Return to search

Detecção automática de massas em mamografias digitais usando Quality Threshold clustering e MVS / Automatic mass detection on digital mammography using Quality Threshold clustering and MVS

Submitted by Rosivalda Pereira (mrs.pereira@ufma.br) on 2017-08-16T18:29:06Z
No. of bitstreams: 1
JoberthSilva.pdf: 6383640 bytes, checksum: f18918eb45c49cb426b560e4daddf994 (MD5) / Made available in DSpace on 2017-08-16T18:29:06Z (GMT). No. of bitstreams: 1
JoberthSilva.pdf: 6383640 bytes, checksum: f18918eb45c49cb426b560e4daddf994 (MD5)
Previous issue date: 2013-02-20 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Breast cancer is worldwide the most common form of cancer affecting woman, sometimes in
their lives, at the proportion of either one to nine or one to thirteen women who reach the age
of ninety in the west world (LAURENCE, 2006). Breast cancer is caused by frequent
reproduction of cells in various parts of the human body. At certain times, and for reasons yet
unknown, some cells begin to reproduce at a higher speed, causing the onset of cellular
masses called neoplasias, or tumors, which are new tissue formation, but from pathological
origin. This work has proposed a method of automatic detection of masses in digital
mammograms, using the Quality Threshold (QT), and the Supporting Vector Machine
(MVS). The images processing steps were as follows: firstly, the pre-processing phase took
place which consisted of removing the background image, smoothing it with a low pass filter,
to increase the degree of contrast, and then, in sequence, accomplishing an enhancement of
the Wavelet Transform (WT) by changing their coefficients with a linear function. After the
pre-processing phase, came the segmentation with the use of the QT which divided the image
in to clusters with pre-defined diameters. Then, the post-processing occurred with the
selection of the best candidates to mass formed by the MVS analysis of the shape descriptors.
For the extraction phase of texture features the Haralick descriptors and the function
correlogram were used. As for the classification stage, the MVS was used again for training,
validation of the MVS model and final test. The achieved results were: sensitivity of 92. 31%,
specificity of 82.2%, accuracy of 83,53%, a false positive rate per image of 1.12 and an area
under a FROC curve of 0.8033. / O câncer de mama é, mundialmente, a forma mais comum de câncer em mulheres afetando,
em algum momento suas vidas, aproximadamente uma em cada nove a uma em cada treze
mulheres que atingem os noventa anos no mundo ocidental (LAURANCE, 2006). O câncer
de mama é ocasionado pela reprodução frequente de células de diversas partes do corpo
humano. Em certos momentos e por motivos ainda desconhecidos algumas células começam a
se reproduzir com uma velocidade maior, ocasionando o surgimento de massas celulares
denominadas de neoplasias ou tumores que são tecidos de formação nova, mas de origem
patológica. Neste trabalho foi proposto um método de detecção automática de massas em
mamografias digitais usando o Quality Threshold (QT), e a Máquina de Vetores de Suporte
(MVS). As etapas de processamento das imagens foram as seguintes: primeiramente veio a
fase de pré-processamento que consiste em retirar o fundo da imagem, suavizá-la com um
filtro passa-baixa, aumentar a escala de contraste, e na sequencia realizar um realce com a
Transformada de Wavelet (WT) através da alteração dos seus coeficientes com uma função
linear. Após a fase de pré-processamento vem a seguimentação utilizando o QT que segmenta
a imagem em clusters com diâmetros pré-definidos. Em seguida, vem o pós-processamento
com a seleção dos melhores candidatos à massa feita através da análise dos descritores de
forma pela MVS. Para fase de extração de características de textura foram utiliza os
descritores de Haralick e a função correlograma. Já na fase de classificação a MVS
novamente foi utilizada para o treinamento, validação do modelo MVS e teste final. Os
resultados alcançados foram: sensibilidade de 92,31%, especificidade de 82,2%, Acurácia de
83,53%, uma taxa de falsos positivos por imagem de 1,12 e uma área sob a curva FROC de
0,8033.

Identiferoai:union.ndltd.org:IBICT/oai:tede2:tede/1834
Date20 February 2013
CreatorsSILVA, Joberth de Nazaré
ContributorsSILVA, Aristófanes Corrêa, PAIVA, Anselmo Cardoso
PublisherUniversidade Federal do Maranhão, PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE ELETRICIDADE/CCET, UFMA, Brasil, DEPARTAMENTO DE ENGENHARIA DA ELETRICIDADE/CCET
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguageEnglish
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis
Formatapplication/pdf
Sourcereponame:Biblioteca Digital de Teses e Dissertações da UFMA, instname:Universidade Federal do Maranhão, instacron:UFMA
Rightsinfo:eu-repo/semantics/openAccess

Page generated in 0.0026 seconds