Submitted by Luciana Sebin (lusebin@ufscar.br) on 2016-10-06T13:19:49Z No. of bitstreams: 1 DissAOS.pdf: 12231590 bytes, checksum: 0d013d4adc46d9e7c5828719c8c6951f (MD5) / Approved for entry into archive by Marina Freitas (marinapf@ufscar.br) on 2016-10-13T20:24:59Z (GMT) No. of bitstreams: 1 DissAOS.pdf: 12231590 bytes, checksum: 0d013d4adc46d9e7c5828719c8c6951f (MD5) / Approved for entry into archive by Marina Freitas (marinapf@ufscar.br) on 2016-10-13T20:25:09Z (GMT) No. of bitstreams: 1 DissAOS.pdf: 12231590 bytes, checksum: 0d013d4adc46d9e7c5828719c8c6951f (MD5) / Made available in DSpace on 2016-10-13T20:25:19Z (GMT). No. of bitstreams: 1 DissAOS.pdf: 12231590 bytes, checksum: 0d013d4adc46d9e7c5828719c8c6951f (MD5) Previous issue date: 2016-02-26 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Mammography is considered the “gold standard"in the early detection of breast cancer, being this disease one of the greatest health problems of women worldwide. Clustered microcalcifications detected on mammograms are very important findings in asymptomatic patients with early breast cancer and may be considered one of the first signs of malignancy. However, due to the small size of these structures, associated with the visual fatigue of radiologists resulting from the analysis of a large volume of images, clinical studies indicate that from 10 to 30% of microcalcifications presented in mammograms are lost during diagnosis. Within this scenario, this master thesis aims to develop an automatic system for the detection of clustered microcalcifications in digitized mammography images. To solve this problem, we use the transformed dua-three complex wavelet to detect the microcalsifications since this technique has some important characteristics for the signal analysis, for instance, good directional selectivity, approximate shift invariance and it provides both information - magnitude and phase. After the detection of isolated microcalcifications, a post-processing step is used to automatically demarcate regions containing clusters of microcalcifications. Furthermore, three techniques were investigated for the analysis of each clustered detection in order to identify false-positive clusters, such as: the Hessian matrix, the groups exclusion and the gray level co-occurrence matrix technique and SVM classifiers. For the development and testing of the algorithms one digitized mammogram database were used. The analysis of the results were performed by using ROC and FROC curves. The method achieved good results when compared to the mark made by experts. / A mamografia é considerada o "padrão ouro"na detecção precoce do câncer de mama, sendo essa doença um dos maiores problemas de saúde da mulher no mundo. Agrupamentos de microcalcificações detectados nos mamogramas são achados muito importantes em pacientes assintomáticas com câncer de mama e podem representar o primeiro sinal de malignidade. No entanto, devido ao reduzido tamanho dessas estruturas, associado à fadiga visual dos radiologistas resultante da análise de grandes volumes de imagens, estudos clínicos indicam que de 10 a 30% das microcalcificações presentes nos mamogramas são perdidas durante o diagnóstico. Diante deste quadro, este trabalho de mestrado tem por objetivo o desenvolvimento de um sistema automático para a detecção de agrupamentos de microcalcificações em imagens de mamogramas digitalizados. Para isso, utilizou-se a transformada wavelet complexa de árvore dupla (DT-CWT) para a detecção das microcalcificações, visto que essa técnica possui características importantes para a análise de sinais como, por exemplo, boa seletividade direcional, invariância aproximada ao deslocamento e fornece ambas informações – magnitude e fase. Após a detecção das microcalcificações isoladas, uma etapa de pós-processamento foi utilizada para demarcar automaticamente regiões contendo agrupamentos de microcalcificações. Além disso, três técnicas foram investigadas para a análise de cada agrupamento detectado, com o intuito de identificar agrupamentos falsopositivos, sendo elas: a matriz Hessiana, a exclusão de agrupamentos e a técnica de matriz de coocorrência de níveis de cinza e classificadores SVMs. Uma base de dados de mamogramas digitalizados foi utilizada para o desenvolvimento e testes dos algoritmos. A análise dos resultados foi realizada usando curvas ROC e FROC. O método obteve bons resultados quando comparado às marcações realizadas por especialistas e presentes na base de dados.

