se um esquema estruturado / In the last years, the automatic evaluation of digitized mammograms has been a lot studied. Through the interconnection of packages of semiautomatic of pre-processing and processing for aid to the precocious diagnosis of the breast cancer, a Computer-Aided Diagnosis (CAD) schemes for mammography was developed, with the objective to optimize the time of processing of the interest region and to automate the processes without necessity of intervention of the user during the execution. With automation an interface of easy operation was created. The processing packages were documented becoming a structured scheme

Visando a um melhor desempenho na avaliação de imagens mamográficas, diversos trabalhos utilizando técnicas de processamento de imagem vêm sendo desenvolvidos como parte de esquemas computacionais que auxiliam o diagnóstico, denominados de esquemas CAD. Entretanto, um dos maiores desafios no desenvolvimento destes sistemas está relacionado com a avaliação de seu desempenho, que pode apresentar inconsistências, como impossibilidade de comparação dos resultados devido à dificuldade de se obter bancos de imagens amplos, comuns e confiáveis, que apresentem características de aquisição variadas atendendo aos requisitos específicos da técnica. Este trabalho tem por objetivo auxiliar nesse campo, apresentando um protótipo de simulador radiográfico de mama que possibilite gerar imagens que se assemelhem às de uma mamografia real através ainda de uma distribuição aleatória das estruturas de interesse simuladas. Isso permite a aquisição de um grande conjunto de imagens, por diferentes formas e condições, tornando possível testar e avaliar com maior precisão o desempenho de esquemas CAD destinados à mamografia. Tem a virtude de dispensar a validação dos resultados apontados pelo esquema com base no laudo do especialista, visto que é possível saber previamente quais são e quantas são as estruturas presentes em cada imagem, bem como a localização exata de cada uma delas. Portanto, torna-se possível assegurar com confiança a eficácia e viabilidade do esquema CAD testado, tanto em relação ao resultado apresentado pelo sistema quanto em relação à minimização de erros sistemáticos, dada a aleatoriedade da distribuição das estruturas-alvo da avaliação, como ocorre no exame real. / In order to obtain a better performance in the evaluation of mammographic images, several studies using image processing techniques have been developed as part of computer aided diagnosis, known as CAD systems. However, one of the main challenges in the development of such schemes is the performance evaluation, which may present problems, as such as difficulty in comparing results due to the inability to obtain large and common databases with wide-ranging characteristics of image acquisition. This work has the purpose of helping in this field, by presenting a breast phantom to allow obtaining images closer to those from actual mammography due to a random distribution of simulated interest structures. This provides to get a large images set, obtained from different conditions, and it allows to evaluate more accurately the performance of mammography CAD schemes. The use of this phantom has also the advantage of validating the scheme results without using the radiological report, since it provides the exact knowledge of the number and characteristics of the structures present in the image, as well as their positioning. Therefore, the efficacy and feasibility of a CAD scheme under test can be assured, regarding the results and also by the minimization of systematic errors due to the random distribution of the structures of clinical interest, similarly to the actual exam.

