Submitted by Fabio Sobreira Campos da Costa (fabio.sobreira@ufpe.br) on 2016-07-01T12:22:19Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Tese_Filipe_Cordeiro.pdf: 19608976 bytes, checksum: a0ff2fa1256af4323f10bfcbb3df974d (MD5) / Made available in DSpace on 2016-07-01T12:22:19Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Tese_Filipe_Cordeiro.pdf: 19608976 bytes, checksum: a0ff2fa1256af4323f10bfcbb3df974d (MD5) Previous issue date: 2015-12-16 / De acordo com a Organização Mundial de Saúde, o câncer de mama é a forma mais comum de câncer entre as mulheres no mundo todo, sendo um dos tipos de câncer mais fatal. Estudos mostram que o diagnóstico precoce pode contribuir para a redução da taxa de mortalidade e aumentar as opções de tratamento. Apesar da existência de várias técnicas de obtenção de imagens no auxílio ao diagnóstico de câncer de mama, a mamografia digital é ainda a tecnologia mais eficaz e utilizada para esse fim. Consequentemente, a segmentação de imagens de mamografia é uma tarefa fundamental para auxiliar o diagnóstico, levando em consideração a forma da lesão mamária e suas bordas. No entanto, a segmentação de imagens de mamografia é uma tarefa complexa, uma vez que ela é muito dependente dos tipos de tecido mamário e da lesão. O algoritmo GrowCut é um método de segmentação de propósito geral baseado em autômatos celulares, capaz de realizar uma segmentação precisa através da seleção adequada de pontos internos e externos à região de interesse. Neste trabalho é apresentado um novo algoritmo semi-supervisionado baseado na modificação do algoritmo GrowCut para realizar segmentação de imagens de mamografia de forma semi-automática. No método proposto é utilizada uma função de pertinência fuzzy Gaussiana para modificar a regra de evolução do algoritmo GrowCut original, visando estimar as probabilidades de um pixel pertencer ao objeto ou fundo da imagem. Esse modelo permite uma maior flexibilidade na inicialização das sementes quando comparado à trabalhos no estado da arte, pois a marcação realizada pelo especialista é utilizada extraindo-se informação do conjunto de sementes, e não informações do posicionamento individual, como o presente no GrowCut clássico. Foi também desenvolvido uma etapa de geração automática de sementes, onde apenas pontos internos da região de interesse são selecionados, através do uso do método de otimização Evolução Diferencial. Além disso, foi desenvolvido um método de ajuste de parâmetros adaptativo, que a partir da extração de características da imagem ajusta os melhores parâmetros para o algoritmo. A abordagem desenvolvida é comparada qualitativamente e quantitativamente com técnicas de segmentação do estado da arte BEMD, BMCS, WAGA, Abordagem Topográfica e MCW, usando métricas relacionadas à forma das regiões segmentadas. As análises são avaliadas utilizando regiões de interesse da base IRMA, totalizando 1.165 mamogramas. Resultados mostram que o algoritmo proposto obteve melhores resultados, considerando similaridade com imagem ouro, para as métricas utilizadas. Para validar a proposta , foi construído um classificador de imagem usando o Perceptron Multicamadas clássico. Resultados mostraram que a técnica proposta obteve taxa de classificação de 94,77%, evidenciado a viabilidade do método proposto. / According to the World Health Organization, breast cancer is the most common cancer in women worldwide, becoming one of the most fatal types of cancer. Several studies show that the early diagnosis technologies can contribute to reduce the mortality rates and improve treatment options. Despite the existence of several imaging techniques to aid at the diagnosis of breast cancer, digital mammography is still the most used and effective imaging technology. Consequently, mammographic image segmentation is a fundamental task to support image diagnosis, considering shape analysis of mammary lesions and their borders. However, mammogram image segmentation is a hard task, once it is highly dependent on the types of mammary tissues. The GrowCut algorithm is a general-purpose segmentation method based on cellular automata, able to perform accurate segmentation through the adequate selection of internal and external points of the region of interest. Herein this work we present a new semi-supervised segmentation algorithm based on the modification of the GrowCut algorithm to perform semi-automatic mammographic image segmentation. In our proposal, we used a fuzzy Gaussian membership function to modify the evolution rule of the original GrowCut algorithm, in order to estimate the probabilities of a pixel being object or background. This model allows flexibility in the seeds initialization when compared to state of the art techniques, because the annotation executed by the specialist is used through the extraction of information of set os seeds, in opposite to the individual seeds information present in classical GrowCut .An automatic seed generation step was developed, where only the seeds internal to the region of interest are selected, using the Differential Evolution algorithm. Furthermore, we developed an adaptive parameter tuning method, which from the image characteristics it find the best parameters to the algorithm. The proposed approach was qualitatively and quantitatively compared with other state-of-the-art segmentation techniques BEMD, BMCS, WAGA, Topographic Approach and MCW, using metrics related to the shape of segmented regions. The analysis are evaluated using regions of interest from IRMA database, totaling 1.165 mammograms. Results show that the proposed algorithm achieved better results, considering similarity with ground truth, for the used metrics. In order to validate our proposal we built an image classifier using a classical Multilayer Perceptron. This analysis employed 1.165 mammograms from IRMA breast cancer database Results show that the proposed technique could achieve a classification rate of 94.77%, evidencing the feasibility of our approach.