Este trabalho apresenta um estudo de classificação de nódulos em mamograma digitalizados através de um classificador de rede neural artificial (RNA). O algoritmo de treinamento de \"backpropagation\" foi utilizado para ajustar os pesos da RNA. O objetivo principal deste trabalho foi determinar um método para analisar e selecionar a melhor configuração de atributos e topologia da RNA para classificar lesões mamárias do tipo nódulo. Foram escolhidas 118 imagens de regiões de interesse (ROI), sendo 68 benignas e 50 malignas de duas bases de imagens: uma do Hospital das Clínicas de Ribeirão Preto, da Universidade de São Paulo, e outra do MIAS-UK (Mammographic Image Analysis Society). O processo completo envolveu quatro etapas: detecção, extração e seleção de atributos, e classificação. Na etapa de detecção, as imagens foram submetidas ao processo combinado das técnicas segmentação de thresholding, morfologia matemática e crescimento de região. Foram extraídos 14 atributos de textura e 14 atributos de forma. Para selecionar os atributos mais discriminantes, foi utilizado o método de Jeffries-Matusita. Foram selecionados três grupos de atributos de forma, três de atributos de textura e três de atributos combinados. Análise pela curva ROC foram dirigidas para avaliar o desempenho do classificador de rede neural artificial (RNA). Os melhores resultados obtidos foram: para o grupo de atributos de forma com 5 unidades escondidas, a área dentro da curva ROC foi de 0.99, taxa de acerto de 98,21%, taxa de especificidade de 98,37% e taxa de sensibilidade de 98.00%; para o grupo de atributos de textura com 4 unidades escondidas, a área dentro da curva foi de 0.98, taxa de acerto de 97,08%, taxa de especificidade de 98,53% e taxa de sensibilidade de 95.11%; para o grupo de atributos combinados de textura e forma com 3 unidades escondidas, a área dentro da curva foi de 0.99, taxa de acerto de 98,21%, taxa de especificidade de 100.00% e taxa de sensibilidade de 95.78%. / This work presents a study of masses classification in digitized mammograms by means of artificial neural network (ANN). The backpropagation training algorithm was used to adjust the weights of ANN. The aim of this work was to determine a methodology to analyze and selection of the best feature subset and ANN topology to classify masses lesions. A total of 118 regions of interest images were chosen (68 benign and 50 malignant lesions) from two image databases: one from \"Hospital das Clínicas de Ribeirão Preto\", at the University of São Paulo, and other from Mammographic lmage Analysis Society (MIAS-UK). The whole process involved four steps: segmentation, feature extraction, selection, and classification. In the first step, the images were submitted to a combined process of thresholding, mathematical morphology, and region growing techniques. In the second step, fourteen texture features and fourteen shape features were extracted. The Jeffries-Matusita method was used to select the best features. The results of this stage were the selection of three shape feature sets, three texture feature sets, and three combined feature sets. The Receiver Operating Characteristic (ROC) analysis were conducted to evaluated the ANN classifier performance. The best result obtained for shape feature set was obtained using a ANN with 5 hidden units, the area under ROC curve was of 0.99, classification rate of 98.21%, specificity rate of 98.37% and sensitivity rate of 98.00%. For texture feature set, the best result was using a ANN with 4 hidden units, the area under ROC curve was of 0.98, classification rate of 97.08%, specificity rate of 98.53% and sensitivity rate of 95.11%. Finally, for the combined feature set (texture and shape) the best result obtained was using a ANN with 3 hidden units, the area under ROC curve was of 0.99, classification rate of 98.21%, specificity rate of 100.00% and sensitivity rate of 95.78%.

