• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Master's Dissertation
DOI
10.11606/D.18.1998.tde-08122015-140148
Document
Author
Full name
Ricardo José Ferrari
E-mail
Institute/School/College
Knowledge Area
Date of Defense
Published
São Carlos, 1998
Supervisor
Committee
Marques, Paulo Mazzoncini de Azevedo (President)
Mascarenhas, Nelson Delfino D'Ávila
Slaets, Annie France Frère
Title in Portuguese
Classificação de lesões de mama contendo microcalcificações associadas
Keywords in Portuguese
Câncer de mama
Detecção de microcalcificações
Teoria Bayesiana
Abstract in Portuguese
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.
Title in English
Detection and characterization of mammographic microcalcifications
Keywords in English
Bayesian theory
Breast cancer
Detection of microcalcifications
Abstract in English
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.
 
WARNING - Viewing this document is conditioned on your acceptance of the following terms of use:
This document is only for private use for research and teaching activities. Reproduction for commercial use is forbidden. This rights cover the whole data about this document as well as its contents. Any uses or copies of this document in whole or in part must include the author's name.
Publishing Date
2015-12-08
 
WARNING: Learn what derived works are clicking here.
All rights of the thesis/dissertation are from the authors
Centro de Informática de São Carlos
Digital Library of Theses and Dissertations of USP. Copyright © 2001-2019. All rights reserved.