Orientador: Prof. Dr. Marcelo Zanchetta do Nascimento / Coorientadora: Profa. Dra. Ana Lígia Scott / Dissertação (mestrado) - Universidade Federal do ABC, Programa de Pós-Graduação em Engenharia da Informação, Santo André, 2018. / Nos últimos anos a ciência vem contribuindo significativamente para o avanço no diagnóstico precoce de doenças, através da análise de imagens médicas. As novas tecnologias de geração de imagens, através da digitalização, trazem a possibilidade de geração de uma gama de imagens que antes era inviável do ponto de vista econômico. Com esse avanço, a quantidade de informações que cada paciente gera é extensa, aumentando consideravelmente o trabalho de investigação manual. Por isso, a necessidade de se desenvolver soluções automatizadas para análise dessas imagens. Sem contar que essas soluções introduzem um fator de precisão mais acurado, que podem contribuir com uma segunda opinião. As abordagens no domínio da frequência para extração de características de textura, utilizadas largamente para identificação de características de imagens de mama, fazem uso da Transformada Wavelet em conjunto com outros extratores. No entanto, a Wavelet é muito eficiente para identificar características em uma abordagem 1D, o que dificulta a descrição de bordas e contornos. A Transformada Ripplet-II vem justamente para resolver tais lacunas, ou seja, demonstra ser uma técnica capaz de obter informações de textura de imagens com maior precisão, como demonstra os estudos mais recentes. Este trabalho apresenta a investigação da transformada Ripplet-II em imagens histológicas de lesões de mama, para demonstrar a eficácia dessa abordagem na distinção dos grupos de lesões benignas e malignas. O método proposto utilizou um filtro CLAHE, de equalização de histogramas, na etapa de pré-processamento, antes da extração dos descritores resultantes da aplicação da Ripplet-II. Obteve-se ainda características derivadas da Matriz de Co-ocorrência, que foram combinadas com os descritores Ripplet-II. Como resultado da classificação das imagens, utilizando-se o ReliefF como seletor e o Random Forest como classificador. Na fase dos experimentos, uma comparação foi realizada entre descritores Wavelet e Ripplet-II, com valores de acurácia de 88,46% e 96,15%, respectivamente. A aproximação proposta mostra resultados promissores como uma técnica para classificação de lesões em imagens histológicas de mama. / In recent years, science has been contributing significantly to the advance in the early diagnosis of diseases, through the analysis of medical images. The new technologies of imaging, through the digitalization, bring the possibility of generating a range of images that previously was impracticable from the economic point of view. With this advance, the amount of information each patient generates is extensive, greatly increasing the manual research work. Therefore, the need to develop automated solutions to analyze these images. Not to mention that these solutions introduce a factor of precision, that can contribute to a second opinion. Frequency approaches for extracting texture characteristics, widely used for identification of breast imaging characteristics, make use of the Wavelet Transform in conjunction with other extractors. However, Wavelet is very efficient at identifying features in a 1D approach, which makes it difficult to describe edges and contours. The Ripplet-II Transform comes precisely to solve such gaps, that is, it proves to be a technique capable of obtaining information of texture of images with greater precision, as it demonstrates the most recent studies. This work presents the investigation of the Ripplet-II transform in histological images of breast lesions, to demonstrate the effectiveness of this approach in distinguishing groups of benign and malignant lesions. The proposed method used a CLAHE histogram equalization filter in the preprocessing step before extracting the resulting descriptors from the Ripplet-II. We also obtained features derived from the Co-occurrence Matrix, which were combined with the Ripplet-II descriptors. As a result of the classification of the images, using ReliefF as selector and Random Forest as a classifier. At the stage of the experiments, a comparison was carried out between Wavelet descriptors and Ripplet II, with accuracy values of 88.46% and 96.15%, respectively. The proposed approach shows promising results as a technique for lesion classification in histological breast imaging.
Identifer | oai:union.ndltd.org:IBICT/oai:BDTD:110468 |
Date | January 2018 |
Creators | Moreira Junior, Wagner Lopes |
Contributors | Nascimento, Marcelo Zanchetta do, Scott, Ana Lígia, Rodrigues, Silvia Cristina Martini, Zampirolli, Francisco de Assis |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | Portuguese |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
Format | application/pdf, 111 f. : il. |
Source | reponame:Repositório Institucional da UFABC, instname:Universidade Federal do ABC, instacron:UFABC |
Rights | info:eu-repo/semantics/openAccess |
Relation | http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=110468&midiaext=76125, http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=110468&midiaext=76126, Cover: http://biblioteca.ufabc.edu.brphp/capa.php?obra=110468 |
Page generated in 0.0098 seconds