Submitted by Miriam Lucas (miriam.lucas@unioeste.br) on 2017-09-04T12:02:58Z
No. of bitstreams: 2
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)
Guilherme_A_Mantovani_Albonico_2017.pdf: 5657505 bytes, checksum: e0002a5923940dc5d0866cdf6f30a5ae (MD5) / Made available in DSpace on 2017-09-04T12:02:58Z (GMT). No. of bitstreams: 2
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)
Guilherme_A_Mantovani_Albonico_2017.pdf: 5657505 bytes, checksum: e0002a5923940dc5d0866cdf6f30a5ae (MD5)
Previous issue date: 2017-03-30 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / Breast cancer is one of the diseases that hit most women in the world. Due to the large
number of factors associated with this type of disease, early detection is the best way to fight
it. Mammography is the main imaging exam currently used for detection, since it is able to
identify the presence of microcalcifications, which are a key indicator of the presence of
cancer. As a complement exam, breast ultrasonography has also been widely used because of
the large number of inconclusive mammograms and the difficulty of diagnosing younger
women. However, the interpretation of ultrasound images is quite dependent on the
experience of the doctor in charge of the diagnosis. To aid in the interpretation of these
images, Computer-Aided Diagnosis (CAD) systems have appeared, and it seeks to provide a
second opinion for medical specialists. In this work, the attribute selection and classification
stages presented in these systems were developed. A wrapper approach with a search strategy
based in genetic algorithms, and two filter approaches, the Welch's t test and the ReliefF
algorithm was developed. To evaluate the subsets performance, a Multilayer Perceptron
(MLP) neural network, with backpropagation learning algorithm was developed as a
classifier. The metric used to evaluate the classification performance of each subset of
attributes was the area of under the Receiver Operating Characteristic curve (Az).The used
database has 541 images, with 314 benign lesions and 227 malignant lesions with a biopsyproven
diagnosis. In addition, the database contains the manual segmentation of these images
performed by a specialist physician and 22 morphological extracted attributes. The filter
techniques results showed that some attributes alone are able to obtain good classification
results, such as the depth/width ratio of the lesion, reaching 0.731 for Az. Besides that, the
best results were found through the wrapper strategy, in which a value of 0.835 was obtained
for Az using only eight of the 22 attributes, demonstrating the importance of these steps in this
type of CAD system, increasing the final performance. / O câncer de mama é uma das doenças que mais atingem as mulheres no mundo. Devido à
grande quantidade de fatores associados com este tipo de doença, a detecção precoce é a
melhor forma de combatê-la. A mamografia é o principal exame utilizado atualmente para a
detecção, pois é capaz de identificar a presença de microcalcificações, as quais são um
indicador chave da presença de câncer. Como complemento a este exame, a ultrassonografia
da mama vem sendo bastante utilizada devido ao grande número de mamogramas
inconclusivos e à dificuldade de diagnóstico de mulheres mais jovens. Entretanto a
interpretação das imagens de ultrassom provenientes destes exames é bastante dependente da
experiência do médico que realiza o diagnóstico. Para auxiliar na interpretação destes exames,
surgiram os sistemas Computer-Aided Diagnosis (CAD) que buscam fornecer uma segunda
opinião para os médicos especialistas. Neste trabalho, foram desenvolvidas as etapas de
seleção de atributos e de classificação presentes nestes sistemas. Foram realizadas abordagem
wrapper com estratégia de busca baseada em algoritmos genéticos e duas estratégias em
filtro, o teste t de Welch e o algoritmo ReliefF. Para avaliar o desempenho dos subconjuntos
foi elaborado um classificador do tipo Multilayer Perceptron (MLP), com algoritmo de
aprendizagem backpropagation. A métrica utilizada para avaliar o desempenho de
classificação de cada subconjunto de atributos foi a área sob a curva Receiver Operating
Characteristic (Az). O banco de dados utilizado, consiste de 541 imagens, sendo 314 lesões
benignas e 227 lesões malignas com diagnóstico comprovado por biópsia. O banco de dados
contém a segmentação manual destas imagens realizada por um médico especialista e 22
atributos morfológicos previamente extraídos. Os resultados encontrados pelas técnicas em
filtro mostraram que alguns atributos isoladamente são capazes de obter bons resultados na
classificação, como por exemplo, a razão profundidade/largura da lesão, obtendo um valor de
0,731 para Az. Apesar disso, os melhores resultados foram encontrados através da estratégia
wrapper, tendo sido obtido um valor de 0,835 para Az utilizando apenas oito dos 22 atributos,
demonstrando assim a importância destas etapas neste tipo de sistema CAD, aumentando o
desempenho final.
| Identifer | oai:union.ndltd.org:IBICT/oai:tede.unioeste.br:tede/2998 |
| Date | 30 March 2017 |
| Creators | Albonico, Guilherme Antônio Mantovani |
| Contributors | Kauati, Adriana Tokuhashi, Pereira, Wagner Coelho de Albuquerque, Kauati, Adriana Tokuhashi, Pereira, Wagner Coelho de Albuquerque, Battistella, Sandro, Campos, Marcello Luiz Rodrigues de |
| Publisher | Universidade Estadual do Oeste do Paraná, Foz do Iguaçu, 8774263440366006536, 500, Programa de Pós-Graduação em Engenharia Elétrica e Computação, UNIOESTE, Brasil, Centro de Engenharias e Ciências Exatas |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Biblioteca Digital de Teses e Dissertações do UNIOESTE, instname:Universidade Estadual do Oeste do Paraná, instacron:UNIOESTE |
| Rights | http://creativecommons.org/licenses/by-nc-nd/4.0/, info:eu-repo/semantics/openAccess |
| Relation | -1040084669565072649, 600, 600, 600, -7734402124082146922, 2075167498588264571 |
Page generated in 0.0025 seconds