Neste trabalho é proposto um sistema computacional para auxílio ao diagnóstico de câncer de mama com microcalcificações associadas. O sistema é composto por 3 etapas principais: segmentação, extração de atributos e classificação. Na etapa de segmentação, a região suspeita do mamograma digitalizado (ROI - região de interesse) é processada para isolar as microcalcificações das estruturas normais da imagem. O resultado final é uma imagem binária contendo apenas as microcalcificações. Nesta etapa são utilizadas três técnicas combinadas: linearização do histograma da imagem ("stretching"), imagem-diferença e "thresholding" adaptativo. Na etapa de extração de atributos, são realizadas 34 medidas: 13 medidas de textura, calculadas da ROI da imagem não segmentada, 19 medidas de forma das microcalcificações, 1 medida de distribuição e 1 de quantidade das microcalcificações, calculadas da ROI da imagem segmentada. A partir dos métodos erro de Bayes e distância JM, são separados os 6 melhores atributos para compor o vetor de atributos utilizado na classificação. Na etapa de classificação, são avaliadas três diferentes classificadores: Regra de Bayes (método paramétrico), k-NN (método não-paramétrico) e Rede Neural Artificial - tipo MLP (Perceptron multi-camadas). Os classificadores são treinados e testados com diferentes grupos de amostras, utilizando a técnica "leave-k-out". Por fim, os resultados obtidos em cada etapa são apresentados e discutidos a partir de tabelas e curvas ROC.

In the present work, a computerized system has been proposed to aid in the diagnosis of breast cancer with associated microcalcifications. The system is composed of 3 main stages: segmentation, features extraction, and classification. In the segmentation stage, the suspected region in the digitized mammogram is processed to isolate the microcalcifications from the normal structures of the image. The final result is a binary image which has only microcalcifications. At this stage three combined techniques have been used: the stretching method, the image-difference and a thresholding adaptive method. At the feature extraction stage, 34 measurements were implemented: 13 of texture, calculated from the ROI of the original image, 19 of shape, 1 of distribution and 1 measure related of the number of the microcalcification. To compose the feature space, a subset of the six best features were evaluated using the Bayes error and Jeffreis-Matusita methods. In the classification stage, three classifiers were evaluated: the Bayes roles (parametric method), the k-Nearest Neighbour (non-parametric method), and a MLP (Multi-Iayer perceptron) Artifitial Neural Network. The classifiers were trained and tested with different sample groups using the leave-k-out method. The final results obtained at each stage are shown and discussed using the receiver operating characteristic (ROC) curves and tables.