Este trabalho apresenta um estudo de classificação de nódulos em mamograma digitalizados através de um classificador de rede neural artificial (RNA). O algoritmo de treinamento de \"backpropagation\" foi utilizado para ajustar os pesos da RNA. O objetivo principal deste trabalho foi determinar um método para analisar e selecionar a melhor configuração de atributos e topologia da RNA para classificar lesões mamárias do tipo nódulo. Foram escolhidas 118 imagens de regiões de interesse (ROI), sendo 68 benignas e 50 malignas de duas bases de imagens: uma do Hospital das Clínicas de Ribeirão Preto, da Universidade de São Paulo, e outra do MIAS-UK (Mammographic Image Analysis Society). O processo completo envolveu quatro etapas: detecção, extração e seleção de atributos, e classificação. Na etapa de detecção, as imagens foram submetidas ao processo combinado das técnicas segmentação de thresholding, morfologia matemática e crescimento de região. Foram extraídos 14 atributos de textura e 14 atributos de forma. Para selecionar os atributos mais discriminantes, foi utilizado o método de Jeffries-Matusita. Foram selecionados três grupos de atributos de forma, três de atributos de textura e três de atributos combinados. Análise pela curva ROC foram dirigidas para avaliar o desempenho do classificador de rede neural artificial (RNA). Os melhores resultados obtidos foram: para o grupo de atributos de forma com 5 unidades escondidas, a área dentro da curva ROC foi de 0.99, taxa de acerto de 98,21%, taxa de especificidade de 98,37% e taxa de sensibilidade de 98.00%; para o grupo de atributos de textura com 4 unidades escondidas, a área dentro da curva foi de 0.98, taxa de acerto de 97,08%, taxa de especificidade de 98,53% e taxa de sensibilidade de 95.11%; para o grupo de atributos combinados de textura e forma com 3 unidades escondidas, a área dentro da curva foi de 0.99, taxa de acerto de 98,21%, taxa de especificidade de 100.00% e taxa de sensibilidade de 95.78%. / This work presents a study of masses classification in digitized mammograms by means of artificial neural network (ANN). The backpropagation training algorithm was used to adjust the weights of ANN. The aim of this work was to determine a methodology to analyze and selection of the best feature subset and ANN topology to classify masses lesions. A total of 118 regions of interest images were chosen (68 benign and 50 malignant lesions) from two image databases: one from \"Hospital das Clínicas de Ribeirão Preto\", at the University of São Paulo, and other from Mammographic lmage Analysis Society (MIAS-UK). The whole process involved four steps: segmentation, feature extraction, selection, and classification. In the first step, the images were submitted to a combined process of thresholding, mathematical morphology, and region growing techniques. In the second step, fourteen texture features and fourteen shape features were extracted. The Jeffries-Matusita method was used to select the best features. The results of this stage were the selection of three shape feature sets, three texture feature sets, and three combined feature sets. The Receiver Operating Characteristic (ROC) analysis were conducted to evaluated the ANN classifier performance. The best result obtained for shape feature set was obtained using a ANN with 5 hidden units, the area under ROC curve was of 0.99, classification rate of 98.21%, specificity rate of 98.37% and sensitivity rate of 98.00%. For texture feature set, the best result was using a ANN with 4 hidden units, the area under ROC curve was of 0.98, classification rate of 97.08%, specificity rate of 98.53% and sensitivity rate of 95.11%. Finally, for the combined feature set (texture and shape) the best result obtained was using a ANN with 3 hidden units, the area under ROC curve was of 0.99, classification rate of 98.21%, specificity rate of 100.00% and sensitivity rate of 95.78%.

