Submitted by Fabio Sobreira Campos da Costa (fabio.sobreira@ufpe.br) on 2016-12-01T14:33:08Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Dissertação_Kamila_Queiroz.pdf: 2031256 bytes, checksum: 11934292ef99e7d010a7bdd8c3309096 (MD5) / Made available in DSpace on 2016-12-01T14:33:08Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Dissertação_Kamila_Queiroz.pdf: 2031256 bytes, checksum: 11934292ef99e7d010a7bdd8c3309096 (MD5) Previous issue date: 2016-02-19 / CNPQ / A inspeção termográfica tem emergido como um método potencial para melhorar a eficiência da detecção precoce do câncer de mama. A técnica não utiliza radiação ionizante e possui a vantagem de facilitar a realização de exames de mama em homens e detectar alterações nas mamas de mulheres mais jovens. Sistemas de diagnóstico auxiliado por computador (CAD) são métodos importantes no subsídio à decisão médica e são usados para melhorar a consistência da interpretação das imagens. Normalmente, estes sistemas são associados a interfaces gráficas para facilitar o trabalho dos usuários e tornar o programa desenvolvido acessível a pesquisadores e/ou médicos ligados à área. O objetivo desta dissertação é desenvolver uma interface gráfica de usuário (GUI – Graphical User Interface) prática e que possibilite a detecção de anormalidades a partir de termogramas de mamas. Para isto foram implementados sistemas de CAD baseados em classificadores estatísticos, além de análises relacionadas ao quantitativo de casos clínicos e sua relação com a idade das pacientes. As regiões de interesse foram segmentadas tanto de forma semiautomática quanto de forma automática, as quais estão associadas, respectivamente, ao classificador SVM (Support Vector Machine) e ao classificador baseado na distância de Mahalanobis. Com o intuito de identificaras anormalidades das mamas, participaram noventa e oito pacientes do Hospital das Clínicas da Universidade Federal de Pernambuco, as quais serviram para construir a base de dados para a classificação individual de determinada paciente. A eficácia da classificação para esta amostra foi medida através da sensibilidade e da especificidade ao grupo Maligno, e das taxas de acerto das classes Benigno, Cisto e Normal. A GUI desenvolvida foi avaliada através do estudo das imagens termográficas de cinco pacientes pertencentes às diferentes classes. No presente trabalho, apresentam-se resultados para o classificador Mahalanobis e para o classificador SVM, além de suas variações. / The infrared thermography has emerged as a potential method to improve the efficiency of the early detection of the breast cancer. This technique does not use ionizing radiation and is also suitable to breast screening in men, as well as is able to detect changes in the younger women’s breasts. Computer-aided diagnosis (CAD) systems are important to medical decision and are used to improve image interpretation. Typically, these systems are associated with graphical interfaces to facilitate users’ work. Furthermore the developed framework can be an important tool (GUI - Graphical User Interface) for the people interested in breast abnormalities detection. In the sense, the CAD systems were implemented based on statistical classifiers. Some statistical analyses associated to quantitative clinical cases were performed. The relation to patients’ age was also analyzed. The regions of interest were segmented in automatic and semiautomatic manners, which are respectively associated with the SVM (Support Vector Machine) classifier and the Mahalanobis classifier. Ninety eight patients images from the Hospital das Clínicas (HC) of Federal University of Pernambuco (UFPE) participated in the tests. The classification efficiency for this sample was measured using the sensitivity and the specificity to the malignant group, and to the accuracy of classifying the classes: Benign, Cyst and Normal. The GUI created was evaluated through the study of thermographic images of five patients with the different referred classes. In the present work, the results for the Mahalanobis classifier and SVM classifier are presented.