In x-ray imaging, the x-ray radiation must be the minimum necessary to achieve the required diagnostic objective, to ensure the patients safety. However, low-dose acquisitions yield images with low quality, which affect the radiologists image interpretation. Therefore, there is a compromise between image quality and radiation dose. This work proposes an image restoration framework capable of restoring low-dose acquisitions to achieve the quality of full-dose acquisitions. The contribution of the new method includes the capability of restoring images with quantum and electronic noise, pixel offset and variable detector gain. To validate the image processing chain, a simulation algorithm was proposed. The simulation generates low-dose DBT projections, starting from fulldose images. To investigate the feasibility of reducing the radiation dose in breast cancer screening programs, a simulated pre-clinical trial was conducted using the simulation and the image processing pipeline proposed in this work. Digital breast tomosynthesis (DBT) images from 72 patients were selected, and 5 human observers were invited for the experiment. The results suggested that a reduction of up to 30% in radiation dose could not be perceived by the human reader after the proposed image processing pipeline was applied. Thus, the image processing algorithm has the potential to decrease radiation levels in DBT, also decreasing the cancer induction risks associated with the exam. / Em programas de rastreamento de câncer de mama, a dose de radiação deve ser mantida o mínimo necessário para se alcançar o diagnóstico, para garantir a segurança dos pacientes. Entretanto, imagens adquiridas com dose de radiação reduzida possuem qualidade inferior. Assim, existe um equilíbrio entre a dose de radiação e a qualidade da imagem. Este trabalho propõe um algoritmo de restauração de imagens capaz de recuperar a qualidade das imagens de tomossíntese digital mamária, adquiridas com doses reduzidas de radiação, para alcançar a qualidade de imagens adquiridas com a dose de referência. As contribuições do trabalho incluem a melhoria do modelo de ruído, e a inclusão das características do detector, como o ganho variável do ruído quântico. Para a validação a cadeia de processamento, um método de simulação de redução de dose de radiação foi proposto. Para investigar a possibilidade de redução de dose de radiação utilizada na tomossíntese, um estudo pré-clínico foi conduzido utilizando o método de simulação proposto e a cadeia de processamento. Imagens clínicas de tomossíntese mamária de 72 pacientes foram selecionadas e cinco observadores foram convidados para participar do estudo. Os resultados sugeriram que, após a utilização do processamento proposto, uma redução de 30% de dose de radiação pôde ser alcançada sem que os observadores percebessem diferença nos níveis de ruído e borramento. Assim, o algoritmo de processamento tem o potencial de reduzir os níveis de radiação na tomossíntese mamária, reduzindo também os riscos de indução do câncer de mama.

In x-ray imaging, the x-ray radiation must be the minimum necessary to achieve the required diagnostic objective, to ensure the patients safety. However, low-dose acquisitions yield images with low quality, which affect the radiologists image interpretation. Therefore, there is a compromise between image quality and radiation dose. This work proposes an image restoration framework capable of restoring low-dose acquisitions to achieve the quality of full-dose acquisitions. The contribution of the new method includes the capability of restoring images with quantum and electronic noise, pixel offset and variable detector gain. To validate the image processing chain, a simulation algorithm was proposed. The simulation generates low-dose DBT projections, starting from fulldose images. To investigate the feasibility of reducing the radiation dose in breast cancer screening programs, a simulated pre-clinical trial was conducted using the simulation and the image processing pipeline proposed in this work. Digital breast tomosynthesis (DBT) images from 72 patients were selected, and 5 human observers were invited for the experiment. The results suggested that a reduction of up to 30% in radiation dose could not be perceived by the human reader after the proposed image processing pipeline was applied. Thus, the image processing algorithm has the potential to decrease radiation levels in DBT, also decreasing the cancer induction risks associated with the exam. / Em programas de rastreamento de câncer de mama, a dose de radiação deve ser mantida o mínimo necessário para se alcançar o diagnóstico, para garantir a segurança dos pacientes. Entretanto, imagens adquiridas com dose de radiação reduzida possuem qualidade inferior. Assim, existe um equilíbrio entre a dose de radiação e a qualidade da imagem. Este trabalho propõe um algoritmo de restauração de imagens capaz de recuperar a qualidade das imagens de tomossíntese digital mamária, adquiridas com doses reduzidas de radiação, para alcançar a qualidade de imagens adquiridas com a dose de referência. As contribuições do trabalho incluem a melhoria do modelo de ruído, e a inclusão das características do detector, como o ganho variável do ruído quântico. Para a validação a cadeia de processamento, um método de simulação de redução de dose de radiação foi proposto. Para investigar a possibilidade de redução de dose de radiação utilizada na tomossíntese, um estudo pré-clínico foi conduzido utilizando o método de simulação proposto e a cadeia de processamento. Imagens clínicas de tomossíntese mamária de 72 pacientes foram selecionadas e cinco observadores foram convidados para participar do estudo. Os resultados sugeriram que, após a utilização do processamento proposto, uma redução de 30% de dose de radiação pôde ser alcançada sem que os observadores percebessem diferença nos níveis de ruído e borramento. Assim, o algoritmo de processamento tem o potencial de reduzir os níveis de radiação na tomossíntese mamária, reduzindo também os riscos de indução do câncer de mama.