View
146
Download
0
Category
Preview:
Citation preview
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Detecção de Agrupamentos De Microcalci�caçõesem Imagens Digitais de Mamogra�as
Aldísio Gonçalves Medeiros
Defesa do Trabalho de Conclusão de CursoInstituto Federal de Ciência, Educação e Tecnologia do Ceará (IFCE)
Campus Maracanaú - TelemáticaBacharelado em Ciência da Computação
Orientador: Prof. M.Sc. Daniel Silva Ferreira
12 de junho de 2015
1 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
1 IntroduçãoMotivações e ObjetivosCâncer de Mama
De�niçãoMicrocalci�cações
Mamogra�a2 Metodologia
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
3 ExperimentosMateriaisMetodologia de Avaliação
4 Resultados5 Conclusões6 Trabalhos Futuros 2 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
Câncer de Mama
INCA (2015) de�ne câncer como:
�Câncer é uma denominação ampla para mais de 100 doenças cujacaracterística comum é o crescimento desordenado de células compotencial invasivo.�
3 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
Introdução
Motivação
Taxas crescentes de mortalidade na população feminina.Facina(2014), Lucena(2012).
Di�culdades na prevenção primária, INCA(2015).
Mamogra�a como técnica de rastreio para o aumento doíndice de cura. Peixoto(2007).
Análise subjetiva do médico especialista e o uso de CAD.Pereira(2012), Calas(2012).
Melhorar o desempenho de métodos de classi�cação ecompressão de imagens médicas.
4 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
Introdução
Motivação
Taxas crescentes de mortalidade na população feminina.Facina(2014), Lucena(2012).
Di�culdades na prevenção primária, INCA(2015).
Mamogra�a como técnica de rastreio para o aumento doíndice de cura. Peixoto(2007).
Análise subjetiva do médico especialista e o uso de CAD.Pereira(2012), Calas(2012).
Melhorar o desempenho de métodos de classi�cação ecompressão de imagens médicas.
4 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
Introdução
Motivação
Taxas crescentes de mortalidade na população feminina.Facina(2014), Lucena(2012).
Di�culdades na prevenção primária, INCA(2015).
Mamogra�a como técnica de rastreio para o aumento doíndice de cura. Peixoto(2007).
Análise subjetiva do médico especialista e o uso de CAD.Pereira(2012), Calas(2012).
Melhorar o desempenho de métodos de classi�cação ecompressão de imagens médicas.
4 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
Introdução
Motivação
Taxas crescentes de mortalidade na população feminina.Facina(2014), Lucena(2012).
Di�culdades na prevenção primária, INCA(2015).
Mamogra�a como técnica de rastreio para o aumento doíndice de cura. Peixoto(2007).
Análise subjetiva do médico especialista e o uso de CAD.Pereira(2012), Calas(2012).
Melhorar o desempenho de métodos de classi�cação ecompressão de imagens médicas.
4 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
Introdução
Motivação
Taxas crescentes de mortalidade na população feminina.Facina(2014), Lucena(2012).
Di�culdades na prevenção primária, INCA(2015).
Mamogra�a como técnica de rastreio para o aumento doíndice de cura. Peixoto(2007).
Análise subjetiva do médico especialista e o uso de CAD.Pereira(2012), Calas(2012).
Melhorar o desempenho de métodos de classi�cação ecompressão de imagens médicas.
4 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
Introdução
Objetivos
Revisar algoritmos disponíveis para detecção de agrupamentosde microcalci�cações.
Projetar um método para de�nição de regiões suspeitas quemelhor se aproxima do formato das lesões.
Derpertar a comunidade acadêmica para o tema.
5 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
Introdução
Objetivos
Revisar algoritmos disponíveis para detecção de agrupamentosde microcalci�cações.
Projetar um método para de�nição de regiões suspeitas quemelhor se aproxima do formato das lesões.
Derpertar a comunidade acadêmica para o tema.
5 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
Introdução
Objetivos
Revisar algoritmos disponíveis para detecção de agrupamentosde microcalci�cações.
Projetar um método para de�nição de regiões suspeitas quemelhor se aproxima do formato das lesões.
Derpertar a comunidade acadêmica para o tema.
5 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
De�nição
Conceito:
Grupo heterogêneo dedoenças, comcomportamentos distintos.Apresentando-se como In
Situ ou invasivo.
CDIS
Representa 20% dos novoscasos em mulheres.
Representa 10% dos novoscasos em mulheres.
Figura: Carcinoma Ductal In Situ (CDIS).American Cancer Society (2015).
