Search

De acordo com a Organização Mundial de Saúde, o câncer de mama é a forma mais comum de câncer entre as mulheres no mundo todo, sendo um dos tipos de câncer mais fatal. Estudos mostram que o diagnóstico precoce pode contribuir para a redução da taxa de mortalidade e aumentar as opções de tratamento. Apesar da existência de várias técnicas de obtenção de imagens no auxílio ao diagnóstico de câncer de mama, a mamografia digital é ainda a tecnologia mais eficaz e utilizada para esse fim. Consequentemente, a segmentação de imagens de mamografia é uma tarefa fundamental para auxiliar o diagnóstico, levando em consideração a forma da lesão mamária e suas bordas. No entanto, a segmentação de imagens de mamografia é uma tarefa complexa, uma vez que ela é muito dependente dos tipos de tecido mamário e da lesão. O algoritmo GrowCut é um método de segmentação de propósito geral baseado em autômatos celulares, capaz de realizar uma segmentação precisa através da seleção adequada de pontos internos e externos à região de interesse. Neste trabalho é apresentado um novo algoritmo semi-supervisionado baseado na modificação do algoritmo GrowCut para realizar segmentação de imagens de mamografia de forma semi-automática. No método proposto é utilizada uma função de pertinência fuzzy Gaussiana para modificar a regra de evolução do algoritmo GrowCut original, visando estimar as probabilidades de um pixel pertencer ao objeto ou fundo da imagem. Esse modelo permite uma maior flexibilidade na inicialização das sementes quando comparado à trabalhos no estado da arte, pois a marcação realizada pelo especialista é utilizada extraindo-se informação do conjunto de sementes, e não informações do posicionamento individual, como o presente no GrowCut clássico. Foi também desenvolvido uma etapa de geração automática de sementes, onde apenas pontos internos da região de interesse são selecionados, através do uso do método de otimização Evolução Diferencial. Além disso, foi desenvolvido um método de ajuste de parâmetros adaptativo, que a partir da extração de características da imagem ajusta os melhores parâmetros para o algoritmo. A abordagem desenvolvida é comparada qualitativamente e quantitativamente com técnicas de segmentação do estado da arte BEMD, BMCS, WAGA, Abordagem Topográfica e MCW, usando métricas relacionadas à forma das regiões segmentadas. As análises são avaliadas utilizando regiões de interesse da base IRMA, totalizando 1.165 mamogramas. Resultados mostram que o algoritmo proposto obteve melhores resultados, considerando similaridade com imagem ouro, para as métricas utilizadas. Para validar a proposta , foi construído um classificador de imagem usando o Perceptron Multicamadas clássico. Resultados mostraram que a técnica proposta obteve taxa de classificação de 94,77%, evidenciado a viabilidade do método proposto. According to the World Health Organization, breast cancer is the most common cancer in women worldwide, becoming one of the most fatal types of cancer. Several studies show that the early diagnosis technologies can contribute to reduce the mortality rates and improve treatment options. Despite the existence of several imaging techniques to aid at the diagnosis of breast cancer, digital mammography is still the most used and effective imaging technology. Consequently, mammographic image segmentation is a fundamental task to support image diagnosis, considering shape analysis of mammary lesions and their borders. However, mammogram image segmentation is a hard task, once it is highly dependent on the types of mammary tissues. The GrowCut algorithm is a general-purpose segmentation method based on cellular automata, able to perform accurate segmentation through the adequate selection of internal and external points of the region of interest. Herein this work we present a new semi-supervised segmentation algorithm based on the modification of the GrowCut algorithm to perform semi-automatic mammographic image segmentation. In our proposal, we used a fuzzy Gaussian membership function to modify the evolution rule of the original GrowCut algorithm, in order to estimate the probabilities of a pixel being object or background. This model allows flexibility in the seeds initialization when compared to state of the art techniques, because the annotation executed by the specialist is used through the extraction of information of set os seeds, in opposite to the individual seeds information present in classical GrowCut .An automatic seed generation step was developed, where only the seeds internal to the region of interest are selected, using the Differential Evolution algorithm. Furthermore, we developed an adaptive parameter tuning method, which from the image characteristics it find the best parameters to the algorithm. The proposed approach was qualitatively and quantitatively compared with other state-of-the-art segmentation techniques BEMD, BMCS, WAGA, Topographic Approach and MCW, using metrics related to the shape of segmented regions. The analysis are evaluated using regions of interest from IRMA database, totaling 1.165 mammograms. Results show that the proposed algorithm achieved better results, considering similarity with ground truth, for the used metrics. In order to validate our proposal we built an image classifier using a classical Multilayer Perceptron. This analysis employed 1.165 mammograms from IRMA breast cancer database Results show that the proposed technique could achieve a classification rate of 94.77%, evidencing the feasibility of our approach.

