Submitted by Fabio Sobreira Campos da Costa (fabio.sobreira@ufpe.br) on 2017-02-23T14:02:54Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) tese-completa-Sidney_Lima_v21.pdf: 4757211 bytes, checksum: 205170db8b002cc2ab72255ab77628a3 (MD5) / Made available in DSpace on 2017-02-23T14:02:54Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) tese-completa-Sidney_Lima_v21.pdf: 4757211 bytes, checksum: 205170db8b002cc2ab72255ab77628a3 (MD5) Previous issue date: 2016-02-25 / REUNI / O câncer de mama é a principal causa de morte de mulheres adultas por câncer no mundo. Do ponto de vista clínico, a mamografia é ainda a mais efetiva tecnologia de diagnóstico do câncer de mama, dada a grande difusão de uso e interpretações dessas imagens. De acordo com o estado da arte da classificação de lesões em mamogramas, as wavelets têm apresentado os melhores resultados do ponto de vista da taxa de classificação, quando utilizadas como etapa de préprocessamento que decompõe a imagem original em imagens de detalhes (verticais, horizontais e diagonais) e aproximações para, a partir dessas imagens componentes, serem extraídos atributos de textura. Neste trabalho, propõe-se a Decomposição baseada em Aproximações Morfológicas em regiões de interesse em mamogramas. O método proposto tem por base a decomposição inspirada em wavelets que emprega filtros não lineares passa-baixas e passa-altas, baseados em aberturas e fechamentos, que por sua vez são construídos a partir dos operadores morfológicos clássicos de erosão e dilatação. Neste trabalho, são propostas aproximações aritméticas para esses dois operadores morfológicos clássicos, substituindo os desvios condicionais, presentes na Morfologia Matemática, por operações aritméticas de somas, subtrações e multiplicações, computacionalmente mais rápidas. O trabalho proposto compara o tempo estimado de execução entre as aproximações aritméticas propostas e as operações morfológicas clássicas utilizando a notação Big-Oh e também faz uso de estimativas baseadas em arquitetura de hardware pipeline. Em todas as estimativas e cenários reais, as aproximações morfológicas propostas são mais rápidas do que a morfologia clássica. Além disso, por não empregar unidade de hardware em ambiente pipeline para tratamento de desvios condicionais, as aproximações morfológicas propostas se tornam uma solução mais barata, ocupa menos espaço, mais propícia à miniaturização, consome menos energia e reduz o número de codificações da UC (Unidade de Controle). Logo, as Aproximações Morfológicas criadas são superiores à morfologia clássica nos principais requisitos para o bom funcionamento do hardware. Quanto à classificação, a Decomposição baseada em Aproximações Morfológicas alcança um desempenho médio de 84,65% na distinção entre casos normais, benignos e malignos. Os classificadores empregados são redes neurais ELM e SVM, cujas classes são definidas de acordo com os critérios da American College of Radiology. Foram usadas 355 imagens de mama adiposa da base de dados IRMA, com 233 casos normais, 66 benignos e 56 malignos. Como método de tratamento da base de dados, foram estudados pesos ponderando a fronteira de decisão das redes neurais. / According to the World Health Organization, breast cancer is the main cause of death of women round the world. From the clinical point of view, mammography is still the most effective diagnostic technology, given the wide diffusion of the use and interpretation of these images. According the state-of-the-art lesions classification on mammograms, wavelets have produced the best results from the viewpoint of precision, when used as a preprocessing step that decomposes the original image into approximation and detail images (vertical, horizontal and diagonal) in order to, from these components images, extract shape or texture attributes. This work proposes the decomposition Morphological-based in regions of interest on mammograms. The proposed method is inspired on wavelets decomposition employing nonlinear low-pass and high-pass filters, based on openings and closings, which are constructed from classical morphological operators of erosion and dilation. In this work, we propose approaches of classical morphology, replacing the conditional branches, present in Mathematical Morphology, by arithmetic operations of addition, subtraction and multiplication, computationally faster. The proposed work compares the estimated run time of proposed arithmetic approximations and classical morphological operations using Big-Oh notation and also the thesis uses notation based on pipeline hardware architecture. In all real scenarios, our morphological operations are faster than classical morphology. Also, by not employing hardware unit in pipeline environment for treating conditional branches, the proposed morphology approximation becomes a cheaper solution, occupies less space, more propitious to miniaturization, consumes less power, and reduces the Control Unit coding number. Then, our approaches of classical morphology are superior to classical morphology in key requirements of hardware solution. Regarding the classification, the proposed decomposition reaches an average performance of 84.65% in distinguishing normal, benign, and malignant cases. Classifiers are neural networks ELM and SVM, classes are defined according American College of Radiology criteria. They are employed 355 adipose breast images with 233 normal cases, 66 benign and 56 malignant. As database processing method, weights were studied considering the decision boundary of neural networks.