6 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
De�nição
Conceito:
Grupo heterogêneo dedoenças, comcomportamentos distintos.Apresentando-se como In
Situ ou invasivo.
CDIS
Representa 20% dos novoscasos em mulheres.
Representa 10% dos novoscasos em mulheres.
Figura: Carcinoma Ductal In Situ (CDIS).American Cancer Society (2015).
6 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
De�nição
Conceito:
Grupo heterogêneo dedoenças, comcomportamentos distintos.Apresentando-se como In
Situ ou invasivo.
CDIS
Representa 20% dos novoscasos em mulheres.
Representa 10% dos novoscasos em mulheres.
Figura: Carcinoma Ductal In Situ (CDIS).American Cancer Society (2015).
6 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
De�nição
CLIS
Representa 10% dos novoscasos em mulheres.
Figura: Carcinoma Lobular In Situ (CDIS).American Cancer Society (2015).
7 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
De�nição
CLIS
Representa 10% dos novoscasos em mulheres.
Figura: Carcinoma Lobular In Situ (CDIS).American Cancer Society (2015).
7 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
De�nição
Figura: Carcinoma Ductal Invasivo.American Cancer Society (2015).
8 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
Sintomas
Figura: Sintomas do Câncer de Mama.
9 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
Fatores de Riscos
(a) Idade (b) Historico (c)MenstruaçãoPrecoce
(d)Obesidade
(e)Hormônios
(f) Nãoter Filhos
(g)GestaçãoTardia
(h) Alcool (i) Gene
Figura: Fatores de riscos para o câncer de mama.
10 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
Incidências - No mundo
Em 2012, no mundo, 1.67 milhões de casos novos dessaneoplasia.
Representando 25% de todos os tipos de câncerdiagnosticados nas mulheres.
Totalizando 520 mil mortes.
11 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
Incidências - No mundo
Em 2012, no mundo, 1.67 milhões de casos novos dessaneoplasia.
Representando 25% de todos os tipos de câncerdiagnosticados nas mulheres.
Totalizando 520 mil mortes.
11 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
Incidências - No mundo
Em 2012, no mundo, 1.67 milhões de casos novos dessaneoplasia.
Representando 25% de todos os tipos de câncerdiagnosticados nas mulheres.
Totalizando 520 mil mortes.
11 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
Incidências - No Brasil
Figura: Incidências de Câncer, no Brasil, referentes a 2014. INCA (2015)12 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
Incidências - No Brasil
Figura: Incidências de Câncer, no Brasil, referentes a 2014. INCA (2015)
13 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
Incidências - No Brasil
Figura: Incidências de Câncer, no Nordeste, referentes a 2014. INCA(2015)
14 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
Incidências - No Brasil
Figura: Incidências de Câncer, no Ceará, referentes a 2014. INCA (2015)
15 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
Prevenção e Tratamento
Prevenção
A prevenção foi destacada no Pacto pela Saúde em 2006,INCA (2015).
Tratamento
Em estagio iniciais, método curativos.
Em estágios avançados, prolongar a sobrevida da paciente.
16 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
Prevenção e Tratamento
Prevenção
A prevenção foi destacada no Pacto pela Saúde em 2006,INCA (2015).
Tratamento
Em estagio iniciais, método curativos.
Em estágios avançados, prolongar a sobrevida da paciente.
16 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
Prevenção e Tratamento
Prevenção
A prevenção foi destacada no Pacto pela Saúde em 2006,INCA (2015).
Tratamento
Em estagio iniciais, método curativos.
Em estágios avançados, prolongar a sobrevida da paciente.
16 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
Microcalci�cações
Pioneiros: Albert Salomon(1913), Alemanha. RaulLeborgne (1950), Uruguai.
De�nição:
Depósitos de fosfato de
cálcio,Lakshmanan &Thomas (2012) .Depósitos de oxalato de
cálcio, com natureza ácida eformas irregulares.Alecrin etal. (2012).
Figura: Microcalci�cação na mdb241.
17 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
Microcalci�cações
Pioneiros: Albert Salomon(1913), Alemanha. RaulLeborgne (1950), Uruguai.
De�nição:
Depósitos de fosfato de
cálcio,Lakshmanan &Thomas (2012) .Depósitos de oxalato de
cálcio, com natureza ácida eformas irregulares.Alecrin etal. (2012).
Figura: Microcalci�cação na mdb241.
17 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
Microcalci�cações
Os agrupamentosrepresentam um forte
indício carcinoma
invasivo, Facina(2014).
62% dos tumores malignospossuem microcalci�caçõesassociadas, 23% aparecem
como agrupamentos,Koehl et al(1970).