Submitted by Mario BC (mario@bc.ufrpe.br) on 2022-03-30T13:10:24Z No. of bitstreams: 1 Felipe Victor de Sa Oliveira.pdf: 2029113 bytes, checksum: c3a04b74935beb6840ac5e60dc9608ce (MD5) Made available in DSpace on 2022-03-30T13:10:24Z (GMT). No. of bitstreams: 1 Felipe Victor de Sa Oliveira.pdf: 2029113 bytes, checksum: c3a04b74935beb6840ac5e60dc9608ce (MD5) Previous issue date: 2019-02-28 Breast cancer has been a growing problem for women all over the world. The correct interpretation of mamographic images is important for the diagnosis of breast cancer. However, this is a difficult task even for a specialist. Image processing is used to make the diagnosis less susceptible to errors. In this way, the present work proposes a new method for the selection of candidates for mass in mammography images, using algorithms to detect points of interest for the generation of the candidates. The behavior of SURF, SIFT, BRISK and ORB was analyzed. Furthermore, to prove the efficiency of the approach, the proposed method was compared with the algorithms EdgeBoxes, Rahtu, RandomPrim, Rantalankila, MCG and SelectiveSearch. We used 1210 mammography images acquired from the CBIS-DDSM database. Results showed that the proposed method, based on SURF algorithm presented the best performance, generating on average, for each image, 4.11 of considered candidates in the internal mass area and 10.20 candidates with threshold of IoU > 0.5 and reduction of exploratory space in 72%. Additionally, it was possible to obtain the best accuracy rate in location of masses, between the compared techniques, with 98.13% on average, best rate of medium accuracy with 0,34 mAP and lower execution cost, taking to only 0.001 seconds to generate each mass candidate. O câncer de mama tem sido um problema crescente para as mulheres em todo o mundo. A correta interpretação de imagens mamográficas é importante para obtenção do diagnóstico do câncer de mama. Porém, esta é uma tarefa difícil até mesmo para um especialista. O processamento de imagens é utilizado para tornar o diagnóstico menos suscetível a erros. Desta forma, o presente trabalho propõe um novo método para seleção de candidatos à lesão em imagens mamográficas, baseado na utilização de algoritmos de detecção de pontos de interesse para geração dos candidatos. Foi analisado o comportamento dos algoritmos SURF, SIFT, BRISK e ORB. Ainda, para comprovar a eficiência da abordagem, o método proposto foi comparado aos algoritmos de propostas de objetos EdgeBoxes, Rahtu, RandomPrim, Rantalankila, MCG e SelectiveSearch. Foram utilizadas 1210 imagens de mamografia adquiridas da base CBIS-DDSM. Resultados mostram que o método proposto com base no algoritmo SURF apresentou melhores desempenhos, gerando em média, para cada imagem, 4,11 candidatos considerados na área interna da lesão e 10,20 candidatos com limiar de IoU > 0.5 e redução do espaço exploratório em 72%. Além disso, foi possível obter a melhor taxa de precisão em localização das lesões entre as técnicas comparadas, com 98,13% em média, melhor taxa de precisão média com mAP de 0,34 e menor custo de execução, levando apenas 0,001 segundo para geração de cada candidato à lesão.

