Detecção computacional de assimetrias entre mamogramas

• Autor(a) principal: Ferrari, Ricardo José
• Data de Publicação: 2002
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
• Texto Completo: http://www.teses.usp.br/teses/disponiveis/18/18133/tde-30092015-141016/
• topic: Breast cancer; Câncer de mama; Detecção de assimetrias bilaterais; Detection of bilateral asymmetries; Gabor wavelets; Gabor wavelets

Neste trabalho foram propostas técnicas para a segmentação automática de mamogramas e para a detecção de assimetrias entre mamogramas esquerdo e direito. A segmentação é realizada através de três técnicas computacionais para a identificação de três importantes regiões anatômicas nos mamogramas: borda da mama, músculo peitoral e disco fibro-glandular. O primeiro método focaliza a identificação da borda da mama através do uso de um modelo de contorno ativo especialmente projetado para esse propósito. Neste estágio, a borda da mama é automaticamente demarcada, todos os artefatos fora dessa região são eliminados, e a região de interesse usada para a detecção do músculo peitoral é definida. No próximo estágio, a borda do músculo peitoral é determinada usando uma técnica multiresolução baseada na representação Gabor wavelets. Finalmente, um modelo de densidades da mama, baseado no modelo da mistura finita de Gaussianas, é proposto para a representação de quatro categorias de tecidos mamários com diferentes densidades. O disco fibro-glandular é identificado através da aplicação de um limiar sob as classes de densidades determinadas no modelo. Os métodos propostos foram aplicados em 84 imagens de mamogramas de projeções médio-laterais oblíqüas da base de dados Mini-MIAS (\"Mammographic Image Analysis Society\", London, UK). A avaliação dos resultados dos procedimentos de segmentação da borda da mama e borda do músculo peitoral foi realizada com base no percentual de pixels falso-positivos (FPs) e falso-negativos (FNs) determinados por comparação entre os contornos verdadeiros e os contornos automaticamente identificados. As taxas médias de FPs e FNs para as bordas da mama e do músculo peitoral foram, respectivamente, de 0,41% e 0,58%, e 1,78% e 5,77%. A segmentação dos discos fibro-glandulares foi subjetivamente classificada por radiologistas e os resultados indicaram que em mais de 80% dos casos a segmentação foi ) considerada aceitável para o uso em sistemas de auxílio ao diagnóstico. A detecção de assimetrias foi realizada usando informações direcionais, obtidas a partir da representação multiresolução Gabor wavelets, e de informações de forma e densidade, extraídas dos discos fibro-glandulares dos mamogramas esquerdo e direito. No procedimento de análise direcional, uma representação wavelet formada por filtros de Gabor bidimensionais com variação em freqüência e orientação, especialmente projetadas para reduzir a redundância na representação, é aplicada para uma dada imagem. As respostas dos filtros para diferentes escalas e orientações são analisadas através da transformada de Karhunen-Loève (KL) e pelo método de limiarização de Otsu. A transformada KL é aplicada para selecionar os componentes principais das respostas dos filtros, preservando apenas os elementos direcionais mais relevantes que aparecem em todas as escalas. Os componentes principais selecionados e limiarizados pela técnica de Otsu são usados para obter as imagens de magnitude e fase dos componentes direcionais da imagem. Medidas estatísticas extraídas dos diagramas de rosa calculados a partir das imagens de fase são usadas para a análise quantitativa e qualitativa dos padrões orientados. Um total de 11 atributos é extraído dos discos fibro-glandulares segmentados dos mamogramas esquerdo e direito, e a diferença calculada para cada par de atributos é usada como uma medida para a detecção de assimetrias. Um total de 88 imagens (22 casos normais, 14 casos de densidades assimétricas e 8 casos de distorções de arquitetura) da base de dados Mini-MIAS foram usadas para avaliar o método proposto. A combinação exaustiva dos atributos juntamente com a análise de componentes principais foi usada para selecionar o melhor subgrupo de atributos. A classificação foi realizada através de classificadores de Bayes (linear e quadrático) ) e usando o método \"leave-one-out\". Uma taxa de classificação correta de 84,44% foi alcançada.