Novo método de classificação automática de achados em mamografias FFDM e SFM utilizando rede neural
Autor(a) principal: | |
---|---|
Data de Publicação: | 2017 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da UFPB |
Texto Completo: | https://repositorio.ufpb.br/jspui/handle/123456789/12927 |
Resumo: | Breast cancer is the cancer with the highest incidence among women. Mammography is the most suitable exam for the early detection of this cancer. This exam detects small lesions and it allows the visualization of up to 90% of the abnormalities (masses, calcifications, architectural distortions). The diagnosis of breast cancer is a process prone to errors due mainly to doctor’s misinterpretations, consequence of the real difficulty of the procedure. Computer Aided Diagnostic (CAD) systems are developed with the aim of being a second opinion in the identification and diagnosis of the disease using mammographic images. Mammographic images can be obtained through Screenfilm Mammography (SFM) and Full Fiel Digital Mammography (FFDM). FFDM presents a better resolution than SFM and is gradually replacing the SFM. This work developed a new method for automatic classification of mammographic findings in benign or malignant. Firstly, two databases were selected, the Digital Database for Screening Mammography (DDSM) that offers images from SFM and INbreast that has images obtainedbyFFDM. Next, images withmammographicmasses from DDSMand from INbreast were selected randomly. In the pre-processing stage, a new technique of noise identification and elimination based on Information Theory was developed. After the pre-processing, important descriptors were extracted through the Gray-Level Co-Occurrence Matrix and the method Segmentation-based Fractal Texture Analysis. Finally, Finally, the base of characteristics served as entry forthe multilayer perceptron neural network classifier. Considering DDSM, the method reached 93.13% of accuracy, 94.17% of specificity and 91.23% of sensitivity. Using INbreast, 88.37% of accuracy, 86.49% of specificity and 89.80% of sensitivity were achieved. In this work the obtained results proved to be competitive with the literature of the area. |
id |
UFPB_2e0e2253a1ff47f7dbae7da9eeba393b |
---|---|
oai_identifier_str |
oai:repositorio.ufpb.br:123456789/12927 |
network_acronym_str |
UFPB |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UFPB |
repository_id_str |
|
spelling |
Novo método de classificação automática de achados em mamografias FFDM e SFM utilizando rede neuralClassificação de achados mamográficosRuído em mamogramasMamografias FFDMMamografias SFMClassification of mammographic findingsNoise on mammogramsFFDM mammographiesSFM mammographiesCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOBreast cancer is the cancer with the highest incidence among women. Mammography is the most suitable exam for the early detection of this cancer. This exam detects small lesions and it allows the visualization of up to 90% of the abnormalities (masses, calcifications, architectural distortions). The diagnosis of breast cancer is a process prone to errors due mainly to doctor’s misinterpretations, consequence of the real difficulty of the procedure. Computer Aided Diagnostic (CAD) systems are developed with the aim of being a second opinion in the identification and diagnosis of the disease using mammographic images. Mammographic images can be obtained through Screenfilm Mammography (SFM) and Full Fiel Digital Mammography (FFDM). FFDM presents a better resolution than SFM and is gradually replacing the SFM. This work developed a new method for automatic classification of mammographic findings in benign or malignant. Firstly, two databases were selected, the Digital Database for Screening Mammography (DDSM) that offers images from SFM and INbreast that has images obtainedbyFFDM. Next, images withmammographicmasses from DDSMand from INbreast were selected randomly. In the pre-processing stage, a new technique of noise identification and elimination based on Information Theory was developed. After the pre-processing, important descriptors were extracted through the Gray-Level Co-Occurrence Matrix and the method Segmentation-based Fractal Texture Analysis. Finally, Finally, the base of characteristics served as entry