Estudos com 29 pacientes,de 30 tumores malignos, 29mostraram calci�cações emforma de agrupamento,Vianna et al (2002).
Figura: Realce do agrupamento na mdb241.
18 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
Microcalci�cações
Os agrupamentosrepresentam um forte
indício carcinoma
invasivo, Facina(2014).
62% dos tumores malignospossuem microcalci�caçõesassociadas, 23% aparecem
como agrupamentos,Koehl et al(1970).
Estudos com 29 pacientes,de 30 tumores malignos, 29mostraram calci�cações emforma de agrupamento,Vianna et al (2002).
Figura: Realce do agrupamento na mdb241.
18 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
Microcalci�cações
Os agrupamentosrepresentam um forte
indício carcinoma
invasivo, Facina(2014).
62% dos tumores malignospossuem microcalci�caçõesassociadas, 23% aparecem
como agrupamentos,Koehl et al(1970).
Estudos com 29 pacientes,de 30 tumores malignos, 29mostraram calci�cações emforma de agrupamento,Vianna et al (2002).
Figura: Realce do agrupamento na mdb241.
18 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
Microcalci�cações
Tabela: Atributos relevantes na análise de microcalci�cações, Kopans &Bertuol (2000).
Característica AnáliseTamanho Quanto menores as partículas encontradas mais chan-
ces de serem malignas.Número Necessário que haja a de�nição de agrupamento.Forma A heterogeneidade morfológica é o parâmetro de sus-
peitaDistribuição Distribuídas maneira difusa ou podem formar regiões;
podem estar agrupadas, lineares ou segmentares.Localização Encontradas na superfície da mama ou dentro do pa-
rênquima mamário.19 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
Diagnóstico Mamográ�co
As lesões podem levar emmédia 10 anos para sedesenvolver, Elias (2015).
A mamogra�a conseguedetectar até 4 anos antesque o tumor seja palpável,Peixoto et al. (2007).
Possui sensibilidade de 88 a93%, já a especi�cidade de85 a 94%. Peixoto et al.(2007).
(a) (b)
Figura: Principais projeções no exame demamogra�a. (a) Incidência Crânio Caudal (CC).(b) Incidência Médio Lateral Oblíqua (MLO).Radiopaedia (2015).
20 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
Diagnóstico Mamográ�co
As lesões podem levar emmédia 10 anos para sedesenvolver, Elias (2015).
A mamogra�a conseguedetectar até 4 anos antesque o tumor seja palpável,Peixoto et al. (2007).
Possui sensibilidade de 88 a93%, já a especi�cidade de85 a 94%. Peixoto et al.(2007).
(a) (b)
Figura: Principais projeções no exame demamogra�a. (a) Incidência Crânio Caudal (CC).(b) Incidência Médio Lateral Oblíqua (MLO).Radiopaedia (2015).
20 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
Diagnóstico Mamográ�co
As lesões podem levar emmédia 10 anos para sedesenvolver, Elias (2015).
A mamogra�a conseguedetectar até 4 anos antesque o tumor seja palpável,Peixoto et al. (2007).
Possui sensibilidade de 88 a93%, já a especi�cidade de85 a 94%. Peixoto et al.(2007).
(a) (b)
Figura: Principais projeções no exame demamogra�a. (a) Incidência Crânio Caudal (CC).(b) Incidência Médio Lateral Oblíqua (MLO).Radiopaedia (2015).
20 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Motivações e ObjetivosCâncer de MamaMamogra�a
Qualidade do Exame
Figura: Possíveis projeções de captura para a produção de imagensmamográ�cas. Kopans (2000).
21 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Estado da Arte
Métodos para detecção de microcalci�cações direcionam-se emduas linhas:
Aprimoramento da imagem.
Método de Stojic (2014)Método de Lakshmana & Thomas (2012)
Classi�cação das lesões
Método de Zhang (2014)Método de Diaz-Herta et al (2014)
22 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Estado da Arte
Métodos para detecção de microcalci�cações direcionam-se emduas linhas:
Aprimoramento da imagem.
