Novas abordagens para detecção automática de distorção arquitetural na mamografia digital e tomossíntese mamária

• Autor(a) principal: Oliveira, Helder Cesar Rodrigues de
• Data de Publicação: 2019
• 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/18/18152/tde-02102019-140208/
• topic: Architectural Distortion; Digital Breast Tomosynthesis; Digital Mammography; Distorção Arquitetural; Filtro de Gabor; Gabor Filter; Mamografia Digital; Tomossíntese Digital Mamária

O câncer de mama é a doença que mais acomete as mulheres em todo o mundo, sendo o tratamento mais eficaz se for diagnosticada em estágio inicial. A partir de 2011, nos programas de rastreamento de países desenvolvidos, vem sendo empregada uma nova modalidade de exame, a tomossíntese digital mamária (Digital Breast Tomosynthesis - DBT), que possui diversas vantagens se comparada à mamografia digital. No exame, o médico radiologista busca por sinais suspeitos na imagem, como: nódulos, microcalcificações e distorção arquitetural mamária (DAM). Sendo que, este último pode representar o estágio mais inicial de um câncer em formação, podendo se manifestar antes da formação de qualquer outra lesão. No entanto, a DAM é difícil de ser detectada pois modifica o tecido mamário de forma sutil, não havendo qualquer formação de massa ou a borda definida. Os sistemas computacionais de auxílio ao diagnóstico (Computer-Aided Detection - CAD) vêm apresentando alto desempenho na detecção de nódulos e microcalcificações mamárias, mas para o caso da DAM, o desempenho ainda é insatisfatório. Algumas limitações são normalmente reportadas nos algoritmos adotados para detectar automaticamente a DAM. O presente trabalho tem por objetivo propor novas abordagens para aumentar a precisão dos métodos computacionais de detecção: o uso de descritores de micro-padrões local para discriminação de áreas suspeitas; redução de falsos-positivos; uso do volume 3D fornecido pelo exame de DBT e; uso de arquitetura de aprendizagem profunda para discriminação e classificação de regiões suspeitas. Os diversos testes efetuados em cada proposta mostraram que é possível melhorar as taxas de detecção da DAM, mesmo para imagens de DBT onde ainda não há um esquema computacional de detecção bem estabelecido.