Return to search

Desenvolvimento de um algoritmo morfológico para detecção e classificação de lesões em imagens de mamografia

Submitted by Fabio Sobreira Campos da Costa (fabio.sobreira@ufpe.br) on 2017-02-23T14:02:54Z
No. of bitstreams: 2
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
tese-completa-Sidney_Lima_v21.pdf: 4757211 bytes, checksum: 205170db8b002cc2ab72255ab77628a3 (MD5) / Made available in DSpace on 2017-02-23T14:02:54Z (GMT). No. of bitstreams: 2
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
tese-completa-Sidney_Lima_v21.pdf: 4757211 bytes, checksum: 205170db8b002cc2ab72255ab77628a3 (MD5)
Previous issue date: 2016-02-25 / REUNI / O câncer de mama é a principal causa de morte de mulheres adultas por
câncer no mundo. Do ponto de vista clínico, a mamografia é ainda a mais efetiva
tecnologia de diagnóstico do câncer de mama, dada a grande difusão de uso e
interpretações dessas imagens. De acordo com o estado da arte da classificação de
lesões em mamogramas, as wavelets têm apresentado os melhores resultados do
ponto de vista da taxa de classificação, quando utilizadas como etapa de préprocessamento
que decompõe a imagem original em imagens de detalhes (verticais,
horizontais e diagonais) e aproximações para, a partir dessas imagens
componentes, serem extraídos atributos de textura. Neste trabalho, propõe-se a
Decomposição baseada em Aproximações Morfológicas em regiões de interesse em
mamogramas. O método proposto tem por base a decomposição inspirada em
wavelets que emprega filtros não lineares passa-baixas e passa-altas, baseados em
aberturas e fechamentos, que por sua vez são construídos a partir dos operadores
morfológicos clássicos de erosão e dilatação. Neste trabalho, são propostas
aproximações aritméticas para esses dois operadores morfológicos clássicos,
substituindo os desvios condicionais, presentes na Morfologia Matemática, por
operações aritméticas de somas, subtrações e multiplicações, computacionalmente
mais rápidas. O trabalho proposto compara o tempo estimado de execução entre as
aproximações aritméticas propostas e as operações morfológicas clássicas
utilizando a notação Big-Oh e também faz uso de estimativas baseadas em
arquitetura de hardware pipeline. Em todas as estimativas e cenários reais, as
aproximações morfológicas propostas são mais rápidas do que a morfologia
clássica. Além disso, por não empregar unidade de hardware em ambiente pipeline
para tratamento de desvios condicionais, as aproximações morfológicas propostas
se tornam uma solução mais barata, ocupa menos espaço, mais propícia à
miniaturização, consome menos energia e reduz o número de codificações da UC
(Unidade de Controle). Logo, as Aproximações Morfológicas criadas são superiores
à morfologia clássica nos principais requisitos para o bom funcionamento do
hardware. Quanto à classificação, a Decomposição baseada em Aproximações
Morfológicas alcança um desempenho médio de 84,65% na distinção entre casos
normais, benignos e malignos. Os classificadores empregados são redes neurais
ELM e SVM, cujas classes são definidas de acordo com os critérios da American
College of Radiology. Foram usadas 355 imagens de mama adiposa da base de
dados IRMA, com 233 casos normais, 66 benignos e 56 malignos. Como método de
tratamento da base de dados, foram estudados pesos ponderando a fronteira de
decisão das redes neurais. / According to the World Health Organization, breast cancer is the main cause of
death of women round the world. From the clinical point of view, mammography is
still the most effective diagnostic technology, given the wide diffusion of the use and
interpretation of these images. According the state-of-the-art lesions classification on
mammograms, wavelets have produced the best results from the viewpoint of
precision, when used as a preprocessing step that decomposes the original image
into approximation and detail images (vertical, horizontal and diagonal) in order to,
from these components images, extract shape or texture attributes. This work
proposes the decomposition Morphological-based in regions of interest on
mammograms. The proposed method is inspired on wavelets decomposition
employing nonlinear low-pass and high-pass filters, based on openings and closings,
which are constructed from classical morphological operators of erosion and dilation.
In this work, we propose approaches of classical morphology, replacing the
conditional branches, present in Mathematical Morphology, by arithmetic operations
of addition, subtraction and multiplication, computationally faster. The proposed work
compares the estimated run time of proposed arithmetic approximations and classical
morphological operations using Big-Oh notation and also the thesis uses notation
based on pipeline hardware architecture. In all real scenarios, our morphological
operations are faster than classical morphology. Also, by not employing hardware
unit in pipeline environment for treating conditional branches, the proposed
morphology approximation becomes a cheaper solution, occupies less space, more
propitious to miniaturization, consumes less power, and reduces the Control Unit
coding number. Then, our approaches of classical morphology are superior to
classical morphology in key requirements of hardware solution. Regarding the
classification, the proposed decomposition reaches an average performance of
84.65% in distinguishing normal, benign, and malignant cases. Classifiers are neural
networks ELM and SVM, classes are defined according American College of
Radiology criteria. They are employed 355 adipose breast images with 233 normal
cases, 66 benign and 56 malignant. As database processing method, weights were
studied considering the decision boundary of neural networks.

Identiferoai:union.ndltd.org:IBICT/oai:repositorio.ufpe.br:123456789/18361
Date25 February 2016
CreatorsLIMA, Sidney Marlon Lopes de
Contributorshttp://lattes.cnpq.br/8983932189780223, SILVA FILHO, Abel Guilhermino da, SANTOS, Wellington Pinheiro dos
PublisherUniversidade Federal de Pernambuco, Programa de Pos Graduacao em Ciencia da Computacao, UFPE, Brasil
Source SetsIBICT Brazilian ETDs
LanguageBreton
Detected LanguagePortuguese
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis
Sourcereponame:Repositório Institucional da UFPE, instname:Universidade Federal de Pernambuco, instacron:UFPE
RightsAttribution-NonCommercial-NoDerivs 3.0 Brazil, http://creativecommons.org/licenses/by-nc-nd/3.0/br/, info:eu-repo/semantics/openAccess

Page generated in 0.0027 seconds