Método de Stojic (2014)Método de Lakshmana & Thomas (2012)
Classi�cação das lesões
Método de Zhang (2014)Método de Diaz-Herta et al (2014)
22 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Estado da Arte
Métodos para detecção de microcalci�cações direcionam-se emduas linhas:
Aprimoramento da imagem.Método de Stojic (2014)
Método de Lakshmana & Thomas (2012)
Classi�cação das lesões
Método de Zhang (2014)Método de Diaz-Herta et al (2014)
22 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Estado da Arte
Métodos para detecção de microcalci�cações direcionam-se emduas linhas:
Aprimoramento da imagem.Método de Stojic (2014)Método de Lakshmana & Thomas (2012)
Classi�cação das lesões
Método de Zhang (2014)Método de Diaz-Herta et al (2014)
22 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Estado da Arte
Métodos para detecção de microcalci�cações direcionam-se emduas linhas:
Aprimoramento da imagem.Método de Stojic (2014)Método de Lakshmana & Thomas (2012)
Classi�cação das lesões
Método de Zhang (2014)Método de Diaz-Herta et al (2014)
22 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Estado da Arte
Métodos para detecção de microcalci�cações direcionam-se emduas linhas:
Aprimoramento da imagem.Método de Stojic (2014)Método de Lakshmana & Thomas (2012)
Classi�cação das lesões
Método de Zhang (2014)
Método de Diaz-Herta et al (2014)
22 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Estado da Arte
Métodos para detecção de microcalci�cações direcionam-se emduas linhas:
Aprimoramento da imagem.Método de Stojic (2014)Método de Lakshmana & Thomas (2012)
Classi�cação das lesões
Método de Zhang (2014)Método de Diaz-Herta et al (2014)
22 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Operações Elementares
Morfologia Matemática (MM).
Fundamentada sob operações envolvendo dois conjuntos:Imagem e o Elemento Estruturante (EE).
Grande parte das operações da MM são baseadas em duasoperações elementares: Erosão e Dilação. Gonzalez (2010).
23 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Operações Elementares
Morfologia Matemática (MM).
Fundamentada sob operações envolvendo dois conjuntos:Imagem e o Elemento Estruturante (EE).
Grande parte das operações da MM são baseadas em duasoperações elementares: Erosão e Dilação. Gonzalez (2010).
23 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Operações Elementares
Morfologia Matemática (MM).
Fundamentada sob operações envolvendo dois conjuntos:Imagem e o Elemento Estruturante (EE).
Grande parte das operações da MM são baseadas em duasoperações elementares: Erosão e Dilação. Gonzalez (2010).
23 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Operações Elementares
Erosão Morfológica
[A B](x , y) = min(b1,b2)∈B
{A(x + b1, y + b2)} (1)
Dilatação Morfológica
[A⊕ B](x , y) = max(b1,b2)∈B
{A(x − b1, y − b2)} (2)
24 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Operações Elementares - Exemplos
(a) Rótulo namdb248
(b) Erosão (c) Dilatação
(d) Rótulona mdb248
(e) Erosão (f) Dilatação
Figura: Ruído do background da mamogra�a mdb248.25 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Operações Elementares - Exemplos
(a) Original (b) Erosão
Figura: Histograma do corte na mdb248 representado nas escalas de 150a 250.
26 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Operações Elementares - Exemplos
(a) Original (b) Dilatação
Figura: Histograma do corte na mdb248 representado nas escalas de 150a 250.
27 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Operações Derivadas
Abertura Morfológica
A ◦ B = (A B)⊕ B (3)
Fechamento Morfológica
A • B = (A⊕ B) B (4)
28 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Operações Derivadas
Gradiente Morfológico
G = (A⊕ B)− (A B) (5)
29 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Operações Derivadas - Exemplos
(a) Original (b) Microcalci�caçõesRealçadas
(c) Aplicação doGradiente
Figura: Recorte do mamograma mdb241 com aplicação da transformadaTop-Hat, Figura (b), seguida do gradiente morfológico, Figura (c).
30 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Operações Derivadas
Transformada Top-Hat
TH = A− (A ◦ B) (6)
Transformada Bottom-Hat
BH = (A • B)− A (7)
31 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Limiarização
Limiarização Global
g(x , y) =
{1 sef (x , y) > T0 sef (x , y) < T
}(8)
Limiarização ótima Otsu (1975)
Baseado na distribuição estatísticas dos pixels.
Utiliza a variância da distribuição dos pixels.
Maximizar a variância entre essas classes, encontrando umlimiar T .
32 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Limiarização
Limiarização Global
g(x , y) =
{1 sef (x , y) > T0 sef (x , y) < T
}(8)
Limiarização ótima Otsu (1975)
Baseado na distribuição estatísticas dos pixels.
Utiliza a variância da distribuição dos pixels.
Maximizar a variância entre essas classes, encontrando umlimiar T .
32 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Limiarização
Limiarização Global
g(x , y) =
{1 sef (x , y) > T0 sef (x , y) < T
}(8)
Limiarização ótima Otsu (1975)
Baseado na distribuição estatísticas dos pixels.
Utiliza a variância da distribuição dos pixels.
