Submitted by Diogo Barreiros (diogo.barreiros@ufba.br) on 2017-06-02T17:34:16Z
No. of bitstreams: 1
template-msc.pdf: 7779839 bytes, checksum: 3727636ba3903e44e4de17aefcf68481 (MD5) / Approved for entry into archive by Uillis de Assis Santos (uillis.assis@ufba.br) on 2017-06-07T18:25:00Z (GMT) No. of bitstreams: 1
template-msc.pdf: 7779839 bytes, checksum: 3727636ba3903e44e4de17aefcf68481 (MD5) / Made available in DSpace on 2017-06-07T18:25:00Z (GMT). No. of bitstreams: 1
template-msc.pdf: 7779839 bytes, checksum: 3727636ba3903e44e4de17aefcf68481 (MD5) / O câncer de mama é considerado a segunda neoplasia responsável por mais mortes em mulheres no mundo. Para a prevenção e redução desse número, a mamografia de screening é o exame mais utilizado para detecção de nódulos em estágios iniciais. A partir desse exame, o radiologista pode analisar as anomalias e a partir disso desenvolver um diagnóstico. Para aumentar a acurácia dos resultados obtidos a partir das imagens de mamografia, estão sendo desenvolvidos softwares de auxílio à diagnóstico computer-aided diagnosis capazes de automatizar o processo de análise da imagem e extrair informações relevantes para a classificação dos nódulos presentes nos exames. Esse trabalho apresenta duas novas metodologias para extração de features e classificação de massas e não-massas,s a partir da Entropia de Tsallis extraídas através da matriz de co-ocorrência (GLCM) e através da matriz de valores singulares (SVD) da imagem de mamografia, alcançando uma acurácia máxima de 91.3% / Breast cancer has been considered the second neoplasia responsible for women’s death
in the last few years. To prevent and to reduce these statistics, screening mammography
has been used as the most important exam to detect nodules on initial stages.
From this exam, the radiologist can analyze anomalies and to provide some diagnostic.
To improve the results accuracy rate from mammography images, computer-aided diagnosis
softwares have been developed with the ability to automate the image analyses
processing and to extract relevant information for mass classifications on screening
exams. This work presents two new methodologies for feature extraction for mass
and non-mass classification, based on Tsallis entropy calculated from gray level cooccurrence
matrix (GLCM) and from singular value decomposition (SVD), reaching
the best accuracy rate of 91.3%.
| Identifer | oai:union.ndltd.org:IBICT/oai:192.168.11:11:ri/22922 |
| Date | 14 December 2015 |
| Creators | Alcântara, Rafaela Souza |
| Contributors | Ferreira Júnior, Perfilino Eugênio, Apolinário Júnior, Antonio Lopes, Honda, Marcelo Ossamu |
| Publisher | Instituto de Matemática, Mestrado em Ciência da Computação, UFBA, brasil |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Source | reponame:Repositório Institucional da UFBA, instname:Universidade Federal da Bahia, instacron:UFBA |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0023 seconds