Segmentação de Massas em Mamografias Digitalizadas

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: 2012-12-05O 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