Visando a um melhor desempenho na avaliação de imagens mamográficas, diversos trabalhos utilizando técnicas de processamento de imagem vêm sendo desenvolvidos como parte de esquemas computacionais que auxiliam o diagnóstico, denominados de esquemas CAD. Entretanto, um dos maiores desafios no desenvolvimento destes sistemas está relacionado com a avaliação de seu desempenho, que pode apresentar inconsistências, como impossibilidade de comparação dos resultados devido à dificuldade de se obter bancos de imagens amplos, comuns e confiáveis, que apresentem características de aquisição variadas atendendo aos requisitos específicos da técnica. Este trabalho tem por objetivo auxiliar nesse campo, apresentando um protótipo de simulador radiográfico de mama que possibilite gerar imagens que se assemelhem às de uma mamografia real através ainda de uma distribuição aleatória das estruturas de interesse simuladas. Isso permite a aquisição de um grande conjunto de imagens, por diferentes formas e condições, tornando possível testar e avaliar com maior precisão o desempenho de esquemas CAD destinados à mamografia. Tem a virtude de dispensar a validação dos resultados apontados pelo esquema com base no laudo do especialista, visto que é possível saber previamente quais são e quantas são as estruturas presentes em cada imagem, bem como a localização exata de cada uma delas. Portanto, torna-se possível assegurar com confiança a eficácia e viabilidade do esquema CAD testado, tanto em relação ao resultado apresentado pelo sistema quanto em relação à minimização de erros sistemáticos, dada a aleatoriedade da distribuição das estruturas-alvo da avaliação, como ocorre no exame real. / In order to obtain a better performance in the evaluation of mammographic images, several studies using image processing techniques have been developed as part of computer aided diagnosis, known as CAD systems. However, one of the main challenges in the development of such schemes is the performance evaluation, which may present problems, as such as difficulty in comparing results due to the inability to obtain large and common databases with wide-ranging characteristics of image acquisition. This work has the purpose of helping in this field, by presenting a breast phantom to allow obtaining images closer to those from actual mammography due to a random distribution of simulated interest structures. This provides to get a large images set, obtained from different conditions, and it allows to evaluate more accurately the performance of mammography CAD schemes. The use of this phantom has also the advantage of validating the scheme results without using the radiological report, since it provides the exact knowledge of the number and characteristics of the structures present in the image, as well as their positioning. Therefore, the efficacy and feasibility of a CAD scheme under test can be assured, regarding the results and also by the minimization of systematic errors due to the random distribution of the structures of clinical interest, similarly to the actual exam.

Este trabalho trata, inicialmente, de uma extensa investigação acerca do efeito que o processo de digitalização da imagem exerce num esquema de processamento de imagens em mamografia. Como todas as etapas de processamento tomam por base a imagem original digitalizada, os diferentes equipamentos, tecnologias, softwares de aquisição e características do processo contribuem para produzir diferentes aspectos na digitalização de um mesmo filme mamográfico. Por conseguinte, as etapas envolvidas do pré-processamento à classificação, passando principalmente pela segmentação dessas imagens, poderão produzir diferentes resultados dependendo da fidelidade da imagem digital em relação à mamografia original. Assim, essa pesquisa focaliza uma avaliação comparativa das características das imagens mamográficas adquiridas em diferentes sistemas de digitalização, tomando por base o efeito que esse processo exerce na sensibilidade de módulos de um esquema CAD (de Computer-Aided Diagnosis) previamente desenvolvido em nosso grupo. Com base nisso, propõe-se um modelo computacional que permite compensar as eventuais degradações introduzidas no processo de digitalização, em busca de uma maior uniformidade das imagens mamográficas digitais, independentemente do equipamento utilizado na digitalização. Testes conduzidos com as imagens digitais geradas em vários sistemas diferentes - desde equipamentos mais comuns, com adaptadores de transparência, até os mais sofisticados, com varredura a laser, e de alto custo - utilizando o driver de digitalização aqui proposto mostraram que houve um aumento da sensibilidade na detecção de microcalcificações para todos os casos em relação à utilização das imagens originalmente digitalizadas sem a aplicação do modelo. Além disso, foi significativa também a redução na taxa de falsos-positivos (entre 70 e 90%) nas mesmas condições. Como efeito, a presente proposta torna acessível a qualquer instituição radiológica a possibilidade de aplicação de esquemas de processamento para auxiliar a detecção e/ou diagnóstico de estruturas suspeitas em mamografia, mesmo que utilizando digitalizadores menos sofisticados - e, portanto, de menor custo - para a produção das imagens mamográficas digitais e sem perda de qualidade do desempenho. / This work corresponds to an extensive investigation on the effect of the image digitization process on an image processing scheme in mammography. As all the processing steps are based on a digitized image, different equipment, technologies, acquisition softwares and characteristics regarding such a procedure contribute to yield different features during the digitization of a same mammographic film. As a consequence, all the steps since the pre-processing up to the classification, mainly the images segmentation, could give different results depending on the digital image fidelity relatively to the original mammogram. Therefore, this research concentrates on a comparative evaluation of mammographic images acquired from several digitization systems, concerning the effect of this procedure on the sensitivity of a CAD scheme sections previously developed in our research group. A computer model is proposed in order to compensate some flaws introduced in the digitization procedure. The purpose is assuring more uniformity to the digital mammography images, no matter the digitizer used. Tests with digital images from several different systems - since common equipment, with transparency adaptors, up to the most expensive and sophisticated, with laser scanning - by using the digitization driver proposed in this work have shown an increase in microcalcifications detection sensitivity for all cases relatively to the use of original digitized images without making use of the proposed model. Furthermore, the reduction in false positive rates was significant (from 70% up to 90%) in the same conditions. Therefore, the current application makes possible to any radiological institution the use of processing schemes to aid the detection and/or diagnosis of suspect structures in mammography, even using less sophisticated - and thus, with low cost - digitizers and keeping the performance quality.