Made available in DSpace on 2016-08-16T18:18:41Z (GMT). No. of bitstreams: 1 TESE Lucio Flavio de Albuquerque Campos.pdf: 2195360 bytes, checksum: 81d7dbefdd6a7602831593716a16b445 (MD5) Previous issue date: 2013-06-14 / Breast Cancer remains the type of cancer with the largest incidence and mortality in women. The best method of prevention is early diagnosis, which is carried out with mammography. However, a mammogram is not effective when the breast has a composition of greater than 50% fibroglandular tissue, or dense tissue. Studies show that high breast density is identified as a risk factor for developing the disease, and because of this new diagnostic technique for cancer in patients with dense breasts are being studied. This thesis proposes a method for early diagnosis of cancer in dense breasts, considered in the literature as hard scanning and detection. The methodology applied in this work used MIAS database for tests, equalization adaptive of histogram and contrast stretching techniques for segmentation step, and independent component analysis maxima-relevance-minimal-redundance and support vector machine for classification step. The tests were carried out with 76 breast mammograms whose dense parenchyma s make detection difficult. From the tests, we obtained accuracy of 97.36% in the segmentation stage. Already in the classification stage was an accuracy of 97.2% with a sensitivity of 81.88% and specificity of 100%. Based on the results, considering that the method was performed only on mammograms difficult to detect, it can be considered that the method achieved excellent performance, justifying the test in larger databases, and eventually enabling their use in hospitals and radiology clinics. / O câncer de mama continua sendo o tipo de câncer de maior incidência e mortalidade entre as mulheres. O melhor método de prevenção é o diagnóstico precoce, que é realizado com o auxilio da mamografia. Contudo, a mamografia não é eficaz quando a mama apresenta uma composição superior a 50 % de tecido fibroglandular, ou seja, de tecido denso. Estudos comprovam que a densidade mamária elevada é apontada como um fator de risco para o desenvolvimento da doença, e devido a isso novas técnicas de diagnóstico de câncer em pacientes com mamas densas estão sendo estudados. Esta tese propõe um método de diagnóstico precoce de câncer, em mamas densas, consideradas pela literatura de difícil rastreio e detecção, com o objetivo de aumentar as chances de cura da paciente, e diminuir os casos de mortalidade da doença. A metodologia empregada no trabalho utilizou a base de dados MIAS para teste, técnicas de equalização adaptativa e alargamento de contraste, na fase de segmentação, e análise de componentes independentes, máxima relevância - mínima redundância e máquinas de vetor de suporte, na etapa de classificação. Os testes foram realizados com 76 mamogramas de mamas em que o parênquima denso dificulta a detecção. A partir dos testes realizados, obteve-se média de acerto de 97.36 % na etapa de segmentação. Já na etapa de classificação foi encontrada uma média de acerto de 97,2% com sensibilidade de 81.88% e especificidade de 100%. Baseado nos resultados encontrados, considerando que o método foi realizado apenas em mamogramas de difícil detecção, pode-se considerar que o método obteve excelente desempenho, justificando o teste em bases de dados maiores, e futuramente viabilizando seu uso em hospitais e clinicas de radiologia.

Made available in DSpace on 2016-08-17T14:52:50Z (GMT). No. of bitstreams: 1 Lucio Flavio de Albuquerque Campos.pdf: 558329 bytes, checksum: 1be43a8cd03ed147f8b5187d7e538e5a (MD5) Previous issue date: 2006-03-24 / We propose a method for discrimination and classification of mammograms with benign, malignant and normal tissues using independent component analysis and neural networks. The method was tested for a mammogram set from MIAS database, and multilayer perceptron. The method obtained a success rate of 97.83% , with 97.5% of specificity and 98% of sensitivity. / Neste trabalho, propomos um método para discriminação e classificação de mamogramas, com diagnóstico maligno, benigno e normal, usando análise de componentes independentes e redes neurais. O método foi testado com mamogramas da MIAS database, e com redes perceptron multicamadas. O método obteve uma taxa de sucesso média de 97.83%, com 97.5% de especificidade, e 98% de sensibilidade.