Novo método de classificação automática de achados em mamografias FFDM e SFM utilizando rede neural

Detalhes bibliográficos
Autor(a) principal: Melo, Matheus Cordeiro de
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