Aplicação de modelos de redes neurais artificiais na segmentação e classificação de nódulos em imagens de ultrassonografia de mama

• Ano de defesa: 2013
• Autor(a) principal: Marcomini, Karem Daiane
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Artificial neural network; Breast cancer; Câncer de mama; Classificação; Classification; Image processing; Processamento de imagens; Redes neurais artificiais; Ultrasound; Ultrassom
• Link de acesso: http://www.teses.usp.br/teses/disponiveis/18/18152/tde-29042013-113320/

Muitos procedimentos vêm sendo desenvolvidos para auxiliar no diagnóstico precoce do câncer de mama. Nesse âmbito, a ultrassonografia tornou-se uma ferramenta indispensável na distinção entre lesões benignas e malignas. Devido a subjetividade na interpretação de imagens, os esquemas CAD têm oferecido ao especialista uma segunda opinião mais precisa e confiável. Nesse propósito, essa pesquisa apresenta uma metodologia para a detecção e caracterização automática de achados ultrassonográficos da mama. Os ensaios tiveram por base a utilização de imagens obtidas por simuladores e, a partir de resultados consideráveis, foram aplicados sobre exames clínicos. O processo teve início com o emprego de um pré-processamento (filtro de wiener, equalização e filtro da mediana) para a minimização do ruído. Em seguida, cinco técnicas de segmentação foram averiguadas a fim de determinar a representação mais concisa. Dentre elas, a rede neural SOM mostrou-se como a mais relevante. Após a delimitação do objeto, foram definidas as características mais expressivas para a descrição morfológica do achado. Esses dados serviram de entrada para o classificador neural MLP. A acurácia alcançada durante o treinamento em imagens simuladas foi de 94,2%, produzindo um Az de 0,92. Para avaliar a generalização dos dados, foi efetuada a classificação com imagens desconhecidas ao sistema, tanto em simuladores quanto em exames clínicos, nesses casos a acurácia foi de 90% e 81%, respectivamente. O classificador proposto apresentou-se como uma importante ferramenta de auxílio ao diagnóstico em ultrassonografias de mama.