Riardo Jose Ferrari
Tese apresentada a Esola de
Engenharia de S~ao Carlos da
Universidade de S~ao Paulo,
o-mo parte dos requisitos para
ob-ten~ao do ttulo de Doutor em
Engenharia Eletria
orientadora: Profa. Dra. Annie Frane Frere
AosMEUSPAIS,pelosesforos,ompreens~aoeapoio
dados emtodas asetapas daminha vida.
ALUCIANA,minhaesposa,portermeajudado
tan-to durante todo o meu mestrado e doutorado, pelo
seu amor, amizade e prinipalmente por estar
A Profa. Dra. Annie Frane Frere, orientadora desse trabalho de tese. Muito
obrigadopelaonana depositadaem mim.
Ao Prof. Dr. Rangaraj M. Rangayyan, por ter me reepionado muitssimo
bem emCalgary,e pelas oportunidades que me deu emseu laboratorio.
Ao Dr. J.E. Leo Desautels, radiologista do Alberta Caner Board, Canada,
e a Profa. Dra. Rejane A. Borges, radiologista da Mogimagem e professora da
Universidade de Mogi das Cruzes, pela fundamental partiipa~ao na elabora~ao
doprotoolo de avalia~ao eanalise dos resultados.
Aos Prof. Dr. Nelson D.A. Masarenhas e Prof. Dr. Andre C.P.L.F. de
Carvalho, porestarem sempredispostos a ajudar.
A Hilary Alto, Naga Mudigonda e Caroline, por toda a ajuda e aten~ao
du-ranteminha estada em Calgary - Canada.
Aos olegas do laboratorioAladim e dolaboratoriode Mogidas Cruzes, por
toda aajudadurantemeu doutorado.
Aos olegas dogrupode SVM,pelas disuss~oes e seminarios apresentados.
Ao amigo Pap~ao (Arlindo), pelas disuss~oes e questionamentos sempre
per-tinentes sobre proessamento de sinais e imagens, e aos amigos Elvis (Heber) e
Paato (Everaldo),por todaajuda etambempelos afes.
Aos amigosLize Gerry,pelaajudaqueest~aome dando,apesar dadist^ania.
Ao M^onao, peloarquivode estilo L A
T
E
X usado naelabora~aodessa tese.
Meus agradeimentosatodososfunionariosdoDepartamentodeEngenharia
Eletria,em espeial aMarisa ea Rosane.
A todos meus familiares,pelo apoiodurante todos esses anos.
A CAPES, por ter me onedido a bolsa de estudos para a realiza~ao do
Lista de Figuras viii
Lista de Tabelas xvi
Lista de Abreviaturas e Siglas xviii
Resumo xx
Abstrat xxii
1 Introdu~ao 1
1.1 A mamograaomo metodode diagnostiodo ^aner de mama . 2
1.2 Programade preven~ao do ^aner de mama . . . 3
1.3 Prinipaisindiadores do^aner de mama . . . 6
1.3.1 Agrupamentode miroalia~oes . . . 6
1.3.2 Nodulos oumassas . . . 7
1.3.3 Distor~oes dopar^enquima mamario. . . 8
1.4 Proesso de analise dos mamogramas. . . 9
1.5 Sistemasde diagnostioauxiliado poromputador emmamograa 11 1.6 Organiza~aodesta tese . . . 13
2 Objetivos e justiativas desta pesquisa 15 2.1 Objetivos . . . 15
2.2 Justiativas . . . 15
3 Estado da arte 17 3.1 Dete~ao de densidades assimetrias . . . 18
3.3 Conlus~oes darevis~aobibliograa . . . 29
4 Base de dados e programas 31 4.1 Basede dados . . . 31
4.2 Programas utilizados. . . 32
4.3 Valida~aodos programas desenvolvidos. . . 32
5 Segmenta~ao anat^omia de mamogramas 34 5.1 Identia~ao da borda damama . . . 34
5.1.1 Corre~ao de ontraste damargem damama . . . 35
5.1.2 Limiariza~aoda imagem . . . 38
5.1.3 Remo~ao de espurios atraves do operador morfologio de abertura . . . 39
5.1.4 Modelo disreto de ontorno ativo . . . 40
5.2 Identia~ao do musulo peitoral . . . 47
5.2.1 Metodo1: Dete~ao atravesda transformadade Hough . 48 5.2.2 Metodo2: Dete~ao atravesde Gaborwavelets . . . 52
5.3 Dete~ao dodiso bro-glandular . . . 59
5.3.1 Modelo de densidades damama . . . 60
5.3.2 Modelo basedo namistura nita de gaussianas . . . 61
5.3.3 Dete~ao dodiso bro-glandular . . . 63
6 Analise de assimetrias entre mamogramas 67 6.1 Analise de assimetrias om base em informa~oes direionais . . . 68
6.1.1 Regi~ao de interesse . . . 68
6.1.2 Proedimentode analise de omponentes direionais . . . 69
6.1.3 Ajuste dos par^ametros darepresenta~ao . . . 69
6.1.4 Representa~ao de informa~oes direionais atraves de dia-gramas de Rosa . . . 70
6.1.5 Extra~ao de atributos direionais . . . 71
6.2 Analise de assimetrias om base no modelo de densidades . . . . 73
6.2.1 Extra~ao de atributos de formae densidade . . . 74
6.3 Normaliza~aodos atributos . . . 76
6.4 Sele~aode atributos . . . 76
7 Protoolo usado na avalia~ao dos resultados 80
7.1 Avalia~aodos resultados da segmenta~ao dos mamogramas . . . 80
7.2 Avalia~aodos resultados de analise de assimetrias. . . 82
8 Resultados obtidos e disuss~oes 83 8.1 Segmenta~ao de mamogramas . . . 84
8.1.1 1 a Etapa . . . 84
8.1.2 2 a Etapa . . . 85
8.1.3 Conlus~oes pariais . . . 94
8.2 Dete~ao de assimetrias entre mamogramas . . . 95
8.2.1 1 a Etapa . . . 95
8.2.2 2 a Etapa . . . 104
8.2.3 Conlus~oes pariais . . . 118
9 Conlus~oes Finais 120 9.1 Conlus~oes . . . 120
9.2 Sumariode ontribui~oes . . . 122
9.3 Publia~oes relaionadasa essa tese . . . 122
9.4 Propostas paratrabalhos futuros . . . 123
A Gabor wavelets 125 A.1 Estudosneurosiologios eoproessode deomposi~aodas imagens125 A.2 Breve introdu~aoa teoriade Wavelets . . . 126
A.3 Fun~aode Gaboromo wavelet-m~ae . . . 128
A.4 Representa~ao Gabor wavelets usada neste trabalho . . . 129
A.5 Redu~ao de redund^anias atraves da aplia~ao da transformada de Karhunen-Loeve . . . 134
A.6 Elimina~aode espurios atravesda tenia de limiariza~aode Otsu 137 A.7 Soma vetorial das imagens ltradas. . . 138
B Os algoritmos EM e DAEM 140 B.1 Estimativapormaxima-verossimilhanaapartir de dados inom-pletos . . . 140
B.2 AlgoritmoEM . . . 141
B.4 Estimativa da densidade da mistura de gaussianas atraves dos
algoritmosEM eDAEM . . . 147
FIGURA1.1 Desenhoesquematioindiandoomos~aoobtidasas
pro-je~oes mamograasCC, ML eMLO. . . 4
FIGURA1.2 Regi~oesontendoagrupamentosdemiroalia~oes
ex-trados de diferentes mamogramas. (a) Agrupamento assoiado a
umtumorbenigno. (b)Agrupamentoassoiadoaumtumormaligno. 7
FIGURA 1.3 Regi~oes de interesse ontendo exemplos de massas. (a)
aso benigno - forma arredondada e margens bem denidas. (b)
aso maligno- formae margensirregulares (tumor inltrante). . 9
FIGURA 1.4 Exemplos de distor~oes na arquitetura da mama
ausa-das pela presena de massas malignasproximas a peleda mama. 10
FIGURA 5.1 Diagrama de bloos ilustrando os estagios usados pelo
metodode identia~aoda borda damama. . . 36
FIGURA5.2 Resultadosdeadaumdosestagiosdometodode
identi-a~aoda borda damama. (a)Imagem original(mdb042da base
de dados Mini-MIAS [SUCKLING et al. (1994)℄). (b) Imagem
originalaposopera~aologartmia. ()-(d)Imagembinariaantese
depoisdaaplia~aodooperadormorfologio\abertura". (e)
Con-torno iniial usado pelo modelo de ontorno ativo proposto. (f)
FIGURA5.3 Aplia~aodadire~aodogradienteparaevitar queo
on-torno seja atrado para objetos proximos a borda verdadeira. (a)
e() s~aoasimagensoriginaismdb006e mdb042,respetivamente,
dabase dedadosMini-MIAS[SUCKLINGetal. (1994)℄. (b) e(d)
mostram os detalhes da borda da mama detetada orretamente
mesmoestando proximaamaras de identia~oes das proje~oes. 43
FIGURA 5.4 Exemplo da aplia~ao da restri~ao de urvatura usada
pelo modelo de ontorno ativo para a orre~ao de efeitos de
qui-nas. (a) Imagem originalfoalizando a regi~ao analisada. (b) e()
mostram os detalhes do ontorno da mama om e sem o uso da
restri~ao,respetivamente. . . 46
FIGURA5.5 Pontosde ontrole determinadosautomatiamentee
uti-lizadospara delimitaraROI usadanadete~aodomusulo
peito-ral. Coinidentemente, neste aso N5=N6. . . 49
FIGURA 5.6 Coordenadas usadas para o alulo da transformada de
Hough. . . 50
FIGURA5.7 Diagramadebloosdoproedimentode identia~aodo
musulopeitoral atraves datransformada de Hough. . . 51
FIGURA 5.8 (a)-(b)Imagemoriginalmdb028earespetivaROI
usa-dana determina~aodomusulo peitoral. . . 52
FIGURA5.9 BanodeltrosdeGaborprojetadonodomniodafrequ^enia.