Maximizar a variância entre essas classes, encontrando umlimiar T .
32 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Método proposto por Diaz-Huerta et al (2014)
Figura: Fluxo das operação no método de remoção do ruído proposto porDiaz-Huerta et al (2014). Na etapa 4, observa-se que a região de ruído,indicada pela seta, não foi completamente removida da imagem,contendo pixels com valores de intensidade iguais a 7.
33 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Método proposto
34 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Remoção de ruído do mamograma
Figura: Diagrama de atividade do método de remoção do background.35 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Remoção de ruído do mamograma
Figura: Diagrama da subatividade 4 do método de remoção dobackground.
36 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Remoção de ruído do mamograma
(a)
Figura: Remoção do background na amostra mdb209.
37 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Remoção de ruído do mamograma
(a)
Figura: Remoção do background na amostra mdb231.
38 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Remoção de ruído do mamograma
(a)
Figura: Remoção do background na amostra mdb218.
39 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Remoção de ruído do mamograma
(a)
Figura: Remoção do background na amostra mdb239.
40 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Detecção da ROI
Destina-se a detectar uma ROI com forma arbitrária quemelhor se aproxima do real contorno de um
agrupamento de microcalci�cações.
A etapa seguinte utiliza a imagem resultante do método deremoção de ruídos descrito na seção anterior.
41 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Detecção da ROI
Destina-se a detectar uma ROI com forma arbitrária quemelhor se aproxima do real contorno de um
agrupamento de microcalci�cações.
A etapa seguinte utiliza a imagem resultante do método deremoção de ruídos descrito na seção anterior.
41 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Detecção da ROI
Figura: Diagrama de atividade do método de detecção da ROI.42 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Detecção da ROI
(a)
Figura: Exemplos de aplicação da localização automática da ROIcontendo o agrupamento de lesões suspeitas. Representa os achados nosmamogramas mdb213 todos com microcalci�cações malignas.
43 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Detecção da ROI
(a)
Figura: Exemplos de aplicação da localização automática da ROIcontendo o agrupamento de lesões suspeitas. Representa os achados nosmamogramas mdb231 todos com microcalci�cações malignas.
44 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Detecção da ROI
(a)
Figura: Exemplos de aplicação da localização automática da ROIcontendo o agrupamento de lesões suspeitas. Representa os achados nosmamogramas mdb248 todos com microcalci�cações malignas.
45 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Estado da ArteProcessamento Digital de ImagensMétodo de remoção do backgroundMétodo de detecção da ROI
Detecção da ROI
(a)
Figura: Exemplos de aplicação da localização automática da ROIcontendo o agrupamento de lesões suspeitas. Representa os achados nosmamogramas mdb249 todos com microcalci�cações malignas.
46 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
MateriaisMetodologia de Avaliação
Base de Dados
Obtidas a partir da base pública MIAS (Mammographic Image
Analysis Society).
Contém 322 imagens reais de mamogra�as.
Resolução de 1024x1024 pixels com intensidade de 8 bits/pixel
22 imagens contendo microcalci�cações benignas e malignas.
Tecidos Glandular, Denso e Gorduroso.
47 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
MateriaisMetodologia de Avaliação
Base de Dados
Obtidas a partir da base pública MIAS (Mammographic Image
Analysis Society).
Contém 322 imagens reais de mamogra�as.
Resolução de 1024x1024 pixels com intensidade de 8 bits/pixel
22 imagens contendo microcalci�cações benignas e malignas.
Tecidos Glandular, Denso e Gorduroso.
47 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
MateriaisMetodologia de Avaliação
Base de Dados
Obtidas a partir da base pública MIAS (Mammographic Image
Analysis Society).
Contém 322 imagens reais de mamogra�as.
Resolução de 1024x1024 pixels com intensidade de 8 bits/pixel
22 imagens contendo microcalci�cações benignas e malignas.
Tecidos Glandular, Denso e Gorduroso.
47 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
MateriaisMetodologia de Avaliação
Base de Dados
Obtidas a partir da base pública MIAS (Mammographic Image
Analysis Society).
Contém 322 imagens reais de mamogra�as.
Resolução de 1024x1024 pixels com intensidade de 8 bits/pixel
22 imagens contendo microcalci�cações benignas e malignas.
Tecidos Glandular, Denso e Gorduroso.
47 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
MateriaisMetodologia de Avaliação
Base de Dados
Obtidas a partir da base pública MIAS (Mammographic Image
Analysis Society).
Contém 322 imagens reais de mamogra�as.
Resolução de 1024x1024 pixels com intensidade de 8 bits/pixel
22 imagens contendo microcalci�cações benignas e malignas.
