Orientador: Prof. Dr. Marcelo Zanchetta do Nascimento / Dissertação (mestrado) - Universidade Federal do ABC, Programa de Pós-Graduação em Engenharia da Informação, 2015. / O câncer de próstata é o segundo que provoca o maior número de vítimas fatais entre os homens, atingindo principalmente a população mundial com idades superiores a 60 anos. Entre os métodos empregados para o diagnóstico médico estão os exames clínicos, laboratoriais e o diagnóstico por imagem, o que pode indicar a necessidade da biópsia da próstata. As biópsias são avaliadas por especialistas para auxiliar na conduta mais adequada de tratamento, desta forma o estudo por imagem histológica é realizado e se destaca como um dos métodos utilizados devido a facilidade de diagnosticar a doença. Porém, ainda existem problemas que precisam ser solucionados para reduzir o número de falsos positivos. Este trabalho apresenta um conjunto de técnicas para identificar e quantificar as regiões de interesse em imagens histológicas da próstata. As análises foram realizadas com dimensão fractal de imagens coloridas e classificadas com SVM com os kernels linear, polinomial e RBF. As regiões de interesses foram segmentadas em núcleos da célula cuboide, lúmens glandulares e tecido estromal e aplicado o cálculo da dimensão fractal. A avaliação de desempenho foi baseada na área sob a curva ROC (AUC) e pela acurácia. Os resultados obtidos com essas ferramentas mostram que o grupo de imagens segmentadas por estroma com magnificação de 100x obtiveram melhores resultados de classificação, obtendo valores de AUC de 92,21% e 86,77% de acurácia para os grupos de tecido normal versus tecido tumoral, obteve 73,53% de acurácia para o grupo tecido normal versus tecido hiperplásico e de 80,00% para o grupo de tecido hiperplásico versus tecido tumoral. O método proposto quantificou tecidos histológicos da próstata com descritores baseados em técnicas não lineares multi-escala. O uso de informações dos canais de cores em conjunto com a segmentação das estruturas foi mais relevante para um sistema de apoio ao diagnóstico. / Prostate cancer is the second type of cancer that causes more deaths between men. It affects mainly the population over the age of 60. Laboratory exams and diagnostic imaging are among the methods used for medical diagnosis, which may indicate the need for a prostrate biopsy. Biopsies are evaluated by experts in order to indicate the most appropriate treatment strategy. Hence, the study of histological images stands out as one of the most used methods as it allows an easier diagnosis. However, there are still problems that need to be addressed to reduce the number of false positives. This work presents a set of techniques to identify and quantify regions of interest in histological images of the prostate. Color and greyscale images were analysed using fractal dimension then classified in SVM with linear, polynomial and RBF kernels. Regions of interest were segmented in basal cell cuboid, glandular lumens and stromal tissue and then a fractal dimension was applied. Performance evaluation was based on the area under the ROC curve(AUC) and accuracy. The results obtained by applying these tools show that images segmented by stroma with a magnification of 100x had better classification results, achieving AUC values of 92.21% and 86.77% accuracy for the normal tissue groups versus tumor tissue. Also, in this group of images a level of accuracy of 73.53% for hyperplastic tissue versus normal tissue and 80.00% for hyperplastic tissue versus tumor tissue. The method quantified histological prostate tissue with multi-scale techniques based on nonlinear descriptors. Therefore, the use of information from color channels together with the segmented structures are most relevant to a diagnostic support system.

Orientador: Prof. Dr. Marcelo Zanchetta do Nascimento / Coorientadora: Profa. Dra. Ana Lígia Scott / Dissertação (mestrado) - Universidade Federal do ABC, Programa de Pós-Graduação em Engenharia da Informação, Santo André, 2018. / Nos últimos anos a ciência vem contribuindo significativamente para o avanço no diagnóstico precoce de doenças, através da análise de imagens médicas. As novas tecnologias de geração de imagens, através da digitalização, trazem a possibilidade de geração de uma gama de imagens que antes era inviável do ponto de vista econômico. Com esse avanço, a quantidade de informações que cada paciente gera é extensa, aumentando consideravelmente o trabalho de investigação manual. Por isso, a necessidade de se desenvolver soluções automatizadas para análise dessas imagens. Sem contar que essas soluções introduzem um fator de precisão mais acurado, que podem contribuir com uma segunda opinião. As abordagens no domínio da frequência para extração de características de textura, utilizadas largamente para identificação de características de imagens de mama, fazem uso da Transformada Wavelet em conjunto com outros extratores. No entanto, a Wavelet é muito eficiente para identificar características em uma abordagem 1D, o que dificulta a descrição de bordas e contornos. A Transformada Ripplet-II vem justamente para resolver tais lacunas, ou seja, demonstra ser uma técnica capaz de obter informações de textura de imagens com maior precisão, como demonstra os estudos mais recentes. Este trabalho apresenta a investigação da transformada Ripplet-II em imagens histológicas de lesões de mama, para demonstrar a eficácia dessa abordagem na distinção dos grupos de lesões benignas e malignas. O método proposto utilizou um filtro CLAHE, de equalização de histogramas, na etapa de pré-processamento, antes da extração dos descritores resultantes da aplicação da Ripplet-II. Obteve-se ainda características derivadas da Matriz de Co-ocorrência, que foram combinadas com os descritores Ripplet-II. Como resultado da classificação das imagens, utilizando-se o ReliefF como seletor e o Random Forest como classificador. Na fase dos experimentos, uma comparação foi realizada entre descritores Wavelet e Ripplet-II, com valores de acurácia de 88,46% e 96,15%, respectivamente. A aproximação proposta mostra resultados promissores como uma técnica para classificação de lesões em imagens histológicas de mama. / In recent years, science has been contributing significantly to the advance in the early diagnosis of diseases, through the analysis of medical images. The new technologies of imaging, through the digitalization, bring the possibility of generating a range of images that previously was impracticable from the economic point of view. With this advance, the amount of information each patient generates is extensive, greatly increasing the manual research work. Therefore, the need to develop automated solutions to analyze these images. Not to mention that these solutions introduce a factor of precision, that can contribute to a second opinion. Frequency approaches for extracting texture characteristics, widely used for identification of breast imaging characteristics, make use of the Wavelet Transform in conjunction with other extractors. However, Wavelet is very efficient at identifying features in a 1D approach, which makes it difficult to describe edges and contours. The Ripplet-II Transform comes precisely to solve such gaps, that is, it proves to be a technique capable of obtaining information of texture of images with greater precision, as it demonstrates the most recent studies. This work presents the investigation of the Ripplet-II transform in histological images of breast lesions, to demonstrate the effectiveness of this approach in distinguishing groups of benign and malignant lesions. The proposed method used a CLAHE histogram equalization filter in the preprocessing step before extracting the resulting descriptors from the Ripplet-II. We also obtained features derived from the Co-occurrence Matrix, which were combined with the Ripplet-II descriptors. As a result of the classification of the images, using ReliefF as selector and Random Forest as a classifier. At the stage of the experiments, a comparison was carried out between Wavelet descriptors and Ripplet II, with accuracy values of 88.46% and 96.15%, respectively. The proposed approach shows promising results as a technique for lesion classification in histological breast imaging.