Cada elipse representa uma faixa de resposta de um
determina-do ltro, om valores de magnitude ao quadrado no intervalo de
0:5 a 1:0. Aamostragemdoespetro defrequ^eniaspode ser
ajus-tada atraves da modia~ao dos par^ametros U
l , U
h
, S, e K da
representa~ao. Apenas os ltros em destaque foram usados para
FIGURA 5.10 (a) Pequena regi~ao indiada na Figura 5.8(a) ontendo
uma parte da linha do musulo peitoral. As imagens (b) e ()
mostram o mapa de uxo de gradientes de bordas antes e depois
dapropaga~ao douxo. . . 56
FIGURA 5.11 Resultado de ada estagio do metodo proposto para a
dete~ao da borda do musulo peitoral. (a) Regi~ao de interesse
usada para pesquisar a borda do musulo. (b) Imagem de
magni-tude resultante apos aaplia~ao darepresenta~ao Gaborwavelets
seguidapor soma vetorial. ()-(d)Imagens resultantes antes e
de-poisdo estagiode pos-proessamento. (e) Bordanal indiadana
imagemoriginal. . . 57
FIGURA 5.12 Diagrama de bloos do proedimento proposto para a
dete~ao domusulo peitoral. . . 58
FIGURA 5.13 (a) Regi~ao efetiva da imagem mamograa da Figura
5.2(a) usada para exempliar o modelo de densidades proposto.
(b) Histograma da imagem e omponentes da mistura. ()
Histo-gramadaimagemefun~aodensidadedeprobabilidadedamistura.
(d)Imagem ontendo K-nveis, resultantedaaplia~aodometodo
DAEM. (e) Diso bro-glandularobtidoaposlimiariza~ao. . . 65
FIGURA 6.1 Imagem original e respetivo diagrama de rosa obtido
pelometododesrito noAp^endie A. . . 71
FIGURA 6.2 Exemplo de distribui~oes onde o omponente prinipal
n~aoe utilpara alassia~oes dos dados. . . 77
FIGURA7.1 Imagemmdb042dabasededadosMini-MIASindiando
os ontornos da borda da mama e do musulo peitoral marados
FIGURA 8.1 Resultados obtidos para a imagem mdb003, a qual, de
aordoom a base de dados Mini-MIASearaterizada
essenial-menteporteidosglandulares. (a)Imagemoriginal. (b)Contornos
manuais (imagemequalizada). () Bordas da mamae domusulo
peitoral. (d) Disobro-glandular. . . 86
FIGURA 8.2 Resultados obtidos para a imagem mdb008, a qual, de
aordoom a base de dados Mini-MIASearaterizada
essenial-mente por teidos adiposos. (a) Imagem original. (b) Contornos
manuais (imagemequalizada). () Bordas da mamae domusulo
peitoral. (d) Disobro-glandular. . . 87
FIGURA 8.3 Resultados obtidos para a imagem mdb150, a qual, de
aordoom a base de dados Mini-MIASearaterizada
essenial-mente por teidos adiposos. (a) Imagem original. (b) Contornos
manuais. () Bordas da mama e do musulo peitoral. (d) Diso
bro-glandular. . . 88
FIGURA8.4 Imagens mdb037(superior)emdb068(inferior)
apresen-tando problemas na segmenta~ao da borda da mama. (a) e ()
s~ao as imagens ontendo os ontornos demarados manualmente
om a supervis~ao do radiologista. (b) O ontorno n~ao detetou
orretamente a borda da mama devido a presena de um espurio
naimagem(linha horizontalnapartesuperior daimagem). (d) O
ontornoiniialn~aoonvergiuorretamenteparaabordadamama
devido aatra~ao exeridapelaregi~aoglandulardensapresentena
mama. . . 90
FIGURA 8.5 (a) Imagem mdb112 ontendo as demara~oes manuais
dos ontornos. (b) Resultado do metodo de segmenta~ao. Neste
aso, o musulo peitoral foi subestimado, gerando uma alta taxa
FIGURA 8.6 Imagem mdb110 mostrando o resultado da dete~ao do
musulopeitoralnapresenadomusulopeitoralmenor. (a)
Bor-das andidatas apos o estagio de pos-proessamento. (b) Borda
nal detetada. . . 92
FIGURA 8.7 Resultados da lassia~ao dos resultados da
segmen-ta~ao do diso bro-glandular pelo radiologista. Cada ategoria
apresentadanograoedesritaemdetalhesnoCaptulo7-Se~ao
7.1. . . 93
FIGURA 8.8 Imagens mdb043 e mdb044 de um aso normal. (a) e
(b) imagens originais (10241024 pixels). () e (d) Disos
bro-glandularessegmentadoseampliados(512512 pixels). Osdisos
bro-glandulares foram equalizados apenas para efeito de
visuali-za~ao. . . 96
FIGURA 8.9 Imagens mdb119 e mdb120 de um aso de distor~ao de
arquitetura. (a) e (b) imagens originais (10241024 pixels). ()
e (d) Disos bro-glandulares segmentados e ampliados (512
512 pixels). Os disos bro-glandulares foram equalizados apenas
para efeitode visualiza~ao. . . 97
FIGURA 8.10 As imagens(a), (b), () e(d) indiam, respetivamente,
os1 o
; 2 o
; 3 o
e4 o
omponentes resultantesdaaplia~aoda
trans-formada KL apliada as respostas dos ltros om orienta~ao de
135 Æ
para a imagem mostrada na Figura 8.9(d). Os autovalores
dos quatro omponentes indiados aima s~ao:
1
= 10:804568,
2
= 0:886360,
3
= 0:093959, e
4
= 0:013048. O ontraste das
FIGURA8.11 ResultadosobtidosparaoasonormaldaFigura8.8. (a)
e (b) imagens de magnitude. () e (d) imagens de fase. (e) e (f)
diagramas de rosa dos resultados em () e (d), respetivamente.
As imagens de magnitude e fase foram equalizadas para melhor
visualiza~ao. Osdiagramasderosaforamrotaionadosdemaneira
aoinidirem om a orienta~aodos mamogramas. . . 100
FIGURA 8.12 Resultados obtidos par um aso de distor~ao de
arqui-tetura da Figura 8.9. (a) e (b) imagens de magnitude. () e (d)
imagens de fase. (e) e (f) diagramas de rosa dos resultados em
() e(d), respetivamente. Asimagens de magnitudee faseforam
equalizadas para melhor visualiza~ao. Os diagramas de rosa
fo-ram rotaionados de maneira a oinidirem om a orienta~ao dos
mamogramas. . . 101
FIGURA 8.13 Distribui~oes das ombina~oes entre os atributos (M
1 ,
M
2
, e H) extrados dos diagramas de rosa para o proessamento
de 40 asos. . . 102
FIGURA8.14 (a)-(b)Imagensmdb003emdb004lassiadasomoum
asonormal. ()-(d)Imagensmdb081emdb082lassiadasomo
ontendouma densidade assimetria. . . 108
FIGURA 8.15 Resultados dasegmenta~ao dos disos bro-glandulares
das imagens mdb003 e mdb004 (aso normal) indiadas na
Figu-ra 8.14(a)-(b). (a)-(b) Imagens K-nveis resultantes do metodo
de segmenta~ao do diso bro-glandular. ()-(d) Disos
bro-glandulares segmentados. . . 109
FIGURA 8.16 Resultados dasegmenta~ao dos disos bro-glandulares
dasimagensmdb081emdb082(aso assimetrio)indiadasna
Fi-gura 8.14()-(d). (a)-(b) Imagens K-nveis resultantes do metodo
de segmenta~ao do diso bro-glandular. ()-(d) Disos
FIGURA8.17 (a)Distribui~aodosdadosparaostr^esprimeiros
ompo-nentes prinipais. (b) Distribui~aodos dados para os tr^es
melho-resomponentes prinipaisseleionadospelolassiadorlinearde
Bayes. . . 115
FIGURA8.18 (a) Distribui~aodosdadosparaostr^esprimeiros
ompo-nentes prinipais. (b) Distribui~aodos dados para os tr^es
melho-resomponentes prinipaisseleionadospelolassiadorlinearde
Bayes. . . 117
FIGURA A.1 Exemplos de Gaborwavelets projetadas no domnio
es-paial om quatro orienta~oes ( = 0 Æ
, 45 Æ
, 90 Æ
, e 135 Æ
) e quatro
esalas (
x
=11; 5; 2; 1 e
y
= 32; 16; 8; 4 pixels) diferentes. O
tamanho de ada matriz imageme de 121121 pixels. . . 130
FIGURA A.2 Exemplosde ltros de Gabor projetados no domnioda
frequ^enia. Cada elipse representa uma faixa de resposta de um
ltroespeoom magnitudeaoquadradovariandode 0:5a 1:0.