Tecidos Glandular, Denso e Gorduroso.
47 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
MateriaisMetodologia de Avaliação
Base de Dados
Os testes foram realizadosem 15 imagens da baseMIAS
As amostras foramdistribuídas igualmenteconforme tipo de tecido damama.
Figura: Amostras por tecido da base MIAS.
48 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
MateriaisMetodologia de Avaliação
Base de Dados
Os testes foram realizadosem 15 imagens da baseMIAS
As amostras foramdistribuídas igualmenteconforme tipo de tecido damama.
Figura: Amostras por tecido da base MIAS.
48 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
MateriaisMetodologia de Avaliação
Critérios
Para avaliação do método, observou-se a quantidade de pixels
detectados pelo método em relação a ROI circular de�nidapelo ground-truth da base MIAS.
Para esta análise é proposto um índice K .
Índice K
k = 1−∑
pa(x , y)∑pc(x , y)
, ∀pa(x , y) ∈ Ra, ∀pc(x , y) ∈ Rc (9)
Onde Ra e Rc representam as regiões arbitrárias e circulares.Em que k → 1 sinaliza alta redução no tamanho da ROI ek → 0 signi�ca baixa redução.
49 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
MateriaisMetodologia de Avaliação
Critérios
Para avaliação do método, observou-se a quantidade de pixels
detectados pelo método em relação a ROI circular de�nidapelo ground-truth da base MIAS.
Para esta análise é proposto um índice K .
Índice K
k = 1−∑
pa(x , y)∑pc(x , y)
,∀pa(x , y) ∈ Ra,∀pc(x , y) ∈ Rc (9)
Onde Ra e Rc representam as regiões arbitrárias e circulares.Em que k → 1 sinaliza alta redução no tamanho da ROI ek → 0 signi�ca baixa redução.
49 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
MateriaisMetodologia de Avaliação
Critérios
Para avaliação do método, observou-se a quantidade de pixels
detectados pelo método em relação a ROI circular de�nidapelo ground-truth da base MIAS.
Para esta análise é proposto um índice K .
Índice K
k = 1−∑
pa(x , y)∑pc(x , y)
, ∀pa(x , y) ∈ Ra, ∀pc(x , y) ∈ Rc (9)
Onde Ra e Rc representam as regiões arbitrárias e circulares.Em que k → 1 sinaliza alta redução no tamanho da ROI ek → 0 signi�ca baixa redução.
49 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
MateriaisMetodologia de Avaliação
Critérios
Para avaliação do método, observou-se a quantidade de pixels
detectados pelo método em relação a ROI circular de�nidapelo ground-truth da base MIAS.
Para esta análise é proposto um índice K .
Índice K
k = 1−∑
pa(x , y)∑pc(x , y)
, ∀pa(x , y) ∈ Ra, ∀pc(x , y) ∈ Rc (9)
Onde Ra e Rc representam as regiões arbitrárias e circulares.Em que k → 1 sinaliza alta redução no tamanho da ROI ek → 0 signi�ca baixa redução.
49 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
MateriaisMetodologia de Avaliação
Experimentos
É necessário analisar também o quantitativo demicrocalci�cações nas duas regiões, Ra e Rc .
Utilizamos como avaliador um método de classi�cação demicrocalci�cações proposto por Linguraru et al(2006).
Índice M
M =Na
Nc(10)
Onde Na e Nc representam o número de microcalci�caçõesexistentes em Ra e Rc , respectivamente. Com M → 1, tem-sea preservação de microcalci�cações e M → 0 sugere perdas.
50 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
MateriaisMetodologia de Avaliação
Experimentos
É necessário analisar também o quantitativo demicrocalci�cações nas duas regiões, Ra e Rc .
Utilizamos como avaliador um método de classi�cação demicrocalci�cações proposto por Linguraru et al(2006).
Índice M
M =Na
Nc(10)
Onde Na e Nc representam o número de microcalci�caçõesexistentes em Ra e Rc , respectivamente. Com M → 1, tem-sea preservação de microcalci�cações e M → 0 sugere perdas.
50 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
MateriaisMetodologia de Avaliação
Experimentos
É necessário analisar também o quantitativo demicrocalci�cações nas duas regiões, Ra e Rc .
Utilizamos como avaliador um método de classi�cação demicrocalci�cações proposto por Linguraru et al(2006).
Índice M
M =Na
Nc(10)
Onde Na e Nc representam o número de microcalci�caçõesexistentes em Ra e Rc , respectivamente. Com M → 1, tem-sea preservação de microcalci�cações e M → 0 sugere perdas.
