Neste trabalho foram propostas técnicas para a segmentação automática de mamogramas e para a detecção de assimetrias entre mamogramas esquerdo e direito. A segmentação é realizada através de três técnicas computacionais para a identificação de três importantes regiões anatômicas nos mamogramas: borda da mama, músculo peitoral e disco fibro-glandular. O primeiro método focaliza a identificação da borda da mama através do uso de um modelo de contorno ativo especialmente projetado para esse propósito. Neste estágio, a borda da mama é automaticamente demarcada, todos os artefatos fora dessa região são eliminados, e a região de interesse usada para a detecção do músculo peitoral é definida. No próximo estágio, a borda do músculo peitoral é determinada usando uma técnica multiresolução baseada na representação Gabor wavelets. Finalmente, um modelo de densidades da mama, baseado no modelo da mistura finita de Gaussianas, é proposto para a representação de quatro categorias de tecidos mamários com diferentes densidades. O disco fibro-glandular é identificado através da aplicação de um limiar sob as classes de densidades determinadas no modelo. Os métodos propostos foram aplicados em 84 imagens de mamogramas de projeções médio-laterais oblíqüas da base de dados Mini-MIAS (\"Mammographic Image Analysis Society\", London, UK). A avaliação dos resultados dos procedimentos de segmentação da borda da mama e borda do músculo peitoral foi realizada com base no percentual de pixels falso-positivos (FPs) e falso-negativos (FNs) determinados por comparação entre os contornos verdadeiros e os contornos automaticamente identificados. As taxas médias de FPs e FNs para as bordas da mama e do músculo peitoral foram, respectivamente, de 0,41% e 0,58%, e 1,78% e 5,77%. A segmentação dos discos fibro-glandulares foi subjetivamente classificada por radiologistas e os resultados indicaram que em mais de 80% dos casos a segmentação foi ) considerada aceitável para o uso em sistemas de auxílio ao diagnóstico. A detecção de assimetrias foi realizada usando informações direcionais, obtidas a partir da representação multiresolução Gabor wavelets, e de informações de forma e densidade, extraídas dos discos fibro-glandulares dos mamogramas esquerdo e direito. No procedimento de análise direcional, uma representação wavelet formada por filtros de Gabor bidimensionais com variação em freqüência e orientação, especialmente projetadas para reduzir a redundância na representação, é aplicada para uma dada imagem. As respostas dos filtros para diferentes escalas e orientações são analisadas através da transformada de Karhunen-Loève (KL) e pelo método de limiarização de Otsu. A transformada KL é aplicada para selecionar os componentes principais das respostas dos filtros, preservando apenas os elementos direcionais mais relevantes que aparecem em todas as escalas. Os componentes principais selecionados e limiarizados pela técnica de Otsu são usados para obter as imagens de magnitude e fase dos componentes direcionais da imagem. Medidas estatísticas extraídas dos diagramas de rosa calculados a partir das imagens de fase são usadas para a análise quantitativa e qualitativa dos padrões orientados. Um total de 11 atributos é extraído dos discos fibro-glandulares segmentados dos mamogramas esquerdo e direito, e a diferença calculada para cada par de atributos é usada como uma medida para a detecção de assimetrias. Um total de 88 imagens (22 casos normais, 14 casos de densidades assimétricas e 8 casos de distorções de arquitetura) da base de dados Mini-MIAS foram usadas para avaliar o método proposto. A combinação exaustiva dos atributos juntamente com a análise de componentes principais foi usada para selecionar o melhor subgrupo de atributos. A classificação foi realizada através de classificadores de Bayes (linear e quadrático) ) e usando o método \"leave-one-out\". Uma taxa de classificação correta de 84,44% foi alcançada. / In this work, techniques are proposed for the automatic segmentation of mammograms and detection of asymmetries between left and right mammograms. The segmentation is performed by using three computational techniques for the identification of three important anatomical regions of mammograms: the skin-air boundary, the pectoral muscle, and the fibro-glandular disc. The first method focuses on the identification of the skin-air boundary by using an active contour model algorithm specially tailored for this purpose. In this stage, the skin-air boundary is demarcated, all artefacts outside the breast region are eliminated, and the region of interest for detection of the pectoral muscle is defined. In the next stage, the edge of the pectoral muscle is determined by using a multiresolution technique based upon a Gabor wavelets representation. Finally, a density breast model based upon a Gaussian mixture model is proposed for the representation of four categories of different density tissues in the breast. The fibro-glandular disc is identified by thresholding the density categories of the model. The methods proposed were applied to 84 images of medio-lateral oblique mammograms from the Mini-MIAS (Mammographic Image Analysis Society, London, U.K.) database. The evaluation of the skin-air boundary and the pectoral muscle edge were performed based upon the percentage of false-positive (FP) and false-negative (FN) pixels determined by comparison between the true contours and the contours automatically identified. The FP and FN average rates for the skin-air boundary and the pectoral muscle edge were, respectively, 0.41% and 0.58%, and 1.78% and 5.77%. Two radiologists subjectively rated the segmentation of the fibro-glandular disc and the results indicate that in more than 80% of the cases, the segmentation was considered acceptable for a Computer Aided Diagnosis purposes. Detection of asymmetries (continua) (continuação) is performed by using directional information, obtained from a multiresolution Gabor wavelets representation, and shape and density information, extracted from the fibro-glandular discs of left and right mammograms. In the directional procedure, a particular wavelet scheme with 2-D Gabor filters as elementary functions with varying tuning frequency and orientation, specifically designed in order to reduce the redundancy in the wavelet-based representation, is applied to the given image. The filter responses for different scales and orientation are analyzed by using the Karhunen-Loève (KL) transform and Otsu\'s method of thresholding. The KL transform is applied to select the principal components of the filter responses, preserving only the most relevant directional elements appearing at all scales. The selected principal components are thresholded by using Otsu\'s method and used to obtain the magnitude and phase of the image directional components. Rose diagrams computed from the phase images and statistical measures computed thereof are used for quantitative and qualitative analysis of the oriented patterns. A total of 11 features are also extracted from the segmented fibro-glandular discs of left-right mammograms, and the difference of each feature pair is used as a measure for detecting asymmetries. A total of 88 images from 22 normal cases, 14 asymmetric cases, and 8 architectural distortion cases from the Mini-MIAS database were used to evaluate the scheme. An exhaustive combination of the features along with the principal components analysis was used to select the best feature set. The classification was performed by using two Bayes\' classifiers (linear and quadratic) and the leave-one-out methodology. Average classification accuracy up to 84.44% was achieved.
| Identifer | oai:union.ndltd.org:usp.br/oai:teses.usp.br:tde-30092015-141016 |
| Date | 01 April 2002 |
| Creators | Ferrari, Ricardo José |
| Contributors | Slaets, Annie France Frère |
| Publisher | Biblioteca Digitais de Teses e Dissertações da USP |
| Source Sets | Universidade de São Paulo |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | Tese de Doutorado |
| Format | application/pdf |
| Rights | Liberar o conteúdo para acesso público. |
Page generated in 0.0045 seconds