Osgraos(a),(b)e()ilustramtr^esmaneirasdiferentesde
amos-traroespetro de frequ^eniasatravesdaaltera~aodos par^ametros
U
l , U
h
,S eK darepresenta~aode Gabor. Osgraos (a)e(b)
re-presentam, respetivamente, osbanosde ltros usadosnaanalise
demamogramasedaimagemdetesteusadaparailustrarometodo
proposto. . . 133
FIGURA A.3 Imagem de uma textura natural da base de dados
WE-BER (1977). . . 134
FIGURA A.4 Exemplo de um vetor x formado a partir de pixels
FIGURA A.5 Asimagens(a)-(d)indiam,respetivamente, os
primei-ro, segundo, tereiro e quarto omponentes, resultantes da
apli-a~ao da transformada KL apliada as respostas dos ltros om
orienta~ao de 90 Æ
para a imagem mostrada na Figura A.3. Os
autovalores dos quatro omponentes indiados aima s~ao:
1 =
85:840935,
2
= 36:408596,
3
= 11:485662 e
4
= 1:204247. O
ontraste das imagens foram igualmente orrigidos para melhor
visualiza~ao. . . 136
FIGURAA.6 Exemplodasomavetorialempregadanestetrabalhopara
omporas imagensde magnitudeefase. Porsimpliidade, apenas
quatro omponentes direionais s~ao ilustradosnagura.. . . 138
FIGURA A.7 Imagens de magnitude e fase da imagem de teste da
TABELA5.1 Listae desri~aodos par^ametrosusadospelomodelode
ontornoativo. . . 47
TABELA7.1 Desri~aodasop~oesusadaspeloradiologistanaavalia~ao
dos resultados da segmenta~ao dodiso bro-glandular.
82
TABELA8.1 Resultadosmediosparaalassia~aodosasosnormais
eassimetriosatraves dolassiador Bayesiano linear, usandoos
atributos M
1 , M
2
, eH emtodas aspossveisombina~oes. . . 104
TABELA8.2 Resultadosmediosparaalassia~aodosasosnormais
eassimetriosatraves dolassiador Bayesiano linear, usandoos
atributos M
1 , M
2
, eH emtodas aspossveisombina~oes. . . 105
TABELA 8.3 Melhores resultados para a lassia~ao dos asos
nor-mais e assimetrios atraves do lassiador Bayesiano linear,
ana-lisando todas as possveis ombina~oes dos atributos
R , s
2
, M
1 ,
M
2
, eH. . . 106
TABELA 8.4 Melhores resultados medios para a lassia~ao dos
a-sos normais eassimetriosatraves dolassiador Bayesiano
qua-dratio, analisando todas as possveis ombina~oes dos atributos
R , s
2
,M
1 , M
2
TABELA8.5 Valoresdos atributos de formae densidadeextradosdo
aso normal;par de imagensmdb003 emdb004. . . 107
TABELA8.6 Valoresdos atributos de formae densidadeextradosdo
aso assimetrio; par de imagens mdb081e mdb082. . . 110
TABELA 8.7 Melhores resultados medios da lassia~ao dos asos
normais e assimetrios atraves do lassiador Bayesiano linear,
analisandotodas as possveisombina~oes dos atributos de forma,
area e densidade. . . 112
TABELA 8.8 Melhores resultados medios da lassia~ao dos asos
normaiseassimetriosatravesdolassiadorBayesianoquadratio,
analisandotodas aspossveisombina~oes dos atributos de forma,
area e densidade. . . 112
TABELA8.9 Rela~aode autovalores easrespetivasontribui~oes na
forma~aoda matrizde transforma~aolinear da transformada KL. 113
TABELA8.10 Melhoresresultadosmediosparaalassia~aodosasos
normais e assimetrios atraves do lassiador Bayesiano linear,
analisando todos os 7omponentes prinipais. . . 114
TABELA 8.11 Melhores resultados medios para a lassia~ao dos
a-sos normais eassimetriosatraves dolassiador Bayesiano
qua-dratio, analisando todos os7 omponentes prinipais. . . 114
TABELA8.12 Rela~aode autovalores easrespetivasontribui~oes na
forma~aoda matrizde transforma~aolinear da transformada KL. 116
TABELA 8.13 Melhores resultados da lassia~ao dos asos normais
e assimetrios usando 8 omponentes prinipais e o lassiador
linear Bayesiano. . . 116
TABELA 8.14 Melhores resultados para a lassia~ao dos asos
nor-mais e assimetrios usando 8 omponentes prinipais e o
ACR AmerianCollege of Radiology
ACS AmerianCaner Soiety
BIRADS BreastImaging Reporting and Data System
CAD Computer-Aided Diagnosis
CC Cr^anio Caudal
CCD Coupled Charge Devie
DAEM DeterministiAnnealingExpetationMaximization
EM Expetation Maximization
FFT FastFourier Transform
FN False Negative
FP False Positive
FROC Free Response Operating Charateristis
IFFT Inverse FastFourier Transform
INCA Instituto Naionalde C^aner
KL Karhunen-Loeve
MDL Minimum DesriptionLength
MIAS The MammographiImage AnalysisSoiety
ML Medio Lateral
MLO Medio Lateral Oblqua
MLP Multi-Layer Pereptron
NCI Naional Caner Institute
PCA PrinipalComponents Analysis
RNA Rede Neural Artiial
ROI Region of Interest
SA SimulatedAnnealing
Neste trabalho foram propostas tenias para a segmenta~ao automatia de
mamogramas, e para a dete~ao de assimetrias entre mamogramas esquerdo e
direito. A segmenta~aoerealizada atraves de tr^es tenias omputaionais para
a identia~ao de tr^es importantes regi~oes anat^omias nos mamogramas: borda
damama,musulopeitoraledisobro-glandular. Oprimeirometodofoalizaa
identia~aodaborda da mamaatraves douso de um modelo de ontorno ativo
espeialmente projetado para esse proposito. Neste estagio, a borda da mamae
automatiamentedemarada, todososartefatosforadessaregi~aos~aoeliminados,
e aregi~aode interesse usadapara a dete~ao do musulo peitorale denida. No
proximoestagio, abordadomusulopeitoraledeterminadausandouma tenia
multiresolu~aobaseada narepresenta~aoGaborwavelets. Finalmente, um
mode-lo de densidades da mama,baseado no modelo da mistura nita de Gaussianas,
e proposto para a representa~ao de quatro ategorias de teidos mamarios om
diferentes densidades. Odisobro-glandulareidentiadoatravesdaaplia~ao
de um limiarsob as lasses de densidades determinadas nomodelo. Os metodos
propostos foram apliados a 84 imagens de mamogramas de proje~oes m
edio-lateraisoblquas da base de dados Mini-MIAS(\MammographiImage Analysis
Soiety",London,UK).Aavalia~aodosresultadosdosproedimentosde
segmen-ta~aoda borda da mama eborda domusulo peitoral foi realizada om base no
perentual de pixels falso-positivos (FPs) e falso-negativos (FNs) determinados
por ompara~ao entre os ontornos verdadeiros e os ontornos
automatiamen-te identiados. As taxas medias de FPs e FNs para as bordas da mama e do
A segmenta~ao dos disos bro-glandulares foi subjetivamente lassiada por
radiologistas eos resultados indiaramque emmais de 80%dos asosa
segmen-ta~ao foi onsideradaaeitavelpara ouso emsistemasde auxlioao diagnostio.
A dete~ao deassimetrias foi realizadausandoinforma~oesdireionais, obtidasa
partirdarepresenta~aomultiresolu~aoGaborwavelets,edeinforma~oesdeforma
e densidade, extradas dos disos bro-glandulares dos mamogramas esquerdo e
direito. Noproedimentodeanalisedireional,umarepresenta~aowavelet
forma-daporltros de Gabor bidimensionaisom varia~aoem frequ^enia eorienta~ao,
espeialmenteprojetadosparareduziraredund^anianarepresenta~ao,eapliada
para uma dada imagem. As respostas dos ltros para diferentes esalas e
orien-ta~oes s~ao analisadas atraves da transformada de Karhunen-Loeve (KL) e pelo
metododelimiariza~aodeOtsu. AtransformadaKLeapliadaparaseleionaros
omponentesprinipaisdasrespostasdosltros,preservandoapenasoselementos
direionais mais relevantes que apareem em todas as esalas. Os omponentes
prinipaisseleionadoselimiarizadospelateniade Otsu s~ao usadospara obter
asimagensdemagnitudeefasedosomponentesdireionaisdaimagem. Medidas
estatstias extradas dos diagramas de rosa alulados a partir das imagens de
fase s~ao usadas para a analise quantitativa e qualitativa dos padr~oes orientados.
Um total de 11atributos s~ao tambemextrados dos disos bro-glandulares
seg-mentadosdos mamogramasesquerdoe direito,ea diferenaalulada para ada
par de atributos eusada omo uma medidapara adete~ao de assimetrias. Um
total de 88 imagens (22 asos normais, 14 asos de densidades assimetrias e 8
asosde distor~aode arquitetura)dabase dedadosMini-MIASforamusadas
pa-raavaliaro metodoproposto. A ombina~ao exaustivados atributos juntamente
om a analise de omponentes prinipaisforam usadas para seleionar o melhor
subgrupo de atributos. A lassia~ao foi realizada atraves de lassiadores de
Bayes (linear e quadratio) e usando o metodo \leave-one-out". Uma taxa de
In thiswork,tehniques are proposedforthe automatisegmentation of
mam-mogramsand detetionof asymmetries between leftandright mammograms. The
segmentation is performed by using three omputational tehniques for the
iden-tiation of three important anatomial regions of mammograms: the skin { air
boundary, the petoral musle, and the bro-glandular dis. The rst method
fo-uses on the identiation of the skin { air boundary by using an ative ontour
model algorithm speially tailored for this purpose. In this stage, the skin { air
boundary isdemarated, allartifats outsidethebreast region areeliminated, and
the region of interest for detetion of the petoral musle is dened. In the next
stage, the edge of the petoral musle is determined by using a multiresolution
tehnique based upon a Gabor wavelets representation. Finally, a density breast
modelbasedupon a Gaussianmixture modelis proposed forthe representation of
four ategories of dierent density tissues in the breast. The bro-glandular dis
isidentiedbythresholding thedensityategories of themodel. Themethods
pro-posed were applied to 84 images of medio-lateral oblique mammograms from the
Mini-MIAS (Mammographi Image Analysis Soiety, London, U.K.) database.
