Use este identificador para citar ou linkar para este item: http://repositorio.ufes.br/handle/10/9628
Título: Segmentação de massas em mamografias digitalizadas
Autor(es): Wirtti, Tiago Tadeu
Orientador: Salles, Evandro Ottoni Teatini
Palavras-chave: Mamas - Câncer
Mamografia
Wavelets (Matemática)
Redes neurais (Computação)
Data do documento: 5-Dez-2012
Editor: Universidade Federal do Espírito Santo
Resumo: 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 %.
This work suggests a methodology for segmentation of masses in digital mammograms. The masses are distinguished from the other breast tissue by its homogeneous and differentiated density, and its peculiar shape: rounded, spiculated or undefined. The segmentation strategy is based on slicing the mammography by ranges of pixel intensity and on the assessment of each slice density using multiscale wavelet transform. The density data obtained from a wavelet transform are used to train a multilayer perceptron network. After the training phase, any mammography, except those used in the training phase, may be submitted to the trained neural network. Each image slice resulting from processing handled by the neural network has evidenced the relevant characteristics of the original image. The findings in each slice are evaluated by a gradient filter, generating slices containing relevant information on a gradient accumulated structure for each finding. The accumulated gradients that appear in the same position in subsequent slices are heuristically analyzed resulting in the selection of the masses. After processing 31 images from mini-MIAS database of mammograms (two images for training and the other for testing the classifier) it was obtained the following results: TPR (sensitivity) of 75.00%, 23.91% of FPR, and specificity of 76.09%.
URI: http://repositorio.ufes.br/handle/10/9628
Aparece nas coleções:PPGEE - Dissertações de mestrado

Arquivos associados a este item:
Arquivo TamanhoFormato 
tese_4830_Tiago Tadeu Wirtti Mestrado.pdf5.76 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.