50 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
MateriaisMetodologia de Avaliação
Experimentos
É necessário analisar também o quantitativo demicrocalci�cações nas duas regiões, Ra e Rc .
Utilizamos como avaliador um método de classi�cação demicrocalci�cações proposto por Linguraru et al(2006).
Índice M
M =Na
Nc(10)
Onde Na e Nc representam o número de microcalci�caçõesexistentes em Ra e Rc , respectivamente. Com M → 1, tem-sea preservação de microcalci�cações e M → 0 sugere perdas.
50 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
MateriaisMetodologia de Avaliação
Método Proposto
(a) (b)
Figura: Experimentos realizados com a mamogra�as mdb231. (a) ROIcircular da base MIAS. (b) ROI com formato arbitrário encontrado pelométodo na amostra mdb231.
51 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
MateriaisMetodologia de Avaliação
Método Proposto
(a) (b)
Figura: Experimentos realizados com a mamogra�as mdb249. (a) ROIcircular da base MIAS. (b) ROI com formato arbitrário encontrado pelométodo na amostra mdb249.
52 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Resultados
1 2 3 4 5 6 7 8 9 10 11 12 13 14 150
0.2
0.4
0.6
0.8
1
imagens da base MIAS
índi
ce
índice K
Figura: Índices K para imagens da base MIAS.
53 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Resultados
1 2 3 4 5 6 7 8 9 10 11 12 13 14 150
0.2
0.4
0.6
0.8
1
imagens da base MIAS
índi
ce
índice M
Figura: Índices M para imagens da base MIAS.
54 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Resultados
Tabela: Taxa de acerto e redução da área do agrupamento em relação aROIs circulares.
Tecido Acerto da ROI Redução da ROIGlandular 0.9191 ±0.114 0.7696Glandular gorduroso 0.8255 ±0.109 0.6701Denso 0.9098 ±0.207 0.6250
55 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Resultados
Tabela: Quantidade de microcalci�cações preservadas, por tipo de tecido.
Tecido Ra Rc Taxa de preservaçãoGlandular 8 7 87.5%Glandular gorduroso 9 5 55.5%Denso 5 4 80%
56 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Resultados
Concluímos que, no cenário de testes, o método mostrou umataxa média de acerto de 87,66% dos agrupamentos
contendo microcalci�cações malignas e menignas.
A demarcação da região mais próximas as microcalci�caçõessugere uma boa taxa de redução, onde em geral 74% das
lesões foram preservadas.
57 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Resultados
Concluímos que, no cenário de testes, o método mostrou umataxa média de acerto de 87,66% dos agrupamentos
contendo microcalci�cações malignas e menignas.
A demarcação da região mais próximas as microcalci�caçõessugere uma boa taxa de redução, onde em geral 74% das
lesões foram preservadas.
57 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Conclusões
O método proposto consegue de�nir uma região deagrupamento de microcalci�cações satisfatória para imagensde mama glandular, gordurosas e densas, com taxas de
acerto superiores a 82% quando comparadas ao groundtruth da base.
Além disso, a redução da área não causou perdas excessivas
das microcalci�cações.
A redução de dados com a demarcação da ROI mais próximadas lesões pode melhorar o desempenho de métodos de
compressão e classi�cação.
58 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Conclusões
O método proposto consegue de�nir uma região deagrupamento de microcalci�cações satisfatória para imagensde mama glandular, gordurosas e densas, com taxas de
acerto superiores a 82% quando comparadas ao groundtruth da base.
Além disso, a redução da área não causou perdas excessivas
das microcalci�cações.
A redução de dados com a demarcação da ROI mais próximadas lesões pode melhorar o desempenho de métodos de
compressão e classi�cação.
58 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Conclusões
O método proposto consegue de�nir uma região deagrupamento de microcalci�cações satisfatória para imagensde mama glandular, gordurosas e densas, com taxas de
acerto superiores a 82% quando comparadas ao groundtruth da base.
Além disso, a redução da área não causou perdas excessivas
das microcalci�cações.
A redução de dados com a demarcação da ROI mais próximadas lesões pode melhorar o desempenho de métodos de
compressão e classi�cação.
58 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Trabalhos Futuros
Analisar o comportamento do método em uma base deresolução maior, DDSM, largamente utilizada para avaliação.
Investigar o desempenho de algoritmos de compressão eclassi�cação a partir das ROIs de�nidas pelo método proposto.
59 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Trabalhos Futuros
Analisar o comportamento do método em uma base deresolução maior, DDSM, largamente utilizada para avaliação.
Investigar o desempenho de algoritmos de compressão eclassi�cação a partir das ROIs de�nidas pelo método proposto.
