Desenvolvimento de um mecanismo semi-supervisionado para segmentação de tumores em imagens de mamografia digital

• Ano de defesa: 2015
• Autor(a) principal: CORDEIRO, Filipe Rolim
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Pernambuco; UFPE; Brasil; Programa de Pos Graduacao em Ciencia da Computacao
• Palavras-chave em Português: Câncer de mama; Segmentação semi-supervisionada; Algoritmo Grow- Cut; Segmentação Fuzzy; Mamografia digital; Breast cancer; Semi-supervised segmentation; GrowCut algorithm; Fuzzy segmentation; Digital mammography
• Link de acesso: https://repositorio.ufpe.br/handle/123456789/17237

De acordo com a Organização Mundial de Saúde, o câncer de mama é a forma mais comum de câncer entre as mulheres no mundo todo, sendo um dos tipos de câncer mais fatal. Estudos mostram que o diagnóstico precoce pode contribuir para a redução da taxa de mortalidade e aumentar as opções de tratamento. Apesar da existência de várias técnicas de obtenção de imagens no auxílio ao diagnóstico de câncer de mama, a mamografia digital é ainda a tecnologia mais eficaz e utilizada para esse fim. Consequentemente, a segmentação de imagens de mamografia é uma tarefa fundamental para auxiliar o diagnóstico, levando em consideração a forma da lesão mamária e suas bordas. No entanto, a segmentação de imagens de mamografia é uma tarefa complexa, uma vez que ela é muito dependente dos tipos de tecido mamário e da lesão. O algoritmo GrowCut é um método de segmentação de propósito geral baseado em autômatos celulares, capaz de realizar uma segmentação precisa através da seleção adequada de pontos internos e externos à região de interesse. Neste trabalho é apresentado um novo algoritmo semi-supervisionado baseado na modificação do algoritmo GrowCut para realizar segmentação de imagens de mamografia de forma semi-automática. No método proposto é utilizada uma função de pertinência fuzzy Gaussiana para modificar a regra de evolução do algoritmo GrowCut original, visando estimar as probabilidades de um pixel pertencer ao objeto ou fundo da imagem. Esse modelo permite uma maior flexibilidade na inicialização das sementes quando comparado à trabalhos no estado da arte, pois a marcação realizada pelo especialista é utilizada extraindo-se informação do conjunto de sementes, e não informações do posicionamento individual, como o presente no GrowCut clássico. Foi também desenvolvido uma etapa de geração automática de sementes, onde apenas pontos internos da região de interesse são selecionados, através do uso do método de otimização Evolução Diferencial. Além disso, foi desenvolvido um método de ajuste de parâmetros adaptativo, que a partir da extração de características da imagem ajusta os melhores parâmetros para o algoritmo. A abordagem desenvolvida é comparada qualitativamente e quantitativamente com técnicas de segmentação do estado da arte BEMD, BMCS, WAGA, Abordagem Topográfica e MCW, usando métricas relacionadas à forma das regiões segmentadas. As análises são avaliadas utilizando regiões de interesse da base IRMA, totalizando 1.165 mamogramas. Resultados mostram que o algoritmo proposto obteve melhores resultados, considerando similaridade com imagem ouro, para as métricas utilizadas. Para validar a proposta , foi construído um classificador de imagem usando o Perceptron Multicamadas clássico. Resultados mostraram que a técnica proposta obteve taxa de classificação de 94,77%, evidenciado a viabilidade do método proposto.