Há muito que se reconhece que a mama não é um orgão estático. Do nascimento à senilidade a mama esta sujeita à variações que vão desde o formato até a composição e arquitetura tecidual. Estas variações são notórias à simples inspeção, palpação, cortes histológicos, dosagens e outros métodos de estudo. Tais variações são decorrentes de fenômenos da esfera endócrina relacionada à vários hormônios envolvidos com o desenvolvimento, tal como: Estrogênios, FSH, LH, TSH, Mineralocorticóides, Prolactina, Progestágenos, Insulina , T3, T4, Glicocorticóides, Hormônio do Crescimento etc. Por outro lado, sabe se também das variações que a mama sofre dentro de apenas um ciclo menstrual decorrentes de fenômenos da esfera endócrina diretamente relacionadas aos hormônios envolvidos com o ciclo menstrual. Por isso, o presente trabalho avalia as implicações cíclicas da mama na qualidade da imagem mamográfica. Para tanto, uma investigação extensiva é feita com exposições radiográficas das mamas de uma cabra a fim de avaliar o perfil das variações de densidade ao longo de um ciclo completo. Inferências dos resultados obtidos são comparadas com algumas mamografias de mulheres , o que comprova a influência e o período em que melhor se pode visibilizar estruturas de interesse no mamograma convencional. / There is known, in long time, that breast is not an static organ. From birth to old age the breast is vulnerable to many variations that come from shape to composition and tissue architecture. This variation is well-know in a single inspection, touching, histological cuts, dosages and many others learning’s methods.These variations come from endocrine phenomenon, connected to many hormones that are involved with the breasts development, as this sequence: Estrogenes, FSH, LH, TSH, T3, T4, Glycocorticoids, Growth’s Hormones and many others. On the other hand, it’s known that the breast’s variations during a menstrual cycle come from endocrine phenomenon with a directly connection to the hormones in this cycle. The present work evaluatetes the breast cycle implications to mammographic images quality. For this pourpose, an extensive investigation is been done by using radiographic exposures of an goat breast in orden to evaluate the image density variation pattern thow a complete cycle. The result can ben inferred to some human mammographics showin the influence and period when structures of interest in convencional mammographicies.

Há muito que se reconhece que a mama não é um orgão estático. Do nascimento à senilidade a mama esta sujeita à variações que vão desde o formato até a composição e arquitetura tecidual. Estas variações são notórias à simples inspeção, palpação, cortes histológicos, dosagens e outros métodos de estudo. Tais variações são decorrentes de fenômenos da esfera endócrina relacionada à vários hormônios envolvidos com o desenvolvimento, tal como: Estrogênios, FSH, LH, TSH, Mineralocorticóides, Prolactina, Progestágenos, Insulina , T3, T4, Glicocorticóides, Hormônio do Crescimento etc. Por outro lado, sabe se também das variações que a mama sofre dentro de apenas um ciclo menstrual decorrentes de fenômenos da esfera endócrina diretamente relacionadas aos hormônios envolvidos com o ciclo menstrual. Por isso, o presente trabalho avalia as implicações cíclicas da mama na qualidade da imagem mamográfica. Para tanto, uma investigação extensiva é feita com exposições radiográficas das mamas de uma cabra a fim de avaliar o perfil das variações de densidade ao longo de um ciclo completo. Inferências dos resultados obtidos são comparadas com algumas mamografias de mulheres , o que comprova a influência e o período em que melhor se pode visibilizar estruturas de interesse no mamograma convencional. / There is known, in long time, that breast is not an static organ. From birth to old age the breast is vulnerable to many variations that come from shape to composition and tissue architecture. This variation is well-know in a single inspection, touching, histological cuts, dosages and many others learning’s methods.These variations come from endocrine phenomenon, connected to many hormones that are involved with the breasts development, as this sequence: Estrogenes, FSH, LH, TSH, T3, T4, Glycocorticoids, Growth’s Hormones and many others. On the other hand, it’s known that the breast’s variations during a menstrual cycle come from endocrine phenomenon with a directly connection to the hormones in this cycle. The present work evaluatetes the breast cycle implications to mammographic images quality. For this pourpose, an extensive investigation is been done by using radiographic exposures of an goat breast in orden to evaluate the image density variation pattern thow a complete cycle. The result can ben inferred to some human mammographics showin the influence and period when structures of interest in convencional mammographicies.

