Banca de QUALIFICAÇÃO: MATHEUS CORDEIRO DE MELO

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE: MATHEUS CORDEIRO DE MELO
DATA: 30/05/2017
HORA: 14:00
LOCAL: CI
TÍTULO: Novo Método de Classificação Automática de Achados Mamográficos
PALAVRAS-CHAVES: Classificação de achados mamográficos, Sistemas CAD mamográficos, Ruído em mamogramas
PÁGINAS: 96
RESUMO: Uma em cada oito mulheres desenvolverão câncer de mama. A mamografia é o exame mais indicado para a detecção precoce deste câncer, possibilitando a detecção de lesões muito pequenas e possibilitando a visualização de até 90% das anormalidades (massas, calcificações, distorções de arquitetura). O diagnóstico do câncer de mama, através do exame de mamografia, consiste em um processo propenso a erros devido, principalmente, às interpretações equivocadas dos médicos, consequência da real dificuldade do procedimento. Sistemas de Auxílio ao Diagnóstico por Computador (CAD) podem ser desenvolvidos com o objetivo de ser uma segunda opinião na identificação e diagnóstico da doença utilizando imagens mamográficas. Imagens mamográficas podem ser obtidas através da mamografia Screen-film Mammography (SFM) e da Full Field Digital Mammography (FFDM), a qual apresenta uma melhor resolução e está substituindo gradualmente a SFM. Este trabalho desenvolveu um novo método de classificação automática de achados mamográficos em benignos ou malignos. Primeiramente, foram selecionados dois bancos, o Digital Database for Screening Mammography (DDSM) que disponibilizam imagens coletadas da SFM e o INbreast que possui imagens obtidas pela FFDM. A seguir, foram selecionadas aleatoriamente 160 imagens com achados mamográficos do DDSM e todas as 104 massas disponíveis no INbreast. Na etapa de pré-processamento, desenvolveu-se uma nova técnica de identificação e eliminação de ruído baseado na Teoria de Informação. Após o pré-processamento, importantes características foram extraídas através dos descritores Histogram of Oriented Gradients e Haralick e, por fim, a base de características serviu de entrada para algoritmos classificadores (k-nearest neighbors, radial basis function network e multilayer perceptron). Considerando o DDSM, o método atingiu 92,50% de acurácia, 99,03% de especificidade e 80,70% de sensibilidade. Com o INbreast, atingiu-se 88,37% de acurácia, 78,38% de especificidade e 95,92% de sensibilidade. Os resultados obtidos neste trabalho mostraram-se competitivos com a literatura da área.
MEMBROS DA BANCA:
Presidente - 1167863 - LEONARDO VIDAL BATISTA
Interno - 1723491 - CLAUIRTON DE ALBUQUERQUE SIEBRA
Interno - 1743917 - THAIS GAUDENCIO DO REGO