forthe multilayer perceptron neural network classifier. Considering DDSM, the method reached 93.13% of accuracy, 94.17% of specificity and 91.23% of sensitivity. Using INbreast, 88.37% of accuracy, 86.49% of specificity and 89.80% of sensitivity were achieved. In this work the obtained results proved to be competitive with the literature of the area.NenhumaO câncer de mama é o tipo de câncer com maior incidência entre as mulheres. A mamografia é o exame mais indicado para a detecção precoce deste câncer, possibilitando a detecção de lesões muito pequenas e a visualização de até 90% das anormalidades (massas, calcificações, distorções de arquitetura). O diagnóstico do câncer de mama, através do exame de mamografia, consiste em um processo propenso a erros devido, principalmente, às interpretações equivocadas dos médicos, consequência da real dificuldade do procedimento. Sistemas Baseados em Diagnóstico por Computador (do inglês Computer-Aided Diagnosis – CAD) podem ser desenvolvidos com o objetivo de ser uma segunda opinião na identificação e diagnóstico da doença utilizando imagens mamográficas. Imagens mamográficas podem ser obtidas através da mamografia convencional (do inglês Screen-film Mammography - SFM) e da totalmente digital (do inglês Full Fiel Digital Mammography - FFDM), a qual apresenta uma melhor resolução e está substituindo gradualmente a SFM. Este trabalho desenvolveu um novo método de classificação automática de achados mamográficos em benignos ou malignos. Primeiramente, foram selecionados dois bancos, o Digital Database for Screening Mammography (DDSM) que disponibiliza imagens coletadas da SFM e o INbreast que possui imagens obtidas pela FFDM. A seguir, foram selecionadas aleatoriamente imagens com massas mamográficas do DDSM e INbreast. Na etapa de pré-processamento, desenvolveu-se uma nova técnica de identificação e eliminação de ruído baseada na Teoria de Informação. Após o pré-processamento, importantes descritores foram extraídos através da matriz de Co-ocorrência de Níveis de Cinza e do método Análise de Textura Fractal Baseada em Segmentação. Por fim, a base de características serviu de entrada para o algoritmo classificador rede neural perceptron multicamadas. Considerando o DDSM, o método atingiu 93,13% de acurácia, 94,17% de especificidade e 91,23% de sensibilidade. Com o INbreast, atingiu-se 88,37% de acurácia, 86,49% de especificidade e 89,80% de sensibilidade. Os resultados obtidos neste trabalho mostraram-se competitivos com a literatura da área.Universidade Federal da ParaíbaBrasilInformáticaPrograma de Pós-Graduação em InformáticaUFPBBatista, Leonardo Vidalhttp://lattes.cnpq.br/1047122596139990Melo, Matheus Cordeiro de2019-01-14T21:05:08Z2019-01-142019-01-14T21:05:08Z2017-11-16info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttps://repositorio.ufpb.br/jspui/handle/123456789/12927porAttribution-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nd/3.0/br/info:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFPBinstname:Universidade Federal da Paraíba (UFPB)instacron:UFPB2019-01-14T21:05:08Zoai:repositorio.ufpb.br:123456789/12927Biblioteca Digital de Teses e Dissertaçõeshttps://repositorio.ufpb.br/PUBhttp://tede.biblioteca.ufpb.br:8080/oai/requestdiretoria@ufpb.br|| diretoria@ufpb.bropendoar:2019-01-14T21:05:08Biblioteca Digital de Teses e Dissertações da UFPB - Universidade Federal da Paraíba (UFPB)false |
dc.title.none.fl_str_mv |
Novo método de classificação automática de achados em mamografias FFDM e SFM utilizando rede neural |
title |
Novo método de classificação automática de achados em mamografias FFDM e SFM utilizando rede neural |
spellingShingle |
Novo método de classificação automática de achados em mamografias FFDM e SFM utilizando rede neural Melo, Matheus Cordeiro de Classificação de achados mamográficos Ruído em mamogramas Mamografias FFDM Mamografias SFM Classification of mammographic findings Noise on mammograms FFDM mammographies SFM mammographies CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
title_short |
Novo método de classificação automática de achados em mamografias FFDM e SFM utilizando rede neural |
title_full |
Novo método de classificação automática de achados em mamografias FFDM e SFM utilizando rede neural |
title_fullStr |
