Diagnóstico de Câncer de Mama em Mamografias baseado na Análise da Diversidade de Padrões Circulares

• Geovane Ramos Neto UFMA
• Marcos Benevides UFMA
• Ricardo Marques UFMA
• Simara da Rocha UFMA
• Geraldo Braz Júnior UFMA

DOI: https://doi.org/10.5753/sbcas.2015.10386

Resumo

Este artigo tem como objetivo prover uma melhor técnica para análise de textura em imagens de mamografia, visando uma melhor taxa de diagnóstico dos casos de câncer de mama. O diagnóstico feito por especialistas depende de fatores como a experiência do profissional, a qualidade da mamografia e de características do próprio paciente. O estudo procura utilizar métodos computacionais a fim de oferecer uma segunda opinião ao especialista, utilizando-se de técnicas de representação da imagem na forma de padrões circulares quantizados através de matrizes de co-ocorrência. Após a representação, a textura é calculada através da análise de diversidade e classificada usando Máquinas de Vetores de Suporte.

Referências

ACS (2015). Learn about breast cancer. Available at http://www.cancer.org, last accessed February 4, 2012.

Chang, C.-C. and Lin, C.-J. (2011). Libsvm: a library for support vector machines. ACM Transactions on Intelligent Systems and Technology (TIST), 2(3):27.

dos Santos, V. K. (2009). Uma generalização da distribuição do índice de diverisidade generalizado por good com aplicações em ciências agrárias. Master’s thesis, Universidade Federal Rural de Pernanbuco, Recife.

Galloway, M. M. (1975). Texture analysis using gray level run lengths. Computer graphics and image processing, 4(2):172–179.

Gonzalez, R. C. and Woods, R. E. (2008). Digital Image Processing. Addison-Wesley Longman Publishing Co., Inc., Boston, MA, USA, 3nd edition.

Haralick, R. M., Shanmugam, K., and Dinstein, I. H. (1973). Textural features for image classification. Systems, Man and Cybernetics, IEEE Transactions on, (6):610–621.

Heath, M., Bowyer, K., Kopans, D., Moore, R., and Kegelmeyer, P. (2000). The digital database for screening mammography. In Proceedings of the 5th international workshop on digital mammography, pages 212–218. Citeseer.

Kinoshita, S., Pereira, R., Honda, M., Rodrigues, J., and Azevedo-Marques, P. (2004). An automatic method for detection of the nipple and pectoral muscle in digitized mammograms. In Congresso Latino-Americano de Engenharia Biomédica (CLAEB’2004).

Nanni, L., Lumini, A., and Brahnam, S. (2010). Local binary patterns variants as texture descriptors for medical image analysis. Artificial intelligence in medicine, 49(2):117– 125.

Ojala, T., Pietikainen, M., and Maenpaa, T. (2002). Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 24(7):971–987.

Sun, C. and Wee, W. G. (1983). Neighboring gray level dependence matrix for texture classification. Computer Vision, Graphics, and Image Processing, 23(3):341–352.

Xinli, W., Albregtsen, F., and Foyn, B. (1995). Texture analysis using gray level gap length matrix. In Theory and Applications of Image Analysis II: Selected Papers from the 9th Scandinavian Conference on Image Analysis, volume 232, page 65. World Scientific.