The evaluation of the skin { airboundary and thepetoralmusle edge were
per-formed based upon the perentage of false-positive (FP) and false-negative (FN)
pixels determined by omparison between the true ontours and the ontours
au-tomatially identied. The FP and FN average rates for the skin { air boundary
andthe petoral musleedgewere, respetively,0:41% and0:58%, and1:78% and
5:77%. The segmentation of the bro-glandulardis wassubjetively rated bytwo
seg-mentation was onsidered aeptable for a Computer Aided Diagnosis purposes.
Detetion of asymmetries isperformed byusing diretionalinformation,obtained
from a multiresolution Gabor wavelets representation, and shape and density
in-formation,extratedfrom thebro-glandulardissofleftandrightmammograms.
Inthediretionalproedure,apartiularwaveletshemewith2{D Gabor ltersas
elementary funtions with varying tuning frequeny and orientation, speially
designedin order toredue theredundanyin thewavelet-basedrepresentation,is
applied tothe givenimage. Thelterresponses for dierentsalesand
orientati-on are analyzedby usingtheKarhunen-Loeve (KL)transform andOtsu's method
of thresholding. The KL transform is applied to selet the prinipal omponents
of the lter responses, preserving only the most relevant diretionalelements
ap-pearing at all sales. The seleted prinipal omponents, thresholded by using
Otsu's method, are used to obtain the magnitude and phase of the image
direti-onal omponents. Rose diagrams omputed from the phase images andstatistial
measures omputed thereof are used for quantitative and qualitative analysis of
theorientedpatterns. Atotal of11featuresarealsoextratedfrom thesegmented
bro-glandulardissof left-right mammograms,and thediereneof eahfeature
pairisusedasameasurefordeteting asymmetries. A totalof 88images from22
normal ases, 14 asymmetri ases, and8 arhitetural distortion asesfrom the
Mini-MIASdatabasewereusedtoevaluatethesheme. Anexaustiveombination
ofthefeatures alongwiththeprinipalomponentsanalysiswereusedtoseletthe
best feature set. The lassiation was performed by using two Bayes' lassiers
(linear and quadrati) and the leave-one-out methodology. Average lassiation
Introdu~ao
Deaordoomoorg~aoameriano\NaionalCanerInstitute"(NCI),o^aner
de mamaea ausalderde morte emmulheres omidade entre 35 e54anos em
muitos pases no mundo. Outro org~ao ameriano, o \Amerian Caner Soiety"
(ACS),armaqueuma emada 10mulherestem aprobabilidadede desenvolver
um ^aner de mama durante a sua vida. Em 1999, segundo o mesmo org~ao,
215.000novosasosde^anerdemamaforamdiagnostiadosnosEstadosUnidos,
e aproximadamente 43.000mulheresmorreram dessa doena.
No Brasil, de aordo om o Instituto Naional de C^aner (INCA), o ^aner
de mama e a prinipal ausa de mortes entre as mulheres na faixa etaria de 35
a 54 anos. Em 1998, foram registrados 8.044 mortes deorrentes deste tipo de
patologia. Dos 305.330 novos asos om previs~ao de serem diagnostiados em
2001, o ^aner de mama sera o prinipal a atingir a popula~ao feminina, sendo
responsavel por31.590 novos asos.
Infelizmenteateomomento,suasausasn~aoforamaindadeterminadas.
Des-saforma,adete~aopreoe e aremo~aodotumornafaseiniialontinuaaser,
ainda hoje, a estrategia mais eiente na redu~ao da taxa de mortalidade dos
paientes [SCHNEIDER (2000)℄. A falha na dete~ao preoe de sinais ou
indi-adoresdo^anerde mamapode resultarnaprogress~aodadoenadesdeestagios
em quehouve metastase para outras partes do orpo. Em estagios avanados, o
tratamento se torna mais aro e as hanes de sobrevida da paiente s~ao
dras-tiamente diminudas. Estatstias efetuadas a partir de mulheres amerianas
diagnostiadas om ^aner de mama mostram que as taxas de sobrevida em 5
anos est~ao geralmente em torno de 93% para os asos detetados em estagios
iniiais, aindopara 72% emestagios intermediarios eapenas 18% para estagios
nais dadoena[HOMER (1997)℄.
De aordo om SCHNEIDER (2000), a taxa de mortalidade de mulheres
a-nadenses om ^aner de mama t^em diminudo desde 1986. Tal diminui~ao esta
assoiada a dois fatores prinipais: ao bom programa de rastreamento apliado
naquele pas e na melhoriados tratamentos disponveis. Similares redu~oes t^em
sidorelatadas tambemnosEstadosUnidos,InglaterraeAustralia,[GAUDETTE
et al. (1997)℄. Varios estudos apresentados na literaturaindiamque programas
de rastreamentopodem alanar redu~oes de ate30% nataxade mortalidadede
mulheres, [KARSSEMEIJER et al. (1998) - Se~ao \Clinial Impat of Digital
Mammography℄.
1.1 A mamograa omo metodo de diagnostio
do ^aner de mama
Dentreosmetodosdediagnostiosatualmentedisponveis(Resson^aniaMagn
e-tia,TomograaComputadorizada,Ultra-sonograa,Mamograa,et.),a
mamo-graa ontinuasendo ometodomais eazpara adete~aopreoe do^anerde
mama. Isso porque ela ainda e o unio metodo om os requisitos neessarios a
loaliza~ao de les~oes pequenas [DANCE (1996)℄. O seu sistema tela-lme
apre-senta altas resolu~oes espaiais (gr~ao do lme 0:003mm) e de ontraste (0 a
4.0 OD - \optial density"), fundamentais no registro de miroalia~oes,
pe-quenos nodulos e varia~oes de densidades. Cabe ressaltar que nos ultimos anos
(2000)℄. Nesse tipode tenia,osistemade registro(tela-lme)esubstitudopor
detetores digitais (tal omo CCD - \harge oupled devie") que, segundo os
pesquisadores, s~ao apazes de suprimir grande parte dos rudos e de eliminar a
resposta n~ao-lineardolme.
No entanto, para que o uso de mamografos totalmente digitais possam ser
usados na pratia omo metodo diagnostio, muitos problemas preisam ainda
ser soluionados. Alguns desses problemas envolvem o armazenamento da
ima-gem digital,o tempode arregamentoe de \zoom"das imagens, aadequa~aode
aessorios voltadosamanipula~aoe visualiza~aodas imagens(mouse, trak-ball,
monitores de altaresolu~ao). Outro fator pol^emio envolvendo tais sistemase a
resolu~ao espaial forneida pelas atuais ^ameras CCDs ( 0:050mm) em
om-para~aoom lmesonvenionais (gr~aodolme 0:003mm)[YAFFE (2000)℄.
Emborasejaomprovadoque amamograaeateniaatual maiseazpara
a dete~ao preoe do ^aner de mama, 10 a 30%, inluindo asos om tumores
palpaveis, n~ao s~ao detetados na rotina mamograa. Dois teros desses
falso-negativos (FNs) s~ao evideniados atraves de uma revis~ao detalhada dos
mamo-gramasanteriores. Essesfalso-negativoss~aoatribudosavariosfatores,inluindo:
baixaqualidadedaimagem,omplexidadedotipode imagem,fadigado
radiolo-gista e desuido humano [DOI et al. (1999)℄.
1.2 Programa de preven~ao do ^aner de mama
Em um programa de preven~ao do ^aner de mama ourastreamento
mamo-grao (\Mammography Sreening"), uma das primeiras etapasea triagem dos
mamogramas, separando os que n~ao apresentam nenhum sinal de anormalidade
dos que possuem algum tipo de sinal suspeito. Este ultimo grupo e
posterior-menteanalisado por 2radiologistas e se neessario a paienteesubmetida aum
examede biopsiaparaaonrma~aodadoena. Umexamemamograonormal
onsiste de 4 mamogramas, sendo duas proje~oes para ada mama: a proje~ao
Figura 1.1: Desenho esquematio indiando omo s~ao obtidas as proje~oes
ma-mograas CC, ML e MLO.
A proje~ao MLO e uma proje~ao realizada a 45 o
e em alguns programas t^em
efeitoapenasde diagnostioen~aodepreven~ao. Entretanto,emalgumasrotinas
mamograas,a proje~ao MLOe preferida aoinves daML. A Figura1.1 ilustra
omo s~aoobtidas taisproje~oes mamograas.
Osuessodeumprogramaderastreamentode ^anerdemamaebastante
de-pendentedopadr~aodequalidadedoproesso. Umdosaspetosmaisimportantes
e a realiza~ao daleitura domamograma por radiologistas altamente
espeializa-dos [SCHMIDT et al. (1998)℄. A interpreta~ao dos mamogramas e uma tarefa
difil devido a grande variabilidade da apar^enia dos teidos normais e
ane-rosos, e tambem por ausa da sutileza dos sinais indiadores de malignidade.
Alem disso, na rotina diaria de um programa de rastreamento, os radiologistas
normalmenteanalisamum numeromuito grandede mamogramas, sendoemsua
maioria relativos a asos normais. O trabalho de interpreta~ao e ainda maior
devido aodesao emaumentara taxade dete~aopreoe desse tipode doena,
mantendo-se um numero mnimode biopsias.
Considerando asaltas taxasdeinid^eniado^aner demama eoprognostio
de mamatenhamrealizadoapenasum unioexamemamograo[CARDENOSA
(1997)℄. Entre as raz~oes para esse fato est~ao: o etiismo sobre a onabilidade
doexameeodesonfortofsiodoproessode obten~aodaimagemediagnostio.
