Extração de Características de Contornos Côncavos para Diagnóstico de Câncer de Mama

• Ricardo Marques UFMA
• Marcos Benevides UFMA
• Geovane Ramos Neto UFMA
• Anselmo de Paiva UFMA
• Geraldo Braz Júnior UFMA

DOI: https://doi.org/10.5753/sbcas.2015.10384

Resumo

O câncer de mama tem o maior índice de ocorrência na população feminina que responde por 22% dos novos casos a cada ano. Uma abordagem para detectar precocemente tais anomalias é a imagem de mamografia. No entanto, os padrões de imagem complexos e a diferente organização dos tecidos mamários requer habilidade e experiência de médicos treinados para evitar falhas na interpretação de mamografias. O objetivo principal deste trabalho é utilizar geometria côncava para extrair características de regiões em massa com o objetivo de fazer um diagnóstico quanto ao padrão de malignidade com base em que a forma que circunscreve massas malignas são muito irregular.

Referências

Berretti, S., Del Bimbo, A., and Pala, P. (2000). Retrieval by shape similarity with perceptual distance and effective indexing. Multimedia, IEEE Transactions on, 2(4):225–239.

Duarte, D. L. (2006). A Mama em Imagens, volume 1. Guanabara/Koogan, Rio de Janeiro.

Freeman, H. (1961). On the encoding of arbitrary geometric configurations. Electronic Computers, IRE Transactions on, (2):260–268.

Freer and Ulissey, M. (2001). Screening mammography with computer-aided detection: prospective study of 12,860 patients in a community breast center. Radiology, 220(3):781–786.

Gonzalez, R. andWoods, R. (2010). Processamento Digital de Imagens. Pearson Prentice Hall, S˜ao Paulo, 3 edition.

Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., and Witten, I. H. (2009). The weka data mining software: an update. ACM SIGKDD explorations newsletter, 11(1):10–18.

INCA (2015). Estimativas 2014-2015: Incidência de Câncer no Brasil. http://http://www.inca.gov.br/estimativa/2014/index.asp?ID=2/.

Mucke, H. E. (1994). Three-dimensional alpha shapes. ACM Trans. Graph, 13:43–72.

Platt, J. et al. (1999). Fast training of support vector machines using sequential minimal optimization. Advances in kernel methods—support vector learning, 3.

Suckling, J., Parker, J., Dance, D., Astley, S., Hutt, I., Boggis, C., Ricketts, I., Stamatakis, E., Cerneaz, N., Kok, S., et al. (1994). The mammographic image analysis society digital mammogram database. In Exerpta Medica. International Congress Series, volume 1069, pages 375–378.

Vapnik, V. (1998). Statistical Learning Theory. Wiley New York, New York.