Submitted by Rosivalda Pereira (mrs.pereira@ufma.br) on 2017-05-30T21:09:57Z
No. of bitstreams: 1
JoaoDiniz.pdf: 2606559 bytes, checksum: 262a9c98db11667d3a482c378ab78b50 (MD5) / Made available in DSpace on 2017-05-30T21:09:57Z (GMT). No. of bitstreams: 1
JoaoDiniz.pdf: 2606559 bytes, checksum: 262a9c98db11667d3a482c378ab78b50 (MD5)
Previous issue date: 2017-02-03 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Breast cancer is the type of cancer that most affects women and is one of the leading
causes of death worldwide. Aiming to aid the detection and diagnosis of this pathology,
several techniques in the image area are being created serving as a second opinion. It is
known that mammograms of the left and right breast present a high degree of symmetry,
and when there is a sudden difference between the pairs, it can be considered suspicious.
It is also emphasized that the breast can present different density of the tissue and this
can be a factor that makes difficult the detection and diagnosis of the lesions. Thus,
the objective of this work is to develop an automatic methodology for the detection of
mass regions in pairs of digitized mammograms adapted to breast density, using image
processing and species comparison techniques to determine asymmetric regions in the
breasts together with neural convolutional networks for Classification of breast density
and regions in masses and not masses. The proposed methodology is divided into two
phases: training phase and test phase. In the training phase will be created three models
using convolutional neural networks, the first able to classify the breast as density and
the last two to classify regions of mass and non-mass in dense and non-dense breasts.The
steps are in aligning the breasts so that it is possible to make a comparison between
the pairs. When comparing, asymmetric regions will be segmented, these regions will
undergo a process of reduction of false positives in order to eliminate regions that are
not masses. Before classifying the remaining regions, the breasts undergo the process of
density classification by the model obtained in the training phase. Finally, for each type
of breast, a model will classify the regions segmented into masses and not masses. The
methodology presented excellent results, in the non-dense breasts reaching sensitivity of
91.56 %, specificity of 90.73 %, accuracy of 91.04 % and rate of 0.058 false positives per
image. Dense breasts showed 90.36 % sensitivity, 96.35 % specificity, 94.84 % accuracy
and 0.027 false positives per image. The results show that the methodology is promising
and can be used to compose a CAD system, serving as a second option for the expert in
the task of detecting mass regions. / O cãncer de mama é o tipo de câncer que mais acomete as mulheres e uma das principais
causas de morte em todo o mundo. Visando auxiliar a detecção e diagnóstico desta
patologia, diversas técnicas na érea de imagem estão sendo criadas servindo como um
auxílio ao especialista. Sabe-se que mamografias esquerda e direita apresentam alto grau
simetria, e quanto há uma diferença brusca entre os pares, pode-se considerar algo de
suspeito. Ressalta-se também que a mama pode apresentar densidade diferente do tecido e
isso pode ser um fator que dificulte na detecção e diagnóstico das lesões. Assim, o objetivo
deste trabalho é desenvolver uma metodologia automática de detecção de regiões de
massa em pares de mamografias digitalizadas adaptada à densidade da mama, utilizando
técnicas de processamento de imagens e comparação de espécies para determinar regiões
assimétricas nas mamas juntamente com redes neurais convolucionais para classificação
de densidade da mama e de regiões em massas e não massas. A metodologia proposta é
dividida em duas fases: fase de treinamento e fase de teste. Na fase de treinamento serão
criados três modelos utilizando redes neurais convolucionais, o primeiro capaz de classificar
a mama quanto a densidade e os dois últimos classificam regiões de massa e não massa
em mamas densas e não densas. Na fase de teste, imagens de mamografia da base DDSM
passarão por várias etapas a fim de segmentar regiões assimétricas que serão posteriormente
classificadas. As etapas resumem-se em alinhar as mamas para que seja possível fazer uma
comparação entre os pares. Ao comparar, serão segmentadas regiões assimétricas, essas
regiões passarão por processo de redução de falsos positivos a fim de eliminar regiões que
não são massas. Antes de classificar as regiões restantes, as mamas passam pelo processo
de classificação de densidade pelo modelo obtido na fase de treinamento. Por fim, para
cada tipo de mama, um modelo irá classificar as regiões segmentadas em massas e não
massas. O método proposto apresentou resultados promissores, nas mamas não densas
atingiu sensibilidade de 91,56%, especificidade de 90,73%, 91,04% de acurácia e taxa de
0,058 falsos positivos por imagem. As mamas densas, apresentaram resultados de 90,36%
de sensibilidade, 96,35% de especificidade, 94,84% de acurácia e 0,027 falsos positivos por
imagem. Os resultados mostram que a metodologia é promissora e pode ser utilizada para
compor um sistema CAD na tarefa de detectar regiões de massas.
| Identifer | oai:union.ndltd.org:IBICT/oai:tede2:tede/1537 |
| Date | 03 February 2017 |
| Creators | Diniz , João Otávio Bandeira |
| Contributors | Silva, Aristófanes Corrêa, Paiva, Anselmo Cardoso de |
| Publisher | Universidade Federal do Maranhão, PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCET, UFMA, Brasil, DEPARTAMENTO DE INFORMÁTICA/CCET |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Biblioteca Digital de Teses e Dissertações da UFMA, instname:Universidade Federal do Maranhão, instacron:UFMA |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.144 seconds