Submitted by Mario BC (mario@bc.ufrpe.br) on 2019-02-19T14:56:02Z No. of bitstreams: 1 Sergio Fernandovitch Chevtchenko.pdf: 6596773 bytes, checksum: 07a4b87a297c9b98bec9f4327a416065 (MD5) Made available in DSpace on 2019-02-19T14:56:02Z (GMT). No. of bitstreams: 1 Sergio Fernandovitch Chevtchenko.pdf: 6596773 bytes, checksum: 07a4b87a297c9b98bec9f4327a416065 (MD5) Previous issue date: 2018-07-06 Gesture based human-computer interaction is both intuitive and versatile, with diverse applications such as in smart houses, operating theaters and vehicle infotainment systems. This work focuses on recognition of static hand gestures, also known as hand postures. A good hand posture recognition system has to be both robust to image variations and capable of real-time performance. Considering the recent success of convolutional neural networks (CNNs) and robustness of more traditional methods, this dissertation presents a novel architecture, combining a CNN and several traditional feature extractors, capable of accurate and real-time hand posture recognition. Several hyperparameters present in the proposed architecture are automatically selected by a model optimization algorithm. The traditional features are extracted from Zernike moments, Hu moments, Gabor filters and properties of the hand contour. This features are used to complement the information available to the classification layer of a CNN. Besides the proposed architecture, recent convolutional neural networks are evaluated on three distinct benchmarking datasets. This datasets are further divided in depth, binary and grayscale subsets in order to investigate the influence of image representation on recognition accuracy. Furthermore, architectures are compared in terms of speed and accuracy using rescaling with and without preserving aspect ratio and two common validation techniques: holdout and leave-one-subject-out. The proposed architecture is shown to obtain state-of-the art recognition rate in realtime, while being robust to different image representations and scalings. A recognition improvement of 5.93% on current best model is achieved on an RGBD dataset containing 81,000 images of 27 hand postures. A demo video is provided as supplementary material, containing real-time recognition by the proposed network of up to 27 gestures at 30 fps from a 3D camera. O uso de gestos de mão é uma maneira intuitiva e versátil para humanos interagirem com computadores. Este trabalho tem como foco o reconhecimento de gestos estáticos, também conhecidos como posturas de mão. Um bom sistema de reconhecimento de gestos deve suportar variações na imagem, como de escala, iluminação e rotação, além de ser capaz de funcionar em tempo real. Considerando o sucesso recente de redes neurais convolutivas e robustez de técnicas tradicionais, esta dissertação apresenta uma nova arquitetura baseada em redes convolutivas para reconhecimento de gestos com acurácia e em tempo real. A arquitetura proposta combina redes convolutivas com descritores de características tradicionais. Os hiperparâmetros que descrevem esta nova rede são selecionados de forma automática usando um algoritmo de otimização. As características tradicionais são extraídas da imagem usando momentos de Zernike, momentos de Hu, filtros de Gabor e propriedades de contorno da mão. Estas características são usadas para complementar o conjunto de informações disponível para a camada de classificação da rede convolutiva. A arquitetura proposta é comparada com modelos de redes convolutivas propostos recentemente. Para isso são usadas três bases de dados de gestos estáticos de mão. Para verificar como a representação da imagem pode influenciar nos classificadores considerados nesse trabalho, as bases de dados são subdivididas em representações por profundidade, escala de cinza e binárias. Além disso, as arquiteturas são comparadas em termos de velocidade e acurácia de classificação, usando reescalonamento com e sem preservação de aspect ratio e dois métodos de validação comumente empregados no contexto de reconhecimento de gestos: holdout e leave-one-subject-out. É demonstrado experimentalmente que a arquitetura proposta supera o estado da arte com reconhecimento de gestos em tempo real, sendo robusta em diferentes representações e escalas da imagem. Foi registrada uma melhora de até 5.93% em comparação ao melhor modelo existente em uma base de dados RGBD com 81,000 imagens e 27 classes de gestos. Além disso, é disponibilizado um vídeo demostrando reconhecimento em tempo real de até 27 gestos estáticos de mão a 30 quadros por segundo, usando uma câmera 3D.