Por favor, use este identificador para citar o enlazar este ítem:
https://repositorio.ufba.br/handle/ri/22922
metadata.dc.type: | Dissertação |
Título : | Métodos estatísticos para classificação de massas em mamografias |
Autor : | Alcântara, Rafaela Souza |
metadata.dc.creator: | Alcântara, Rafaela Souza |
Resumen : | O câncer de mama é considerado a segunda neoplasia responsável por mais mortes em mulheres no mundo. Para a prevenção e redução desse número, a mamografia de screening é o exame mais utilizado para detecção de nódulos em estágios iniciais. A partir desse exame, o radiologista pode analisar as anomalias e a partir disso desenvolver um diagnóstico. Para aumentar a acurácia dos resultados obtidos a partir das imagens de mamografia, estão sendo desenvolvidos softwares de auxílio à diagnóstico computer-aided diagnosis capazes de automatizar o processo de análise da imagem e extrair informações relevantes para a classificação dos nódulos presentes nos exames. Esse trabalho apresenta duas novas metodologias para extração de features e classificação de massas e não-massas,s a partir da Entropia de Tsallis extraídas através da matriz de co-ocorrência (GLCM) e através da matriz de valores singulares (SVD) da imagem de mamografia, alcançando uma acurácia máxima de 91.3% Breast cancer has been considered the second neoplasia responsible for women’s death in the last few years. To prevent and to reduce these statistics, screening mammography has been used as the most important exam to detect nodules on initial stages. From this exam, the radiologist can analyze anomalies and to provide some diagnostic. To improve the results accuracy rate from mammography images, computer-aided diagnosis softwares have been developed with the ability to automate the image analyses processing and to extract relevant information for mass classifications on screening exams. This work presents two new methodologies for feature extraction for mass and non-mass classification, based on Tsallis entropy calculated from gray level cooccurrence matrix (GLCM) and from singular value decomposition (SVD), reaching the best accuracy rate of 91.3%. |
Palabras clave : | Mamografia Classificação Extração de Features Entropia de Tsallis |
metadata.dc.subject.cnpq: | Ciência da Computação |
metadata.dc.publisher.country: | Brasil |
metadata.dc.publisher.initials: | UFBA |
metadata.dc.publisher.program: | Mestrado em Ciência da Computação |
metadata.dc.rights: | Acesso Aberto |
URI : | http://repositorio.ufba.br/ri/handle/ri/22922 |
Fecha de publicación : | 7-jun-2017 |
Aparece en las colecciones: | Dissertação (PGCOMP) |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
template-msc.pdf | 7,6 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.