Um dos prinipaisproblemas naimplanta~aode um sistemade rastreamento
do ^aner de mama e o alto usto naneiro. Grande parte deste usto esta
relaionadoahonorarios medios,uma vez que ainterpreta~aodos mamogramas
e difile porisso exigea presena de radiologistas experientes.
Dos mamogramas gerados, apenas 10% apresentam algum tipo de
anorma-lidade. Devido ao grande numero de asos analisados e da exist^enia de uma
enormevaria~aodas estruturasde teidosnas mamas,ainonsist^enianaleitura
entre diferentes radiologistas ou mesmo por um unio radiologista emdiferentes
epoas ontribui signiativamente para elevaros ustos desse sistema. O baixo
valor preditivo positivo 1
desses programas, gerando um altonumero de biopsias
desneessarias, eoutro fator agravante[KOPANS (1992)℄.
Programas de rastreamento tpios t^em registrado taxas de sensibilidade
en-tre 30 e 95% [KARSSEMEIJER et al. (1998),YAFFE (2000)℄,o que representa
uma varia~aomuito grande. A qualidade dosistemade obten~ao daimageme o
posiionamentodamamanomamografos~aofatoresquepodemafetaradete~ao
preoe do ^aner. Entretanto, de aordo om DOI et al. (1999),
aproximada-mente30%das les~oes visveisnomamograman~aoser~aoidentiadasporalguma
raz~ao. Outros30% apresentar~aosinais sutis de malignidade de difildete~ao.
A eaia nainterpreta~aodos mamogramaspode aumentarde 5a15% pela
analise de um segundo radiologista ou pela releiturados mesmos apos um erto
perododetempo[VYBORNY (1994),NISHIKAWAetal. (1996b)℄.
Experimen-tos t^em mostrado quea dupla leiturados mamogramaspode diminuira taxade
falso-negativos. Entretanto,omo menionado anteriormente, esse proedimento
aumenta signiativamente os ustos naneiros. Outro problema relatado por
1
Ovalorpreditivopositivoearaz~aoentre onumerodeverdadeiro-positivos(TP)(ou
an-eresorretamentediagnostiados)pela somadonumerodeverdadeiro-positivos(TP)e
algumas pesquisas e a altavariabilidade entre os diagnostios realizados por
ra-diologistaspara um mesmogrupo de asos. SCHMIDT etal. (1998) mostraram
que radiologistas experientes s~ao apazes de detetar aproximadamente 16% a
mais de asos de ^aner em ompara~ao aum novato ouresidente.
1.3 Prinipais indiadores do ^aner de mama
Durante a analise dos mamogramas, os radiologistas busam detetar sinais
sutis que possam indiar o desenvolvimento de uma les~ao. Dentre esses sinais,
os mais importantes s~ao: agrupamentos de miroalia~oes, nodulos ou
mas-sas om formatos irregulares e distor~oes na arquitetura da mama. De aordo
MCKENNA (1994), 80 a 85% dos asos de ^aner de mama apresentam uma
massa (ou nodulo) ou um agrupamento de miroalia~oes, ou a ombina~ao
de ambosnos mamogramas. Osprinipaisindiadores s~aodenidos aseguir.
1.3.1 Agrupamento de miroalia~oes
DeaordoomTUCKER(1993),umamiroalia~aoeumpequenodeposito
de alio que se aumula no teido da mamae aparee em forma de pontos
bri-lhantes nos mamogramas. Um agrupamento e tipiamente denido omo um
onjuntode 3oumaismiroalia~oesontidasemumaregi~aode 1m 2
.
Apro-ximadamente50% das massas malignasest~aoassoiadas a agrupamentos de
mi-roalia~oes, sendo estas, em alguns asos, os unios sinais de malignidade.
As miroalia~oesvariamde 0.1a5 mmemdi^ametro. Informa~oes de forma,
tamanho e densidade radiograas~aoos fatores mais importantes para a analise
individual de miroalia~oes. O numero e a maneira omo as
miroali-a~oes est~ao agrupadas tambem s~ao fatores importantes.
Nas Figuras1.2(a) e(b) s~ao apresentados dois agrupamentosde
(a) (b)
Figura 1.2: Regi~oes ontendo agrupamentos de miroalia~oes extrados de
diferentes mamogramas. (a) Agrupamento assoiado a um tumor benigno. (b)
Agrupamentoassoiado a um tumor maligno.
1.3.2 Nodulos ou massas
De aordo om a normaliza~aointernaional apliada a area de mamograa
(\Breast Imaging Reporting and Data System" - BIRADS), riada pelo
\Ame-rian College of Radiology" (ACR), uma massa e denida omo uma les~ao que
e vista oupando um espao determinado em duas proje~oes diferentes (vistas
CC e ML ou MLO). Quando uma regi~ao aparente e loalizada em apenas uma
proje~ao,elaerefereniadapor\densidademamograa"ousimplesmente
\den-sidade". Embora uma densidade possa ser uma massa, talvez obsureida por
teidosglandulares,elapodetambemrepresentarapenasasobreposi~aodevarios
teidos normais.
Apos a loaliza~aode uma massa, osradiologistas utilizam determinadas
a-raterstias extradas dos mamogramas a m de determinar se ela esta ou n~ao
assoiada a um tumor maligno. As araterstias mais importantes nesse aso
s~ao: forma, margem edensidade.
proessos benignos porque elas impliam na presena de uma boa margem
ir-unsrita, a quale onsiderada omoum sinal benigno (observarFigura 1.3(a)).
A analise da margem de uma massa e a arateriza~ao de sua forma ou da
transi~ao entre ela e os teidos normais de sua vizinhana. Sua import^ania
se da na india~ao da tend^enia invasiva do ^aner para os teidos adjaentes.
Para asos malignos,elageralmentepossui umaapar^eniaemformade espulas
(linhas radiando a partirde um entro), (observar Figura1.3(b)).
A densidade mamograa ou grau de atenua~ao aos raios X e denida omo
aatenua~aoesperadapara um dadovolume,igualaovolumede teidoglandular
normal de mama. Ela e importante porque muitos aneres que formam uma
massa apresentam atenua~ao maior que a dos teidos bro-glandulares vizinhos.
A regi~ao ontendo um tumor possui alta densidade por ausa de sua rmeza e
resist^enia. A analise de densidades pode ser muito util na dete~ao de uma
les~ao de mama, mas ela pode ausar onfus~oes quando uma grande quantidade
de teido adiposo esta presente no mamograma. Nesse aso, uma regi~ao normal
no mamograma pode ser onfundida om uma massa devido ao alto ontraste
destaemrela~aoaosteidosadipososqueairunsreve. Amedidadedensidade
deve ser usada om uidado eem ombina~ao om a analise de margem.
1.3.3 Distor~oes do par^enquima mamario
A distor~ao da arquitetura da mama (ou par^enquima mamario) e outro
si-nal analisado pelos radiologistas no mamograma. Esse tipo de sinal algumas
vezes n~ao possui uma massa assoiada. Emsua analise inlui-sea determina~ao
de regi~oes om espulas, altera~oes no uxo normal de teidos mamarios que
onvergem paraomamiloeretra~oes daslinhasde teidosonetivos. Tais
infor-ma~oes s~aoimportantes paraa determina~aode um possvel^aner inltrante, o
qual oorre frequentemente aolongo de planos de teidos normais,ausando um
endureimento ou ontra~ao anormal, omo indiado pelas Figuras 1.4(a) e (b).
(a) (b)
Figura1.3: Regi~oesdeinteresseontendoexemplosdemassas. (a)asobenigno
-formaarredondadaemargensbemdenidas. (b)aso maligno-formaemargens
irregulares (tumor inltrante).
Caso seja onstatada uma distor~ao suspeita no par^enquima mamario,
re-omenda-se a realiza~ao de proje~oes espeiais para o estabeleimento exato da
loaliza~aodosinalinvestigado. Se taldistor~aon~aoestiverassoiadaanenhuma
explia~ao plausvel, geralmente e reomendada uma analise de biopsia, mesmo
naaus^eniadeumamassaevidente. Umuidadoespeialdevesertomadoem
re-la~aoapossveisiatrizesqueamamapossaapresentar. Algumasaraterstias
benignasdedistor~aodaarquitetura,talomoumferimento,tendemasemanter
inalteradasoumesmodesapareeraposalgumtempo. Portanto,seexistirem
ma-mogramas anteriores, uma boareomenda~ao e a ompara~aodos mesmos para
determinar possveis mudanas.
1.4 Proesso de analise dos mamogramas
O proessode analise dos mamogramaspeloradiologistae exeutado atraves
(a) (b)
Figura 1.4: Exemplos de distor~oes na arquitetura da mama ausadas pela
pre-sena de massas malignasproximas a peleda mama.
patologios em ada um dos mamogramas de forma isolada. Por exemplo, a
proura por agrupamentosde miroalia~oes oudensidades suspeitas.
A segunda abordagem, - analise de assimetrias - usada na realiza~ao desta
pesquisa,onsistedaompara~aobilateralsistematiaderegi~oes orrespondentes
entre osmamogramasde uma mesmaproje~ao (CCe MLouMLO). Assimetrias
estruturais signiantes entre duas regi~oes podem indiar uma possvel presena
de um tumor.
O proesso de analise om base no grau de assimetriaentre osmamogramas,
emborasejade extremaimport^anianadete~aopreoede um^anerde mama,
possui algunselementosque tornamesseproedimentobastantedifil,dentre os
quaispode-se itar:
1. aassimetrianaturalentreasmamaseasassimetriasdeorrentesdoproesso
de aquisi~aodas imagens (posiionamento dapaiente).