Made available in DSpace on 2014-06-11T19:26:18Z (GMT). No. of bitstreams: 0 Previous issue date: 2006-12-04Bitstream added on 2014-06-13T20:15:06Z : No. of bitstreams: 1 silverio_cd_me_botfm.pdf: 801515 bytes, checksum: 800c80178c3cab3d5fa837f2a33aa7e4 (MD5) / Fundação para o Desenvolvimento Médico e Hospitalar (Famesp) / Avaliar a densidade mamográfica de mulheres na pós-menopausa submetidas ao tratamento com Raloxifeno. Resultados: Na comparação estatística inicial os grupos foram considerados homogêneos para as variáveis idade, idade da menopausa, tempo de menopausa, paridade, amamentação, índice de massa corpórea. Correlacionando a densidade mamográfica inicial por ambos os métodos qualitativo e quantitativo houve correlação negativa com a idade nas duas classificações em ambos os grupos (p < 0,05) e no índice de massa corpórea inicial somente na avaliação quantitativa e nas pacientes pertencentes ao grupo controle (p < 0,05). Quanto as demais variáveis no grupo controle que foram tempo de menopausa, paridade e amamentação não obtivemos correlação. Após seis meses não foi observado alterações na densidade mamográfica das mulheres estudadas em ambos os grupos e métodos qualitativo e quantitativo. Analisando concordância entre a classificação da densidade mamográfica segundo os métodos qualitativo e quantitativo, obteve-se concordância em ambas classificações. Conclusão: Em mulheres na pós-menopausa com osteoporose, submetidas ao tratamento com Raloxifeno por seis meses, não se observou alterações dos padrões de densidade mamográfica. / Assessing the mamographic density of post-menopause women submitted to Raloxifen treatment. Results: On the initial statistical comparison, the groups were considered homogenous for the analysed variables: age, menopause age, menopause period, parity, breast feeding and body mass index (BMI). Correlating the initial mammographic density by both methods, qualitative and quantitative, there was a negative correlation with the age in both groups (p < 0,05). The quantitative initial assessment correlated only to the BMI of the control group patients (p < 0,05). Concerning the other variables, there was no correlation. After six months, no alteration was observed in the mammographic density of women studied in both groups and methods, qualitative (BI-RADS) and quantitative (image digitalization). It was observed an agreement between the mammographic density classifications according to the methods employed. Conclusion: In post-menopause women with osteoporosis, submitted to raloxifen treatment for six months, no alterations were observed on the mammographic density patterns.

Neste trabalho, propõe-se a utilização da técnica Enhanced ICA Misture Model (EICAMM) para a segmentação automática de nódulos mamários em imagens mamográficas digitais. Com o objetivo de compará-la com outros métodos de segmentação encontrados na literatura correlata, como as técnicas Watershed, Self-Organizing Map (SOM), K-Means e Fuzzy C-Means, utiliza-se a métrica Area Overlap Measure (AOM) ou medida de similaridade de Jaccard, para medir a semelhança entre o resultado obtido na segmentação e o recorte efetuado por um especialista (ground truth). Os resultados obtidos mostram um bom desempenho do modelo EICAMM, que foi a única técnica capaz de detectar massas em regiões de interesse de mama densa. Resultados mais precisos produzidos por tal modelo foram aplicados na elaboração de um módulo classificador de nódulos para um esquema CADx (de Computer-aided Diagnosis) em mamografia digital. O módulo utiliza técnicas de extração e seleção de características e técnicas inteligentes, como Redes Neurais Artificiais, para indicar a existência ou não de nódulos em regiões de interesse, bem como avalia seu contorno/margem, forma e densidade, a fim de indicar a pertinência do achado a um caso maligno ou benigno. Para isso, utiliza-se uma base de regras, criada com o auxílio de um especialista e da combinação de diferentes classificações, conhecida como ensemble, para gerar uma única saída. Testes utilizando várias regiões de interesse selecionadas de duas bases de imagens mamográficas disponíveis resultaram numa precisão média de 46,71% na segmentação dos nódulos pela EICAMM (20,72% melhor que a média das demais técnicas comparadas) e um nível de acerto médio de 80,5% na classificação dos nódulos, o que permite considerar o módulo desenvolvido como uma útil ferramenta para auxílio ao diagnóstico desse tipo de estrutura em esquemas CADx. / This work describes the use of a technique called Enhanced ICA Misture Model (EICAMM) for automated segmentation of breast nodules in digital mammography images. Aiming to compare it with other segmentation methods, like Watershed transformation, Self-organizing Map (SOM), K-Means and Fuzzy C-Means, metrics such as Area Overlap Map (AOM) or Jaccard similarity measure are used in order to measure the similarity between the result from the segmentation and the profile determined by a spectialist (ground truth). Results show a good performance for the EICAMM method, the unique able to detect masses in regions of interest from dense breasts. More accurate results from such a model were applied to the development of a nodules classifier module for a CADx scheme in digital mammography. This module uses techniques for features extraction and selection, and intelligent techniques, as artificial neural networks, to determine the existence or not of a nodule, as well as to evaluate its contour/border, shape and radiographic density, in order to point out its pertinency to a malignant or benign case. With this purpose, a rules database known as ensemble, created with help of a specialist and different classifications combination, is used in order to produce only one output. Tests with several regions of interest selected from two available mammographic images databases have resulted in an average accuracy of 46.71% for nodules segmentation by EICAMM (20.72% better than the average of the other compared techniques), as well as an average accuracy of 80.5% in nodules classification, which allows to consider the developed module as an useful tool in aiding the diagnosis of such a structure in CADx schemes.

