Dissertação (mestrado)—Universidade de Brasília, Faculdade Gama, Programa de Pós-Graduação em Engenharia Biomédica, 2016. / Submitted by Fernanda Percia França (fernandafranca@bce.unb.br) on 2016-05-06T20:22:55Z No. of bitstreams: 1 2016_JoãoPauloVirgílioMarinhoMartins.pdf: 174127049 bytes, checksum: cf5d81c9fc5c5436a65231c3f993229a (MD5) / Approved for entry into archive by Raquel Viana(raquelviana@bce.unb.br) on 2016-05-26T17:08:43Z (GMT) No. of bitstreams: 1 2016_JoãoPauloVirgílioMarinhoMartins.pdf: 174127049 bytes, checksum: cf5d81c9fc5c5436a65231c3f993229a (MD5) / Made available in DSpace on 2016-05-26T17:08:43Z (GMT). No. of bitstreams: 1 2016_JoãoPauloVirgílioMarinhoMartins.pdf: 174127049 bytes, checksum: cf5d81c9fc5c5436a65231c3f993229a (MD5) / O câncer de mama é o câncer que mais mata mulheres no Brasil. O diagnóstico precoce ainda é a principal arma na luta contra esta doença e para isto o principal exame para identificação de um possível carcinoma é a mamografia de rastreio. Esse tipo de exame é realizado em mulheres assintomáticas e tem o objetivo de localizar calcificações antes que cresçaam e se espalhem na mama. Isso se deve ao fato de que a maioria dos tumores são detectados, mamograficamente, pela presença de calcificações. Porém, a diferenciação entre calcificações malignas e benignas, ainda é uma tarefa bastante complexa devido ao alto nível de ruídos e tecidos mamários presentes em uma imagem mamográfica, podendo acarretar erros de decisão por parte do especialista que analisa a imagem. Para tentar resolver este problema e possibilitar diagnósticos mais eficientes e precisos, sistemas de Computer Aided Diagnosis (CAD) vêm sendo cada vez mais estudados. A proposta deste trabalho é o desenvolvimento de um sistema, denominado de EIR, para localizaçãp, extração de características e classificação de áreas de interesse nos mamogramas de mulheres assintomáticas submetidas à rastreamento mamográfico. O sistema foi treinado com 37 imagens mamográficas classificadas na categoria 4 pelo Breast Imaging-Reporting and Data System (BIRADS), todas com suspeição de malignidade, destas imagens, 85 regiões de interesse foram extraídas por um radiologista. Para garantir um melhor treinamento do EIR, o conjunto de dados foi aumentado artificialmente através de transformações afins, gerando um total de 255 imagens de treino. O treinamento do EIR foi avaliado através de diversas métricas, tais como Acurácia, Precisão, Recall e F1 Score. Ao fim do treinamento, EIR atingiu uma taxa de 99% de acurácia, 99% de precisão, uma sensibilidade de 99% e uma taxa de F1 Score de 0.99 no conjunto de testes. Estes resultados indicam uma potencial relevância para auxiliar, como segunda leitura ou suporte, o especialista no diagnóstico do câncer de mama que se manifesta pela presençaa de calcificações em mamografias. Nas próximas etapas da pesquisa, é pretendido melhorar a qualidade dos modelos utilizados, desenvolver uma interface gráfica amigável para o uso dos especialistas e paralelização do código, para um treinamento e predição mais rápidas. ________________________________________________________________________________________________ ABSTRACT / The breast cancer it is the cancer that kills more women in Brazil. The early diagnosis of breast cancer is still the best weapon against this disease and the main technique used for the identification of a possible carcinoma is the screening mammogram. The screening mammogram is used for asymptomatic women, the goal of this exam is to find breast cancer before their growth and spread in the breast. This is due to the fact that most tumors are detected, mammographically by the presence of calcification. Nevertheless a correct diagnosis of a possible calcification is very complex because of the high levels of noise and high density of breast tissues in the mammography, which may cause decision errors by the expert who analyzes the image. To tackle this problem and enable more efficient and accurate diagnosis, Computer Aided Diagnosis Systems (CAD) have been increasingly studied. The main purpose of this work is to develop a CAD system, named EIR, for location, feature extraction and classification of regions of interest in mammograms of asymptomatic women subjected to screening mammogram. The system was trained with 37 mammograms, classified in category 4 of \textit{Breast Imaging-Reporting and Data System} (BIRADS), from these, 85 regions of interest were extracted by a radiologist. To ensure a better training for EIR, the dataset were artificially augmented through affine transformations, generating a total of 255 images for training. The EIR training was evaluated through various metrics, such as accuracy, precision, recall and F1 Score. At the ending of the training phase, EIR achieved a rate of 99% of accuracy, 99% of precision, a sensitivity of 99% and a F1 Score of 0.99 with the test set. These results suggest a potential relevance to assist, as a second opinion or support, the expert in the diagnose of breast cancer that is manifested by the presence of calcifications in mammograms. In the next stages of the research it is intended increase the quality of the used models, develop a user-friendly graphical interface for the use of experts and the parallelization of the code for a faster training and prediction is intended.