2. a n~ao exist^enia de uma orrespond^enia perfeita entre os mamogramas
orrespon-3. o proesso de analise peloradiologista envolve altograu de subjetividade.
DeaordoomMILLER&ASTLEY (1993),osradiologistasrealizamaavalia~ao
deassimetriaatravesdebasesregionais,sendoodisoglandulararegi~aodemaior
interesse durante a analise diagnostia, devido a grande oorr^enia de nodulos
nessa area.
1.5 Sistemas de diagnostio auxiliado por
om-putador em mamograa
Sistemas de diagnostio auxiliadospor omputador(\Computer-Aided
Diag-nosis"-CAD)esistemasdepre-rastreamentoautomatioss~aoduasformas
poten-iaisde analise quepodemajudarasoluionar algunsdosproblemasenontrados
emprogramasde rastreamentode ^anerdemama,taisomo: grandevolumede
exames para analise, alto usto naneiro referente a honorarios medios, erros
de presri~ao devido a fadiga humana, diferentes nveis de onheimento entre
residentes eradiologistas experientes, et..
No enario de um sistema CAD, oresultado daanalise daimagem,realizada
pelo omputador,e usadopara sugerir possveisregi~oes suspeitas, asquais ter~ao
maior aten~ao por parte dos medios durantea interpreta~ao dos mamogramas.
Adiionalmente, opera~oes omputaionais omo reale de ontraste e dete~ao
debordaspodemserapliadasasimagensantesmesmodaanalisedoradiologista,
omo uma formade isolar determinadasregi~oes ou teidosmamarios espeos.
Outra araterstia importante de um sistema CAD e a uniformidade em
rela~ao aopadr~aode analise erepetibilidade doproesso. Nesse tipo de sistema,
oomputadorageessenialmenteomoumsegundoleitor,seminorreremustos
adiionais referentes a ontrata~ao de um segundo radiologista. Cabe ressaltar
que a leitura de um mesmo mamograma por dois radiologistas diferentes e uma
os-sensibilidade pode fazer om que os medios tenham mais tempo efetivo para a
realiza~aode outrastarefas, ou mesmopara a analise dos asos mais difeis.
Com o uso de sistemas CAD, espera-se um aumento na sensibilidade de
de-te~ao (maior numero asos de ^aner detetados) para uma determinada taxa
xa de sinais falso-positivos. Os asos sutis, detetados omo resultado do
au-mento da sensibilidade, ser~ao tratados preoemente, diminuindo os ustos
psi-ologios e naneiros, alem de aumentar as hanes de sobrevida da paiente,
omoemostrado emalgunstrabalhos de pesquisa nestaarea [KARSSEMEIJER
etal. (1998)-se~ao\ClinialImpatofDigitalMammography",MOBERGetal.
(2001)℄.
Noentanto,oprinipalobjetivodaspesquisasatualmenteeodesenvolvimento
de tenias para a redu~ao da taxa de falso-positivos, onsiderando a
sensibili-dade em patamares aeitaveis. Isso t^em sido uma preoupa~ao un^anime nesta
area visto obaixo valorpreditivopositivodos sistemas(alto numero de biopsias
desneessarias). De aordoom NISHIKAWAet al. (2000),80% das les~oes
iden-tiadasporum radiologistaemmamogramasnormais(asosfalso-positivos)s~ao
tambemidentiadaspelo omputadoromo uma les~aoempotenial.
Numa situa~aode pre-rastreamento,a analise daimagem peloomputadore
usadaparasepararomextremograudeonanaalgumasfra~oesdos
mamogra-mas normais. Apenas os mamogramas restantes, aqueles om maxima suspeita,
ser~aoexaminados pelos radiologistas. Visto que aproximadamente90% dos
ma-mogramas analisadosnum programatpio de rastreamentos~aonormais,a
sepa-ra~aode qualquerfra~aosubstanialdessegrupoatravesdeteniasautomatias
reduziriaexpressivamenteosustosnaneirosrelaionadosahonorariosmedios,
viabilizandoaimplementa~aodeumprogramanaionalderastreamentode^aner
de mama.
Consist^eniaerepetibilidades~aodoisaspetosimportantesdaanalisede
ima-gens pelo omputador, dos quais os sistemas CAD para mamograa devem se
ine-renteaoproessode interpreta~aomamograaquefazomqueoradiologistaas
vezesfalhenaperep~aodesinais malignossigniantes. Esse fatoeomprovado
porestudosquemostramqueaanaliseretrospetivados mamogramaspode
iden-tiar asos suspeitos que n~ao tinham sido reomendados para a biopsia [BIRD
et al. (1992),HARLEY etal. (1993)℄.
Tambem, e sabido que existem nveis signiantes de variabilidade nas
opi-ni~oes dos proprios observadores em mamograa [SCHMIDT et al. (1998)℄. Ao
ontrario, um sistema de dete~ao n~ao estoastio, realizado por omputador,
sempre produzira a mesma sada para uma dada imagem, uma vez que a
pes-quisa por anomalias numa imagem sera sistematia e ompleta. De aordo om
SHTERN (1992) e DOI et al. (1999), a analise do ^aner de mama atraves do
proessamento de imagens e identiada omo uma tenologia inovadora e om
grande potenial de impato sobre o gereniamento do ^aner de mama. De
fato, existe um numero muito grande de grupos de pesquisa, tanto em
institu-tosuniversitarios quantoemag^enias partiulares,ao redor domundo que est~ao
ativamentepesquisando sobreesse assunto.
1.6 Organiza~ao desta tese
Essa tese e dividida em8 aptulos e 2 ap^endies, alem desta introdu~ao. A
seguir e apresentada uma breve desri~ao de ada um deles.
Captulo 2: Apresenta osobjetivos e justiativasde desta pesquisa.
Captulo 3: Apresenta uma revis~ao bibliograa sobre metodos
omputa-ionais para adete~aoe analise de assimetrias entre mamogramas.
Captulo 4: Basede dados eprogramas utilizadosneste trabalho.
Captulo 5: Metodos desenvolvidos paraa segmenta~aoanat^omiados
Captulo 6: Metodos desenvolvidos para a dete~ao automatia de
assime-trias entre os mamogramas.
Captulo 7: Protoolo de avalia~aoutilizado para avaliaros resultados
ob-tidos neste trabalho.
Captulo 8: Resultados obtidose disuss~oes.
Captulo 9: Conlus~oes nais, sumario de onlus~oes, publia~oes
relaio-nadas atese epropostas para trabalhos futuros.
Ap^endie 1: Apresenta a desri~ao da representa~ao Gaborwavelets
utili-zada para a analise de omponentes direionais emmamogramas.
Ap^endie2: Desri~aodas teniaEMeDAEM utilizadaspara o
Objetivos e justiativas desta
pesquisa
2.1 Objetivos
Os objetivos destapesquisa foram:
1. Segmentar os mamogramas em regi~oes anat^omias (\segmenta~ao anat^
o-mia") a m de delimitara regi~aoefetiva da mama epossibilitara analise
omparativaentre os disos glandulares.
2. Desenvolvermetodos omputaionaisautomatiosapazes delassiar
pa-res demamogramas(esquerdo edireitodeuma mesmapaiente)omo
nor-maisouassimetriosapartirde medidasmensuraveisextradasde imagens
digitalizadas dos mamogramas.
2.2 Justiativas
Em um sistema automatio de auxlio ao diagnostio do ^aner de mama, a
etapadesegmenta~aodosmamogramasedefundamentalimport^aniapara
para os estagios posteriores de proessamento. Nos programas de rastreamento
do ^aner de mama, esse proesso deve ser automatio, rapido e robusto, uma
vez que o volume de imagens a ser analisado e muito grande. A segmenta~ao
dos mamogramas e tambem neessaria, neste trabalho, para a determina~ao da
regi~aodo diso bro-glandularda mama, a qual serve omo base para a analise
de informa~oes direionais ede densidades assimetrias entre osmamogramas.
Araz~aoporonsideraraanalisedeassimetriasentremamogramasn~aoestano
fatodequeessapossaalanarresultadossuperiores(emtermosdesensibilidadee
espeiidade)aosmetodosonvenionais deanalise. Metodos onvenionais que
busam detetar sinais primarios espeos (omo miroalia~oes e nodulos)
ter~aoprovavelmente melhor desempenho. Entretanto, esta abordagempode
tra-zer novas pistas a respeito da presena do ^aner de mama em estagios iniiais,
antes mesmo daforma~aode um noduloouda presenade agrupamentosde
mi-roalia~oes. Esse tipo de analise visa prinipalmente detetar modia~oes
globais entre os mamogramas (distor~oes no par^enquima mamario, densidades
assimetrias, distor~oes do uxo dos teidos, et.), as quais n~ao s~ao analisadas
pelos demaismetodos.
Cabe ressaltarque n~ao existe uma rela~aodireta entre assimetrias entre
ma-mogramas e a presena do ^aner de mama, ou seja, um par de mamogramas
pode apresentar assimetrias e mesmo assim ser um aso benigno. Entretanto, a
presena de um tumor quase sempre implia em distor~oes diferenias entre os
mamogramas.
Apesar de sua relev^ania, a investiga~ao de novas tenias para a analise de
assimetrias entre mamogramas foi objeto de um numero reduzido de trabalhos,
sendo estes n~ao onlusivos. Portanto, a investiga~ao de novas abordagens de
Metodos omputaionais para a
analise de assimetrias entre
mamogramas
Como desrito no Captulo 1 - Se~ao 1.4, um proedimento omum entre os
radiologistas, e que tem sido explorado por pesquisadores na area de CAD para
mamograa,eousodaompara~aobilaterale/outemporalentreosmamogramas
deumamesmapaienteomoobjetivodeidentiarsinaisassimetriossuspeitos.
