Publicação

Classificação automática da densidade mamária em tomossíntese

Detalhes bibliográficos
Resumo:	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.
Autores principais:	Ribeiro, Gustavo Henrique de Paiva Tabarra
Assunto:	Tomossíntese digital mamária Densidade mamária Classificador automático da densidade mamária MatLab Precisão Teses de mestrado - 2016
Ano:	2016
País:	Portugal
Tipo de documento:	dissertação de mestrado
Tipo de acesso:	acesso aberto
Instituição associada:	Universidade de Lisboa
Idioma:	português
Origem:	Repositório da Universidade de Lisboa

Descrição
Resumo:	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.