Neste trabalho, propõe-se a utilização da técnica Enhanced ICA Misture Model (EICAMM) para a segmentação automática de nódulos mamários em imagens mamográficas digitais. Com o objetivo de compará-la com outros métodos de segmentação encontrados na literatura correlata, como as técnicas Watershed, Self-Organizing Map (SOM), K-Means e Fuzzy C-Means, utiliza-se a métrica Area Overlap Measure (AOM) ou medida de similaridade de Jaccard, para medir a semelhança entre o resultado obtido na segmentação e o recorte efetuado por um especialista (ground truth). Os resultados obtidos mostram um bom desempenho do modelo EICAMM, que foi a única técnica capaz de detectar massas em regiões de interesse de mama densa. Resultados mais precisos produzidos por tal modelo foram aplicados na elaboração de um módulo classificador de nódulos para um esquema CADx (de Computer-aided Diagnosis) em mamografia digital. O módulo utiliza técnicas de extração e seleção de características e técnicas inteligentes, como Redes Neurais Artificiais, para indicar a existência ou não de nódulos em regiões de interesse, bem como avalia seu contorno/margem, forma e densidade, a fim de indicar a pertinência do achado a um caso maligno ou benigno. Para isso, utiliza-se uma base de regras, criada com o auxílio de um especialista e da combinação de diferentes classificações, conhecida como ensemble, para gerar uma única saída. Testes utilizando várias regiões de interesse selecionadas de duas bases de imagens mamográficas disponíveis resultaram numa precisão média de 46,71% na segmentação dos nódulos pela EICAMM (20,72% melhor que a média das demais técnicas comparadas) e um nível de acerto médio de 80,5% na classificação dos nódulos, o que permite considerar o módulo desenvolvido como uma útil ferramenta para auxílio ao diagnóstico desse tipo de estrutura em esquemas CADx. / This work describes the use of a technique called Enhanced ICA Misture Model (EICAMM) for automated segmentation of breast nodules in digital mammography images. Aiming to compare it with other segmentation methods, like Watershed transformation, Self-organizing Map (SOM), K-Means and Fuzzy C-Means, metrics such as Area Overlap Map (AOM) or Jaccard similarity measure are used in order to measure the similarity between the result from the segmentation and the profile determined by a spectialist (ground truth). Results show a good performance for the EICAMM method, the unique able to detect masses in regions of interest from dense breasts. More accurate results from such a model were applied to the development of a nodules classifier module for a CADx scheme in digital mammography. This module uses techniques for features extraction and selection, and intelligent techniques, as artificial neural networks, to determine the existence or not of a nodule, as well as to evaluate its contour/border, shape and radiographic density, in order to point out its pertinency to a malignant or benign case. With this purpose, a rules database known as ensemble, created with help of a specialist and different classifications combination, is used in order to produce only one output. Tests with several regions of interest selected from two available mammographic images databases have resulted in an average accuracy of 46.71% for nodules segmentation by EICAMM (20.72% better than the average of the other compared techniques), as well as an average accuracy of 80.5% in nodules classification, which allows to consider the developed module as an useful tool in aiding the diagnosis of such a structure in CADx schemes.