Autor(es): Ribeiro, Gustavo Henrique de Paiva Tabarra
Data: 2016
Identificador Persistente: http://hdl.handle.net/10451/23476
Origem: Repositório da Universidade de Lisboa
Assunto(s): Tomossíntese digital mamária; Densidade mamária; Classificador automático da densidade mamária; MatLab; Precisão; Teses de mestrado - 2016; Departamento de Física
Tese de mestrado integrado, Engenharia Biomédica e Biofísica (Engenharia Clínica e Instrumentação Médica), Universidade de Lisboa, Faculdade de Ciências, 2016
A presente dissertação tem como objetivo o desenvolvimento de um classificador automático de densidade mamária que possa ser utilizado em imagens de tomossíntese digital mamária. Pretende-se que este classificador possa ser utilizado em ambiente clínico como ferramenta auxiliar e que sirva como uma mais-valia para ajudar os médicos especialistas a classificar corretamente a densidade das imagens que lhes compete avaliar. A densidade mamária tem ganho cada vez maior relevância devido a estudos que a relacionam com a probabilidade de génese de cancro. Além disso, em casos de maior densidade, é mais difícil detetar lesões pelo que se torna cada vez mais importante conhecer esta informação. A metodologia utilizada permitiu a criação de vários algoritmos que apresentam diferentes finalidades, desde a criação de elementos que contêm informação associada à imagem até à criação e treino dos modelos necessários. Para tal foi utilizada a linguagem de programação MatLab® devido à sua versatilidade e vasto repositório de funções. Utilizaram-se também imagens médicas com diferentes origens e que permitiram efetuar os testes aos modelos criados. Foram criados diferentes modelos com diferentes finalidades. O primeiro modelo a ser criado permite a separação entre as altas e baixas densidades. O segundo modelo a ser construído permite efetuar a separação entre as diferentes densidades mamárias (pertencentes aos 4 níveis da escala), com base nos resultados obtidos pelo primeiro modelo. Adicionalmente foram criados dois modelos: um que realiza a separação entre as duas classes de menor densidade e outro que realiza a separação entre as duas classes de maior densidade. Os resultados obtidos pelos modelos permitiram determinar a precisão de cada um deles e qual as tendências que o procedimento adotado criaram na avaliação das imagens médicas. Através do cálculo da precisão, que avalia a percentagem de imagens classificadas corretamente, conclui-se que as imagens mamárias com mamas menos densas apresentam uma maior precisão, tendo-se obtido 91,7% de precisão para o modelo de baixas densidades, 58,3% de precisão para o modelo de altas densidades e 70,8% para o modelo de separação entre altas e baixas densidades. Tal como referido anteriormente, os resultados obtidos neste modelo de separação entre altas e baixas densidades permitiram proceder ao cálculo das percentagens de acerto para cada densidade, permitindo assim avaliar a eficácia do modelo no que toca a classes individuais. Devido a constrangimentos relacionados com a amostra utilizada, não foi possível desenvolver um classificador tão fiável quanto desejado. No entanto, e apesar da tendência observada, acredita-se que, com as otimizações necessárias e uma amostra mais adequada, este classificador automático possa ser útil em ambiente clínico e que poderá fornecer informação importante para a tomada de decisão.
This Master Thesis has the objective of creating an automatic classifier for breast density that can be used with digital breast tomosynthesis’ images. It is desired that this classifier can be used in clinical environment as an auxiliary tool and to bring added value in order to help the experts in the correct classification in breast density of the images that they must evaluate. The breast density has become more relevant due to studies that correlate it with a higher cancer probability. Also, in breasts with higher density, it is harder to detect lesions, making breast density an important factor in breast evaluation. The methodology allowed the creation of several algorithms that present different goals, ranging from the creation of elements with the information associated to the medical image to the creation and training of the necessary models. In order to do this, MatLab was used as the chosen programing language due to its versatility and its large library of native functions. To complete the models it was used medical images from different sources, allowing the making of the tests to the created models. Different models were created with different goals. The first model allows the separation of the data between low and high density. The second model to be created allows the differentiation between different breast densities (comprised in 4 classes), based on the results of the first model. Additionally were created two models: one allows the separation of the classes with higher density and the other separates the classes of lower density. The obtained results allowed to access the accuracy of each model and the bias that the adopted methodology created on the evaluation of the density of the breast images. Using an accuracy calculation, that shows the fraction of correct classified images, it is possible to conclude that the images with breasts of lower density have a better accuracy, since the low density model has an accuracy of 91,7%, the model for high density images has an accuracy of 58,3% and the model that splits the images between low density and high density has an accuracy of 70,8%. As referred, the results obtained in the model that differentiates the low and high densities allowed the calculation of the accuracies of each individual class and therefore evaluating the model’s accuracy regarding unique classes. Due to constraints related to the used sample, it was not possible to develop a classifier as accurate as wanted. However, and despite the existing bias, it’s thought that, with the necessary optimizations and with a more adequate sample, this automatic classifier can be useful in clinical environment and may give important information for decision making by the expert.