Paraser denido, oalulodeuma medidaloalde assimetriarequer um
ma-peamentoprevio (de maneiradireta ouindireta)entre os mamogramasesquerdo
edireito(analisebilateral)e/oudeproje~oesiguaisdeumamesmamamaobtidas
emperodos diferentes (analise temporal).
Infelizmente, namaioria dos asos esse mapeamentoe omprometido por
fa-tores inerentes ao proessode aquisi~aodaimagemoumesmo devido anatureza
fsia desse org~ao anat^omio. Na analise bilateral, por exemplo, o primeiro
pro-blemadeorre daassimetrianaturalexistente entre as mamasesquerdaedireita.
Tambem, as varia~oes no proesso de obten~ao da imagem podem gerar
distri-bui~oes diferentes na intensidade de inza dos mamogramas. Mas, o fator mais
pa-ra minimizar o efeito de espalhamento de raios X e reduzir a dose apliada a
paiente. Esse proedimentoaarreta distor~oes difereniaisnas imagens.
Entretanto, apesar das diuldades relatadas aima, alguns metodos
abor-dando esse tema t^em sido propostos na literatura. Alguns desses trabalhos t^em
demonstradoqueousoombinadoentreessetipode abordagemedeteniasque
avaliam de forma isolada ada uma das proje~oes mamograas pode aumentar
signiativamenteodesempenho de sistemasCAD voltados a dete~ao de les~oes
de mama, [YIN et al. (1993), KARSSEMEIJER & te Brake (1998), MOBERG
et al. (2001)℄.
Nesteaptuloser~aodesritososprinipaistrabalhosenontradosnaliteratura
paraadete~aoomputadorizadadesinais assimetriosentre paresde
mamogra-mas. Embora a dete~ao de densidades assimetrias ea analise de distor~oes da
arquitetura da mama sejam muitas vezes araterstias orrelaionadas, nesta
tese optou-se peladivis~aodos trabalhos nesses dois grupositados simplesmente
para failitara leiturae ompreens~ao.
3.1 Dete~ao de densidades assimetrias
Uma densidade assimetria n~ao e um sinal muito espeo, uma vez que a
maioria das densidades assimetrias s~ao resultantes de varia~oes normaisdo
pa-dr~aodepar^enquimadamama[WOLFE(1976),BYNGetal. (1994)℄. Entretanto,
quando uma densidade assimetria possui algumas das araterstias tpias de
uma massa maligna ouaparee numa regi~ao damama que deveria estar livrede
qualquer sinal,talomoentre odisoglandulareomusulopeitoral,elasetorna
altamentesuspeita [MILLER & ASTLEY (1993)℄.
Um dosprimeirosmetodosusando aabordagemde analise de assimetrias
pa-ra a loaliza~ao de regi~oes suspeitas na mama foi apresentado por SEMMLOW
do mnimo erro quadratio foi utilizada para o ajuste das imagens. Os autores
tambemutilizaramaraterstiasrelaionadasaregi~aosuspeitaparaestabeleer
a probabilidadedaquela regi~aoonter uma les~ao maligna.
Em 1991, Yin e seus olegasda Universidade de Chiago [YIN et al. (1991)℄
apresentaram um trabalhopara a dete~ao de nodulos mamariosbaseado na
de-termina~ao de densidades assimetrias entre mamogramas. Nos trabalhos
apre-sentados ate 1993 [YIN et al. (1991), YIN et al. (1993)℄ o alinhamento das
imagens era realizado de forma manual durante o proesso de digitaliza~ao dos
mamogramas. Em 1994, YIN et al. (1994) aresentaram tenias de analise de
atributos paraaraterizarasapar^eniasradiograasdas regi~oes suspeitas. Isso
envolveu a sele~ao automatia de regi~oes retangulares da imagem original
ajus-tadas om base no tamanho das regi~oes suspeitas na imagem proessada. Uma
tenia de resimento de regi~ao foi apliadaa ada regi~aomarada na imagem
originalpara extrair omexatid~aoasbordas dosinalsuspeito. A seguirossinais
suspeitosforamanalisadosapartirde medidasde area,irularidadeeontraste.
Tambem, a partir de 1994 [YIN et al. (1994b)℄ o alinhamento das imagens
passou a ser realizadode maneiraautomatia, usando os mamilose alguns
pon-tos sobre as bordas das mamas ontra-laterais omo pontos de refer^enia. O
o-registro entre as imagens foi alanado atraves de movimentos de rota~ao e
transla~ao, busando maximizar a orrespond^enia entre duas matrizes de
pon-tos de refer^enia (uma matriz para ada mamograma). A menor area omum
entre as imagensajustadas foi utilizadapara realizar oproessamento.
Aposoalinhamentodasmamas,um metodode subtra~aobilateraln~ao-linear
e apliado, seguido pela ompara~ao entre as multiplas imagens resultantes da
aplia~ao de um limiar de nvel de inza. A analise \run-length" e usada
pa-ra unir os dados das varias imagenssubtradas, aumulando as informa~oes das
diversassubtra~oesemapenasduasimagens(proje~oesMLeCC)ontendoas
lo-aliza~oesdas massassuspeitas. Comoformade araterizarasregi~oes suspeitas,
bor-da, todos apliadossobre asimagens\run-length". O pre-proessamentousando
ltro morfologio (opera~oes de abertura e fehamento) foi apliado para
elimi-nar pequenos sinais isolados na imagem. O teste de borda serviu para eliminar
artefatos resultantes nas bordas das imagens devido aperdade alinhamento.
ZOURASetal. (1996)apresentaramummetodoparaadete~aode^anerde
intervaloapartirdaanalisetemporaldemamogramas. Essetrabalhofoi
adiiona-doao sistemade subtra~ao bilateraldesritoanteriormente. O metodoproposto
foi baseado natenia desritaemYINet al. (1991),om a uniadiferenaque,
no novo metodo os autores inluram uma Rede Neural Artiial (RNA) om o
objetivo de aumentar a espeiidade do sistema. O novo metodo, ombinando
as tenias de subtra~ao bilateral e temporal, detetou 85% das massas
onti-das numa base de dados om 79 asos. Segundo os autores isso representou um
aumento de 8% na dete~ao em rela~ao ao desempenho isolado da tenia de
subtra~aobilateral.
SALLAM&BOWYER(1996),apresentaramummetodoparaadetermina~ao
de altera~oes nasimetria de uma mesma mama aolongo do tempo,o quale um
aperfeioamento do trabalho publiado pelos mesmos autores em [SALLAM &
BOWYER (1994)℄. O metodo proposto onsiste de dois estagios prinipais: o
primeiroestagioproduzumaimagemdiferenialatravesdoo-registroesubtra~ao
das imagens, e o segundo estagio, realiza a analise da imagem resultante da
subtra~ao.
Paraoo-registrodasimagens,osautoresutilizaramumatenia
bidimensio-nalde \warping"apliadasob pontos de ontrole determinadosnaregi~aointerna
a mama. A m de apturar informa~oes loais invariantes, os autores
utiliza-ram a transformada Wavelet para deompor a imagem em diferentes esalas de
representa~ao. A determina~ao dos pontos de ontrole foi realizada atraves da
assoia~ao de um vetor de atributos a ada pixel da imagem. Cada vetor foi
formado pelos oeientes da transformadaWavelet nas dire~oes horizontal,
foi alulada eos pixels apresentando valores maximos foram seleionados omo
pontos de ontrole.
Apos o o-registro e a subtra~ao entre as imagens, a imagem resultante foi
analisadaom base nadistribui~aogeradadadiferenaentre oshistogramas das
duas imagens. Um grupo de oitoasos (seis normais, e dois assimetrios) foram
usados para a avalia~ao do metodo. De aordo om os autores, o algoritmo foi
apaz de enontrar as anomalias nos dois asos om uma taxade falso-positivos
de 0.87 porimagem.
Em 1996 e 1997, Vujovi e seus olegas [VUJOVIC et al. (1996),
VUJO-VIC&BRZAKOVIC(1997)℄apresentaramum metodoparaadete~aodesinais
araterstios de ^aner de mamaatraves daanalise temporalde mamogramas.
Para a orrespond^enia entre as imagens os autores usaram as interse~oes
entre estruturas alongadas(tais omo dutosevasos)omo pontosde refer^enia.
Segundo Vujovi, o uso desses pontos s~ao mais onaveis e menos variantes do
que outros tiposde maras propostas naliteratura.
A orrespond^enia entre dois pontos, em dois mamogramas onseutivos, e
estabeleidaom base emsuas loaliza~oes e similaridades de assinaturas. A
as-sinaturadeadaponto,aluladaparaapturarospadr~oesdasestruturas
alonga-das,eformadapelasseguintes araterstias: (a)^angulo derefer^eniaindiando
a dire~ao da estrutura alongada analisada e (b) molde da assinatura alulado
atraves daontagem de todos os pixelsdiferentes de zero em dire~oes espaadas
de 10 Æ
a partirdo ^angulode refer^enia da estrutura.
Aorrespond^eniaentretodos osparesde pontoserealizadapelatenia
des-ritaem[SKEAetal. (1993)℄,queusaumamatrizaumuladorageradadaanalise
entre todas as possveis ombina~oes dos pares de pontos. Aposa onstru~ao da
matriz,um limiareapliadopara eliminarpontosinonsistentes edeterminar os
melhores pontos para a orrespond^enia. As regi~oes suspeitas, orrespondentes
ontrole.
A aplia~ao dos rotulos benigno e maligno as regi~oes e realizada atraves da
ompara~ao de seus histogramas de nveis de inza, obtidos apos a aplia~ao da
transformada Wavelet eltragem B-Spline, eanalise de textura.