59 / 69
IntroduçãoMetodologiaExperimentos
ResultadosConclusões
Trabalhos Futuros
Contribuições
Título:Detecção de agrupamentos de microcalci�cações emimagens digitais de mamogra�as.Evento: XV Workshop de Informática Médica, realizado comoparte dos eventos do XXXV Congresso da Sociedade Brasileira deComputação (CSBC), em Recife - PE, Brasil.Sociedade Cientí�ca: Sociedade Brasileira de Computação.
60 / 69
Apêndice Referências Bibliográ�cas
Referências Bibliográ�cas I
Intituto Nacional de Câncer José Alencar Gomes da Silva.Controle do Câncer de mama
Disponível em: http://www2.inca.gov.br. Acesso em:09/06/2015.
Facina, Taís.Estimativa 2014�Incidência de Câncer no Brasil
INCA, 2014.
Martins, Letícia A. L. and Barra,A.A. and Lucena, C.E.M.Microcalci�cações Mamárias Suspeitas de Malignidade
2. vol. 56. Revista Brasileira de Cancerologia, 2010.
61 / 69
Apêndice Referências Bibliográ�cas
Referências Bibliográ�cas II
Peixoto, JE and Canella, E and Azevedo, ACMamogra�a: Da Prática ao Controle
INCA, 2007.
Calas, M.J.G. and Gut�len, B. and Pereira, W.C.A.CAD e mamogra�a: por que usar esta ferramenta.
1. vol. 45. Radiol Bras,SciELO Brasil, 2012.
Koehl, RH and Snyder, R. E. and Hutter, RV and Foote Jr,FWThe incidence and signi�cance of calci�cations within operative
breast specimens.
American journal of clinical pathology, 1970.
62 / 69
Apêndice Referências Bibliográ�cas
Referências Bibliográ�cas III
Vianna, Alberto Domingues and Marchiori, EdsonCalci�cações malignas da mama: correlação
mamogra�a-anatomia patológica
Radiol. bras, 2002.
Lakshmanan, Rekha and Thomas, VinuEnhancement of microcalci�cation features using morphologyand contourlet transformIEEE, 2012.
63 / 69
Apêndice Referências Bibliográ�cas
Referências Bibliográ�cas IV
Furgeri, Sérgio and Rodrigues, Silvia CM and da Silva, SimoneMTecnologias associadas ao diagnóstico do Câncer de MamaReverte-Revista de Estudos e Re�exões Tecnológicas daFaculdade de Indaiatuba, 2011.
Feital, João Carlos Da Silva and Delgado, José Ubiratan andothersUMA METODOLOGIA PARA COMPROVAR OAPARECIMENTO DE CASOS DE CÂNCER DEVIDOS ÀDOSE DE RADIAÇÃO NA MAMA COMPRIMIDA2013.
64 / 69
Apêndice Referências Bibliográ�cas
Referências Bibliográ�cas V
Caldas, Flávio Augusto Ataliba and Isa, HLVR and Trippia,Andréa Cristina and othersControle de qualidade e artefatos em mamogra�aRadiol Bras, SciELO Brasil, 2005.
Radiopaedia.orgMammography viewsDisponível em:http://radiopaedia.org/articles/mammography-views. Acessoem: 02/05/2015.
65 / 69
Apêndice Referências Bibliográ�cas
Referências Bibliográ�cas VI
Diaz-Huerta, CC and Felipe-Riveron, EM and Montaño-Zetina,LMQuantitative analysis of morphological techniques for automaticclassi�cation of micro-calci�cations in digitized mammogramsExpert Systems with Applications, Elsevier,2014.
Otsu, NobuyukiA threshold selection method from gray-level histograms.Automatica, 1975.
66 / 69
Apêndice Referências Bibliográ�cas
Referências Bibliográ�cas VII
Linguraru, Marius George and Marias, Kostas and English,Ruth and Brady, MichaelA biologically inspired algorithm for microcalci�cation cluster
detection.Medical image analysis, Elsevier, 2006.
67 / 69
Apêndice Referências Bibliográ�cas
Referências Bibliográ�cas VIII
GONZALEZ, R. C; WOODS, R. E.Processamento digital de imagens.3. ed. Pearson Prentice Hall, 2010.
De Paredes, Ellen ShawAtlas of mammographyLippincott Williams & Wilkins, 2007.
Kopans, Daniel B and Bertuol, MauroImagem da mamaMedsi, 2000.
68 / 69
Apêndice Referências Bibliográ�cas
Obrigado pela atenção!
69 / 69
Recommended