Nos últimos anos, a avaliação automática de mamogramas digitalizados tem sido muito estudada. Através da integração de pacotes de programas semi-automáticos de pré-processamento e processamento para auxílio ao diagnóstico precoce do câncer de mama, foi desenvolvido um esquema CAD (Computer-Aided Diagnosis) para mamografia, com o objetivo de otimizar o tempo de processamento da região de interesse e automatizar os processos sem a necessidade de intervenção do usuário durante a execução. Com a automatização criou-se uma interface de fácil operação. Os pacotes de processamento foram devidamente documentados, tornando-se um esquema estruturado / In the last years, the automatic evaluation of digitized mammograms has been a lot studied. Through the interconnection of packages of semiautomatic of pre-processing and processing for aid to the precocious diagnosis of the breast cancer, a Computer-Aided Diagnosis (CAD) schemes for mammography was developed, with the objective to optimize the time of processing of the interest region and to automate the processes without necessity of intervention of the user during the execution. With automation an interface of easy operation was created. The processing packages were documented becoming a structured scheme

Esta tese apresenta uma metodologia para classificação automática de achados mamográficos em mamas densas através de uma abordagem híbrida de classificadores e extração de atributos, como parte de um esquema computadorizado de auxílio ao diagnóstico (CAD) para mamografia. Foram implementadas duas redes Backpropagation. Uma responde pela classificação de clusters de microcalcificações, através de atributos descritores geométricos, em duas classes - suspeito e não suspeito. A outra rede classifica nódulos utilizando descritores geométricos e uma entrada com informação extraída de atributos de intensidade, produzindo na saída dois tipos de informação: presença ou não do nódulo, e constatada a presença do nódulo, classificação da região de interesse (RI) entre as categorias BI-RADS. As respostas de um \"clusterizador\" de RIs através de atributos de intensidade serviram de entrada para essa rede fornecendo uma informação de grau de densidade da RI. Uma interface foi desenvolvida para a apresentação dos resultados a fim de fornecer informações mais detalhadas da classificação e do caso analisado. Os resultados do classificador foram analisados através de análise estatística de sensibilidade e especificidade, e também por curvas ROC. Os resultados obtidos ficaram próximos a 89% de acerto total (verdadeiros-positivos mais verdadeiros-negativos) para nódulos produzindo valor de Az superior a 0,92 e ultrapassaram 75% de acerto da classificação entre as classes BI-RADS. Na classificação dos clusters os acertos totais do classificador ficaram próximos de 90%, com Az superior a 0,94. Para ambos tipos de lesões, as taxas de respostas falsas-negativas ficaram abaixo de 0,1, o que significa baixo erro em relação à não detecção da doença quando o sinal está presente. O classificador apresentado nesse trabalho é a conclusão de uma etapa importante do esquema CAD que vem sendo desenvolvido pelo grupo, além de possibilitar a disponibilização de mais uma ferramenta automática de auxílio ao diagnóstico do câncer de mama aos serviços de mamografia. / This thesis presents a methodology for automatic classification of mamographic findings in image of dense breast through hybrid approach of classifiers and features extraction techniques, as part of a computer-aided diagnostic (CAD) scheme for mammography. Two Backpropagation neural networks were implemented. One for microcalcifications clustered classification, through geometric descriptors, in two classes - suspect and non-suspect. The other neural network classifies nodules using geometric descriptors and additional information from intensity features extracted, producing in the output two kinds of information: presence or not of the nodule, and if nodule is present in the image, classification among BI-RADS categories. The result of clustering technique by using intensity features is presented as a new input to neural network, supplying density degree of image. An interface was developed for results presentation in order to supply more detailed information from the classifier outputs and of the analyzed case. The results of the classifier were analyzed through sensibility and specificity statistical analysis, and also for ROC curves. The results were close to 89% of total accuracy (positive-true plus negative-true) for nodules producing value of Az more than 0,92 and 75% of accuracy to classification among BI-RADS categories. In the cluster classification the total accuracy is about 90%, and Az greater than 0,94. In both kinds of lesions, negative-false result rates were below 0,1, which means low error related to the fail to detect the disease when the signal is present. The classifier presented in this work is the conclusion of an important stage of the CAD scheme that has been developed by the group, besides making possible the availability of one more automatic tool of aid to the breast cancer diagnosis to be used in mammography centers.

