Spelling suggestions: "subject:"segmentação fuzzy"" "subject:"segmentação buzzy""
1 |
Desenvolvimento de um mecanismo semi-supervisionado para segmentação de tumores em imagens de mamografia digitalCORDEIRO, Filipe Rolim 16 December 2015 (has links)
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.
|
Page generated in 0.0618 seconds