Made available in DSpace on 2018-08-02T00:00:58Z (GMT). No. of bitstreams: 1
tese_4830_Tiago Tadeu Wirtti Mestrado.pdf: 5897734 bytes, checksum: 2159faee3acbb302df7a59e7fa502a83 (MD5)
Previous issue date: 2012-12-05 / O presente trabalho sugere uma metodologia para segmentação de massas em mamografias
digitalizadas. A massa se destaca dos demais tecidos da mama por apresentar densidade
parcialmente homogênea e formato arredondado, espiculado ou indefinido. A estratégia de
segmentação baseia-se na separação da mamografia digital em fatias por faixa de intensidade
e avaliação da densidade de cada fatia usando transformada wavelet multiescala. Os dados de
densidade obtidos através do processamento com wavelets são usadospara treinar uma rede
neural perceptron multicamadas com uma camada oculta com retropropagação de erro. Após Não disponível.O presente trabalho sugere uma metodologia para segmentação de massas em mamografias
digitalizadas. A massa se destaca dos demais tecidos da mama por apresentar densidade
parcialmente homogênea e formato arredondado, espiculado ou indefinido. A estratégia de
segmentação baseia-se na separação da mamografia digital em fatias por faixa de intensidade
e avaliação da densidade de cada fatia usando transformada wavelet multiescala. Os dados de
densidade obtidos através do processamento com wavelets são usadospara treinar uma rede
neural perceptron multicamadas com uma camada oculta com retropropagação de erro. Após
a fase de treinamento, mamografias da base de teste, exceto aquelas utilizadas na fase de
treinamento, podem ser submetidas à rede neural treinada. O processamento resultante,
realizado sobre cada fatia da imagem investigada, evidenciaachados de densidade relevante.
Os achados em cada fatia são avaliados por um filtro de gradiente, gerando fatias contendo
informação relevante sobre o gradiente acumulado de cada achado. Os gradientes
acumulados que aparecem na mesma posição em fatias subsequentes são analisados de forma
heurística resultando na seleção das massas. Foram utilizadas 31 imagens da base de
mamografias mini-MIAS, sendo duas imagens para treinamento e as demais para teste do
classificador. Obteve-se TPR(sensibilidade) de 75,00 %, FPRde 23,91 %, especificidade de
76,09 %
a fase de treinamento, mamografias da base de teste, exceto aquelas utilizadas na fase de
treinamento, podem ser submetidas à rede neural treinada. O processamento resultante,
realizado sobre cada fatia da imagem investigada, evidenciaachados de densidade relevante.
Os achados em cada fatia são avaliados por um filtro de gradiente, gerando fatias contendo
informação relevante sobre o gradiente acumulado de cada achado. Os gradientes
acumulados que aparecem na mesma posição em fatias subsequentes são analisados de forma
heurística resultando na seleção das massas. Foram utilizadas 31 imagens da base de
mamografias mini-MIAS, sendo duas imagens para treinamento e as demais para teste do
classificador. Obteve-se TPR(sensibilidade) de 75,00 %, FPRde 23,91 %, especificidade de
76,09 %
| Identifer | oai:union.ndltd.org:IBICT/oai:dspace2.ufes.br:10/9628 |
| Date | 05 December 2012 |
| Creators | Tiago Tadeu Wirtti |
| Contributors | Joao Marques Salomao, SARCINELLI FILHO, M., SALLES, E. O. T. |
| Publisher | Universidade Federal do Espírito Santo, Mestrado em Engenharia Elétrica, Programa de Pós-Graduação em Engenharia Elétrica, UFES, BR |
| Source Sets | IBICT Brazilian ETDs |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Repositório Institucional da UFES, instname:Universidade Federal do Espírito Santo, instacron:UFES |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0021 seconds