Novo método de classificação automática de achados em mamografias FFDM e SFM utilizando rede neural |
title_full_unstemmed |
Novo método de classificação automática de achados em mamografias FFDM e SFM utilizando rede neural |
title_sort |
Novo método de classificação automática de achados em mamografias FFDM e SFM utilizando rede neural |
author |
Melo, Matheus Cordeiro de |
author_facet |
Melo, Matheus Cordeiro de |
author_role |
author |
dc.contributor.none.fl_str_mv |
Batista, Leonardo Vidal http://lattes.cnpq.br/1047122596139990 |
dc.contributor.author.fl_str_mv |
Melo, Matheus Cordeiro de |
dc.subject.por.fl_str_mv |
Classificação de achados mamográficos Ruído em mamogramas Mamografias FFDM Mamografias SFM Classification of mammographic findings Noise on mammograms FFDM mammographies SFM mammographies CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
topic |
Classificação de achados mamográficos Ruído em mamogramas Mamografias FFDM Mamografias SFM Classification of mammographic findings Noise on mammograms FFDM mammographies SFM mammographies CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
description |
Breast cancer is the cancer with the highest incidence among women. Mammography is the most suitable exam for the early detection of this cancer. This exam detects small lesions and it allows the visualization of up to 90% of the abnormalities (masses, calcifications, architectural distortions). The diagnosis of breast cancer is a process prone to errors due mainly to doctor’s misinterpretations, consequence of the real difficulty of the procedure. Computer Aided Diagnostic (CAD) systems are developed with the aim of being a second opinion in the identification and diagnosis of the disease using mammographic images. Mammographic images can be obtained through Screenfilm Mammography (SFM) and Full Fiel Digital Mammography (FFDM). FFDM presents a better resolution than SFM and is gradually replacing the SFM. This work developed a new method for automatic classification of mammographic findings in benign or malignant. Firstly, two databases were selected, the Digital Database for Screening Mammography (DDSM) that offers images from SFM and INbreast that has images obtainedbyFFDM. Next, images withmammographicmasses from DDSMand from INbreast were selected randomly. In the pre-processing stage, a new technique of noise identification and elimination based on Information Theory was developed. After the pre-processing, important descriptors were extracted through the Gray-Level Co-Occurrence Matrix and the method Segmentation-based Fractal Texture Analysis. Finally, Finally, the base of characteristics served as entry forthe multilayer perceptron neural network classifier. Considering DDSM, the method reached 93.13% of accuracy, 94.17% of specificity and 91.23% of sensitivity. Using INbreast, 88.37% of accuracy, 86.49% of specificity and 89.80% of sensitivity were achieved. In this work the obtained results proved to be competitive with the literature of the area. |
publishDate |
2017 |
dc.date.none.fl_str_mv |
2017-11-16 2019-01-14T21:05:08Z 2019-01-14 2019-01-14T21:05:08Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufpb.br/jspui/handle/123456789/12927 |
url |
https://repositorio.ufpb.br/jspui/handle/123456789/12927 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
Attribution-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nd/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Attribution-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nd/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal da Paraíba Brasil Informática Programa de Pós-Graduação em Informática UFPB |
publisher.none.fl_str_mv |
Universidade Federal da Paraíba Brasil Informática Programa de Pós-Graduação em Informática UFPB |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UFPB instname:Universidade Federal da Paraíba (UFPB) instacron:UFPB |
instname_str |
Universidade Federal da Paraíba (UFPB) |
instacron_str |
UFPB |
institution |
UFPB |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UFPB |
collection |
Biblioteca Digital de Teses e Dissertações da UFPB |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UFPB - Universidade Federal da Paraíba (UFPB) |
repository.mail.fl_str_mv |
diretoria@ufpb.br|| diretoria@ufpb.br |
_version_ |
1801842940492906496 |