Esta tese apresenta uma metodologia para classificação automática de achados mamográficos em mamas densas através de uma abordagem híbrida de classificadores e extração de atributos, como parte de um esquema computadorizado de auxílio ao diagnóstico (CAD) para mamografia. Foram implementadas duas redes Backpropagation. Uma responde pela classificação de clusters de microcalcificações, através de atributos descritores geométricos, em duas classes - suspeito e não suspeito. A outra rede classifica nódulos utilizando descritores geométricos e uma entrada com informação extraída de atributos de intensidade, produzindo na saída dois tipos de informação: presença ou não do nódulo, e constatada a presença do nódulo, classificação da região de interesse (RI) entre as categorias BI-RADS. As respostas de um \"clusterizador\" de RIs através de atributos de intensidade serviram de entrada para essa rede fornecendo uma informação de grau de densidade da RI. Uma interface foi desenvolvida para a apresentação dos resultados a fim de fornecer informações mais detalhadas da classificação e do caso analisado. Os resultados do classificador foram analisados através de análise estatística de sensibilidade e especificidade, e também por curvas ROC. Os resultados obtidos ficaram próximos a 89% de acerto total (verdadeiros-positivos mais verdadeiros-negativos) para nódulos produzindo valor de Az superior a 0,92 e ultrapassaram 75% de acerto da classificação entre as classes BI-RADS. Na classificação dos clusters os acertos totais do classificador ficaram próximos de 90%, com Az superior a 0,94. Para ambos tipos de lesões, as taxas de respostas falsas-negativas ficaram abaixo de 0,1, o que significa baixo erro em relação à não detecção da doença quando o sinal está presente. O classificador apresentado nesse trabalho é a conclusão de uma etapa importante do esquema CAD que vem sendo desenvolvido pelo grupo, além de possibilitar a disponibilização de mais uma ferramenta automática de auxílio ao diagnóstico do câncer de mama aos serviços de mamografia. / This thesis presents a methodology for automatic classification of mamographic findings in image of dense breast through hybrid approach of classifiers and features extraction techniques, as part of a computer-aided diagnostic (CAD) scheme for mammography. Two Backpropagation neural networks were implemented. One for microcalcifications clustered classification, through geometric descriptors, in two classes - suspect and non-suspect. The other neural network classifies nodules using geometric descriptors and additional information from intensity features extracted, producing in the output two kinds of information: presence or not of the nodule, and if nodule is present in the image, classification among BI-RADS categories. The result of clustering technique by using intensity features is presented as a new input to neural network, supplying density degree of image. An interface was developed for results presentation in order to supply more detailed information from the classifier outputs and of the analyzed case. The results of the classifier were analyzed through sensibility and specificity statistical analysis, and also for ROC curves. The results were close to 89% of total accuracy (positive-true plus negative-true) for nodules producing value of Az more than 0,92 and 75% of accuracy to classification among BI-RADS categories. In the cluster classification the total accuracy is about 90%, and Az greater than 0,94. In both kinds of lesions, negative-false result rates were below 0,1, which means low error related to the fail to detect the disease when the signal is present. The classifier presented in this work is the conclusion of an important stage of the CAD scheme that has been developed by the group, besides making possible the availability of one more automatic tool of aid to the breast cancer diagnosis to be used in mammography centers.