Estudos mostram que a maior parte dos erros de diagnóstico mamográfico estão ligados a dificuldades de classificação e não de detecção (MEYER, EBERLEIN, et al., 1990; KARSSEMEIJER, 2011; SCHIABEL, 2014). Uma possível solução a este problema é a estruturação de um esquema CADx (Computer-aided Diagnosis), ou seja, um sistema computacional que analisa as informações disponíveis e tenta apresentar um diagnóstico com base nos dados fornecidos pela imagem processada. Este trabalho tem como intuito apresentar um esquema CADe/Dx completo e funcional para uso por radiologistas. O software final poderá ser usado em qualquer sistema operacional, ou mesmo via Internet, permitindo que qualquer médico interessado acesse e utilize o sistema como segunda opinião sem restrições. A formação da biblioteca JAVA também visa a permitir que outros desenvolvedores possam fazer uso das ferramentas desenvolvidas em projetos futuros, facilitando ampliações e melhorias no esquema CADx. Vários módulos de processamento previamente desenvolvidos para o protótipo do esquema CADx-LAPIMO tiveram que ser reconstruídos, e outros elaborados completamente, produzindo novos resultados que são analisados neste trabalho, assim como suas vantagens e limitações. Estes módulos estão divididos em duas partes: o pré-processamento, que inclui a correção baseada na curva característica do digitalizador (técnica BCC), amplamente testada neste trabalho, e o processamento propriamente, incluindo detecção de microcalcificações e detecção e classificação de nódulos. O programa CADx desenvolvido neste trabalho foi separado em duas versões (cada uma com uma versão online correspondente): um é o esquema CADe/Dx que envolve tanto a detecção como a classificação da estrutura encontrada e o outro é um esquema CADx semiautomático, cujas regiões que devem ser classificadas são previamente demarcadas pelo usuário. Os principais resultados obtidos neste trabalho estão associados ao detector de microcalcificações e ao classificador de nódulos. Para o detector de microcalcificações atingiu-se 89% de sensibilidade com 1,4 falso-positivo por imagem quando usado em imagens digitais de sistemas FFDM e 99% de sensibilidade com 5,4 falsos-positivos quando usado em imagens digitalizadas de mamas densas . Já o classificador de nódulos apresentou 72% de acurácia, usando apenas 4 atributos associados a contorno, densidade e textura, resultando em um sistema robusto e de fácil treinamento.

Studies show that most diagnostic errors are linked to classification difficulties and not detection (MEYER, EBERLEIN, et al., 1990; KARSSEMEIJER, 2011; SCHIABEL, 2014). A possible solution for this problem is the construction of a CAD (Computer aided Diagnosis), a computational system that analyses the available information e tries to present a diagnosis based on the data offered by the processed image. This thesis presents a complete and functional mammographic CADe/Dx scheme for radiologist use. The software is designed to function in any operational system, or even online, allowing any interested radiologist to access the software as a second opinion. The formation of a JAVA library also allows any future developers can use all tools developed for this system, easing future improvements in the CADx scheme. Several modules of the scheme previously developed for the CADx-LAPIMO prototype had to be rebuilt or completely developed, generating new results that are analyzed in here, as are their advantages and limitations. Those modules are divided in two parts, the preprocessing, that includes the scanner's characteristic curve based correction, detailed tested in this thesis and the processing itself, including detection of microcalcifications, and detections and classification of masses. The CADx scheme developed here was separated in two versions (each one with a corresponding online version): one is a CADe/Dx scheme that involves both detection and classification of the found structures and the other is a CADx semi-automatic scheme, where the classified regions are previously marked by the user. The main results obtained in this thesis are associated with the microcalcifications detector and the mass classification. The microcalcifications detector obtained a 89% sensibility with 1,4 false-positives per image when used in digital FFDM systems and 99% sensibility with 5,4 false-positives per image in digitalized images of dense breasts. The mass classification module presented a 72% accuracy, using only 4 attributes associated to contour, density and texture, resulting in a robust system and of easy training.