Os autores utilizaram 29 mamogramas para a determina~ao do desempenho
dometodo. Emmedia,70pontosde ontrole foramdeterminadospor
mamogra-ma, sendo utilizadosefetivamente5 pontos emmedia paraa orrespond^enia. O
grau de orrespond^enia entre os mamogramas foi medido atraves da valida~ao
realizada por radiologistas. O nvel de onord^ania alanado variou de 75 a
91%. De aordo om os autores o metodo proposto tambeme bastante robusto
emrela~aoa varia~aodos tiposde teidosda mama.
KARSSEMEIJER & te Brake (1998), apresentaram um trabalho para a
de-te~aode massasombinandoatributosextrados deproje~oesmamograas
iso-ladas e atributos de assimetriaextrados de paresde imagensmamograas.
O trabalho usando araterstias extradas de proje~oes isoladas foi
previa-mente apresentado pelos autores em [KARSSEMEIJER & te Brake (1996), te
Brake & KARSSEMEIJER (1996)℄, e usava analises estatstias de linhas e
pa-dr~oes de orienta~aodos gradiente daimagempara adete~aode massas
iruns-ritas e espiuladas.
No trabalho apresentado em 1998, os autores utilizaram um algoritmo para
determinarospontos de maximaurvaturageradossobreosontornosde regi~oes
densas domamograma edentrodaareade teido densonum segundo estagio. A
orrespond^enia entre os mamogramas foi estabeleida atraves da minimiza~ao
de umafun~aodeusto,usandoometodo\Thin-PlateSpline",desritoem
[BO-OKSTEIN (1989)℄.
A seguir, uma medidaloalsimplesde assimetriaealulada atravesda
sub-tra~ao bilateral entre os mamogramas. Para resolver o problema da perda dos
ompress~ao da mama, ou autores implementaram uma orre~ao na na regi~ao
periferia domamograma. Alemdisso,asimagensforamsegmentadasemfundo,
teidosmamariosemusulopeitoral,sendoesseultimodeterminadonasproje~oes
oblquas atraves da aplia~ao da transformada de Hough [KARSSEMEIJER &
te Brake (1998)℄.
De aordoomKarssemeijer, osalgoritmosparaadete~aode massaspodem
gerar failmente falsos alarmes ou enobrir tumores devido a presena do forte
valor de gradiente de intensidade na regi~ao da borda do peitoral. Apesar da
arma~aoestar orreta,issopode levarafalsaideiade queasubtra~aodaregi~ao
dopeitoralseria um fator positivo nesse tipode analise. Entretanto, tumoresde
mamas~aofrequentemente projetadosemareas logoabaixo dopeitoral,oque faz
dessa ideiauma abordagempouoatrativa.
Paraevitar aimplementa~aode teniasdiferentespara adete~aode massas
nas proximidades do musulopeitoral, os autores desenvolveram um metodo de
pre-proessamento para remover o alto ontraste da area do peitoral atraves da
subtra~aodovalorestimadodaontribui~aodopeitoralnopadr~aodeintensidade
daimagem. Aposa subtra~aodas imagens,aimagem resultanteesuavizada por
um grande nuleogaussiano.
O metodoproposto foi testadoem um grupo de 71asos de ^aner,
deteta-dos noprogramabi-anualde rastreamentomamograodaidadede Nijmegen
-Holanda,noperodode1993a1996. Osmamogramasontendoapenas
miroal-ia~oes foram exludos. Um total de 132 mamogramas om pelo menos uma
les~aomalignae132mamogramasontra-lateraisnormaisforamutilizados. Todas
as anormalidadesforampreviamenteonrmadas por um radiologistausando os
mamogramasontendoasles~oes. Nesse trabalho, odi^ametromediodas les~oes foi
de 15.4 mm, e72% das les~oes foram menores que 2m.
Uma RNA-MLP (\Multi-Layer Pereptron") foi usada para lassiar os
pi-xels de aordo om a probabilidade de suspeita. O treinamento darede foi
rea-lizado separadamente atraves de 39 mamogramas de les~oes malignas obtidos da
os autores, apesar dos mamogramas terem sido digitalizados om araterstias
diferentes, os atributos utilizados para a lassia~ao das les~oes foram denidos
de maneiraan~ao afetar osresultados.
Para a analise dos resultados utilizou-se urvasFROC (\Free Response
Ope-ratingCharateristis"),sendooaertonadete~aodenidoomoaonord^ania
entreoentrodamassadetetadapeloprogramaearegi~aomaradapelo
radiolo-gista. Osresultadosmostraramqueaadi~aodeatributosdeassimetriaaometodo
de dete~ao usandoapenas proje~oes isoladas melhoraodesempenho em massas
irunsritaseassimetrias,mas n~aoafetaodesempenho emmassasespiuladas.
No entanto, o desempenho diminuiu quando as distor~oes de arquitetura foram
analisadas.
KOK-WILES et al. (1998) apresentaram um trabalho para a dete~ao de
massas usando mapeamentos temporal e bilateral dos pares de mamogramas.
Essa abordagem foi usada para a representa~ao de estruturas densas agrupadas
nos mamogramas.
No aso de pares temporais, as regi~oes densasforam extradas
independente-mentenos dois mamogramasdamesmamama, nominalmenteamesma proje~ao
em duas datas diferentes. No aso da ompara~ao bilateral, os autores
inves-tigaram apenas regi~oes densas apareendo em uma das proje~oes, sem
orres-pond^eniano mamogramaontra-lateral.
Na abordagem desrita por KOK-WILES et al. (1998), as regi~oes de
bri-lho salientes de tamanhos variados foram determinadas e representadas por um
atributo espeo. O grupo de regi~oes determinado em ada imagem foi ent~ao
representado por uma estrutura em arvore. Segundo os autores, esse tipo de
representa~aoeinvarianteamudanaspequenaseloalizadasdaestrutura do
te-ido do par^enquima, o queeuma vantagemem rela~ao astenias de subtra~ao
de imagens.
invari^ania do metodo foram feitas rota~oes e transla~oes na massa. O metodo
mostrou-se invariante a transla~ao, mas para movimentos de rota~ao surgiram
algunssinaisfalso-positivos,emboraamassatenhaaindasidodetetada. O
algo-ritmo foi tambem testado sobre 26 pares bilaterais de mamogramas, 14da base
de dadosdoMIAS[SUCKLINGetal. (1994)℄e12obtidosdaPhilips. Deaordo
om os autores, o metodo foi apaz de detetar om suesso as densidades em
todos os 26mamogramas.
Em 2000, WOO et al. (2000) apresentaram um trabalho para a avalia~ao
de similaridadeentre as arquiteturas das mamas esquerda e direita. Entretanto,
apesar do ttulo do trabalho, apenas densidades assimetrias foram analisadas.
O metodo possui duas abordagens de analise distintas.
Na primeira,o proedimentoiniia-sepeladetermina~aodoontorno da
ma-maatravesde um metodosimples de limiariza~ao. A seguir osmamogramass~ao
alinhados atraves de uma tenia de \warping" (o-registro n~ao rgido) e
sub-trados. Para o o-registro entre as imagens, os autoresutilizaram pontos
igual-mente espaados sob os ontornos das mamas. Apos a subtra~ao das imagens,
o histograma da imagem resultante e omparado aos histogramas das imagens
originaisa m de determinar provaveis regi~oes assimetrias.
Na segunda abordagem, as regi~oes efetivas das mamas foram usadas para a
determina~aodedois gruposdeatributos detextura,ada grupoorrespondendo
a um mamograma. Os atributos de textura foramobtidos a partir das imagens
ltradasusando atransformada de Gabor wavelets proposta porMANJUNATH
& MA (1996). Neste aso, um par de mamogramas e onsiderado assimetrio
se a dist^ania Eulidiana entre os dois vetores de atributos for maior que um
determinado limiar.
Um total de 100 imagens (50 asos: 18 assimetrios e 32 normais) da base
de dados MIAS [SUCKLING et al. (1994)℄ foi utilizado para a avalia~ao dos
metodos. Para aprimeira abordagemutilizada,envolvendo a subtra~ao dos
espeiidade. Para a segunda abordagem, envolvendo analise de textura, os
autores n~ao onseguiramdifereniar osasos normais dos assimetrios.
3.2 Dete~ao de distor~oes na arquitetura da
mama
Uma distor~aona arquitetura normal damama e emgeral araterizada por
espulas radiando a partir de um ponto nomamograma,porretra~oes foais ou
distor~oesdouxonormaldeteidosbro-glandularesqueonvergememdire~ao
ao mamilo[MILLER &ASTLEY (1993)℄.
A diuldade na analise desse tipo de sinal e oasionada prinipalmentepela
falta de um padr~ao de normalidade bem denido e pelo proedimento de
om-press~ao da mama, que muitas vezes ausa distor~oes difereniasentre os
mamo-gramas. Por esse fato, os radiologistas utilizamde forma subjetiva uma
ombi-na~ao de informa~oes (radiologias, anat^omias e patologias) para a realiza~ao
dodiagnostio.
Nesta se~ao iremos desrever dois trabalhos enontrados na literatura que
alem daanalise de densidades assimetrias realizaram tambem uma analise
glo-baldos mamogramas,inluindodistor~oes da arquitetura namama.
LAU & BISCHOF (1991) apresentaram um trabalho para a dete~ao
au-tomatia de tumores de mama usando a analise de assimetrias entre as mamas
esquerda e direita. A dete~ao das assimetrias foi realizada atraves do
alinha-mentopreviodas imagense posterior extra~aode araterstias.
Deaordoomosautores,osmamogramasforamalinhadosparaompensaras
possveisdiferenas emtamanhoeformaentre asduasmamas. Talproedimento
foi realizadoem4 estagios: