SEGMENTAÇÃO DA MAMA: DETECÇÃO DO CONTORNO EXTERNO E EXTRAÇÃO DO MÚSCULO PEITORAL
|
|
- Eliza de Oliveira de Caminha
- 7 Há anos
- Visualizações:
Transcrição
1 CONVÊNIOS CNPq/UFU & FAPEMIG/UFU Universidade Federal de Uberlândia Pró-Reitoria de Pesquisa e Pós-Graduação DIRETORIA DE PESQUISA COMISSÃO INSTITUCIONAL DE INICIAÇÃO CIENTÍFICA 2008 UFU 30 anos SEGMENTAÇÃO DA MAMA: DETECÇÃO DO CONTORNO EXTERNO E EXTRAÇÃO DO MÚSCULO PEITORAL Vinicius Ruela Pereira Borges 1 Universidade Federal de Uberlândia, Campus Santa Mônica Av. João Naves de Ávila, 2121, Uberlândia, MG, Brasil viniciusrpb@comp.ufu.br Denise Guliato 2 guliato@ufu.br Resumo: Este artigo trata especificamente da segmentação da mama em mamogramas digitais. Aqui serão apresentados dois métodos, o primeiro para a detecção do contorno externo da mama, que é importante para delimitar a região da mama, facilitar o gerenciamento e armazenamento de dados e desconsiderar ruídos presentes na imagem mamográfica e o segundo que realiza a detecção e extração do músculo peitoral em vistas Médio Lateral Obliquas que pode interferir em outros métodos de análise de mamogramas baseado em níveis de cinza. Os métodos foram avaliados usando um conjunto de 55 casos obtidos da base de dados pública Digital Database for Screening Mammography (DDSM). Os resultados apresentados mostraram que os métodos propostos são bastante promissores na detecção de mama e extração do músculo peitoral. Palavras-chave: diagnóstico auxiliado por computador, segmentação da mama, contorno externo, músculo peitoral. 1. INTRODUÇÃO O câncer de mama é o segundo tipo de câncer mais freqüente no mundo e o primeiro entre as mulheres. De acordo com o Instituto Nacional de Câncer - Brasil, o número estimado de casos em 2008 será de com um risco estimado de 51 casos a cada 100 mil mulheres (INCA - Instituto Nacional de Câncer, 2008). Apesar de ser considerado um câncer de bom prognóstico se diagnosticado e tratado precocemente, as taxas de mortalidade por câncer de mama continuam elevadas no Brasil, devido, provavelmente, ao diagnóstico tardio. A mamografia é ainda o melhor exame para detecção precoce de sinais de câncer de mama e tem um papel importante nas decisões terapêuticas a serem adotadas. A mamografia pode revelar evidência de anormalidades como nódulos e calcificações, bem como sinais sutis como assimetria bilateral e distorção arquitetural. No entanto a interpretação de mamografias não é uma tarefa fácil. Entre 10% e 30% das mulheres com presença da doença têm diagnóstico falso negativo, ou seja, o radiologista interpretou o exame erroneamente como normal. Em aproximadamente 67% destes falsos negativos o radiologista falhou na detecção do câncer que era evidente em uma análise retrospectiva. Vários fatores podem contribuir para a falha no diagnóstico de câncer de mama em mamogramas: a baixa qualidade da imagem, o tamanho e a localização da lesão, a densidade do tecido mamário, a qualidade dos recursos técnicos e a habilidade de interpretação e/ou cansaço do radiologista. Rotineiramente, quatro vistas padrão são obtidas num exame de mamografias: duas vistas de cada mama (crânio-caudal CC e médio lateral obliqua MLO). O radiologista analisa as diferentes vista mamográficas para detectar calcificações, nódulos e outros achados radiológicos 1 Acadêmico do curso de Ciência da Computação 2 Orientador
2 que possam indicar presença de câncer de mama. Os radiologistas também utilizam a análise das duas vistas da mama para reduzir falsos positivos, tais como sobreposição de tecidos densos. Estudos clínicos têm mostrado que os diagnósticos baseados na análise de duas vistas mamográficas de uma mesma mama são mais precisos, quando comparado com o uso de apenas uma vista. Estudos também indicam que uma segunda leitura realizada por outro radiologista aumenta significativamente a sensibilidade (redução de falsos negativos) dos exames. No entanto, os custos associados a esta estratégia são impraticáveis na maior parte dos hospitais e clínicas de radiologia. Como alternativa para uma segunda opinião ou como uma estratégia de pré-leitura, sistemas de apoio ao diagnóstico de câncer de mama CAD têm sido propostos. Estudos recentes mostram que sistemas CAD podem melhorar a sensibilidade do radiologista sem um aumento significativo de taxa de recall. Os potenciais benefícios de sistemas CAD motivaram o desenvolvimento de diversos sistemas comerciais, tais como, ImageChecher (R2 Technology, Sunnyvale, CA) e SecondLolk (icad, Nashua, NH). O objetivo geral deste projeto é colaborar no desenvolvimento do sistema de apoio ao diagnóstico de câncer de mama que utiliza duas vistas de uma mesma mama (crânio caudal e médio lateral obliqua MLO) nas etapas de detecção e classificação de lesões de mama e microcalcificações. Especificamente, o presente trabalho apresenta um método para detecção do contorno externo da mama e um outro método para a extração do músculo peitoral. Estes métodos ainda não foram integrados e serão apresentados separadamente. O artigo está organizado da seguinte maneira: a Seção 2 descreve o método para detecção do contorno externo da mama em mamografias digitais, a Seção 3 apresenta o método para extração do músculo peitoral em vistas MLO, a Seção 4 mostra os resultados e finalmente a Seção 5 apresenta as considerações finais. 2. DETECÇÃO DO CONTORNO EXTERNO DA MAMA A detecção do contorno externo da mama é importante para delimitar a região do tecido fibroglandular da mama. A inclusão deste procedimento preliminar em sistemas de diagnósticos auxiliados por computador (CAD) pode evitar tempo desnecessário de processamento e ainda melhorar o gerenciamento e armazenamento de dados (Ferrari, Rangayyan, Desautels, Borges e Frère, 2004). Através da detecção da borda ou contorno da mama é também possível remover qualquer artefato presente na parte externa da mama, tal como a identificação do paciente ou filme (região altamente densa) e demais ruídos, que podem afetar o desempenho de técnicas automáticas de análise e reconhecimento de padrões. O processamento é composto das seguintes etapas: 1) subamostragem e espelhamento de mamografias da mama direita; 2) limiarização global; 3) filtragem da imagem resultante por um filtro morfológico, detecção do contorno da mama e finalmente a restauração e atualização do contorno. 2
3 (a) (b) (c) (d) (e) (f) Figura 1: as etapas realizadas para a detecção do contorno externo da mama: (a) imagem mamográfica original; (b) imagem mamográfica reduzida com remoção de ruídos nas bordas, utilizando uma máscara 10 10; (c) imagem mamográfica binária reduzida após limiarização global; (d) imagem mamográfica binária reduzida após a aplicação do operador morfológico opening (e) extração do contorno da mama reduzida; (f) imagem mamográfica de tamanho original com contorno final sem o fundo 2.1. Subamostragem e espelhamento da imagem O método proposto consiste inicialmente em realizar um pré-processamento na imagem original (Figura 1a). Primeiramente, a imagem é subamostrada em oito vezes para melhorar a performance do algoritmo. Note que as vistas da mama direita serão espelhadas com relação ao eixo vertical da imagem com o objetivo de padronizar o procedimento de análise. Após esta subamostragem, os pixels da borda da imagem têm seus valores alterados para zero, eliminando artefatos e ruídos que por ventura venham a interferir no resultado final do processamento. O tamanho da máscara que deixará os valores da borda iguais a zero é definido pelo usuário, pois cada imagem mamográfica possui um tipo de ruído diferente e o tamanho escolhido pode interferir no resultado final. Exceção é feita para a borda da imagem que faz contato com a mama, onde uma máscara 5 5 é utilizada, pois podem existir ruídos abaixo da mama, que necessitam ser apagados, porém deve-se conservar o máximo de informações possíveis referentes à mesma, por exemplo, uma máscara de tamanho 20 significaria uma grande perda de pixels da mama. Vale 3
4 ressaltar que a coordenada inicial do mamograma é alterada neste processo, com a ordenada X valendo 6 e a ordenada Y valendo o tamanho da máscara. Desta maneira, a coordenada inicial não estará em uma região que não será utilizada, e sim no novo início do mamograma. A Figura 1b mostra a imagem resultante deste processamento Limiarização global A Figura 1c mostra a imagem binarizada utilizando um threshold global. Um threshold global (Gonzalez e Woods, 2002) é uma maneira de particionar o histograma de uma imagem utilizando um único limiar T. A segmentação é efetuada, varrendo a imagem, pixel a pixel, e rotulando cada um como sendo da mama ou do fundo, dependendo se o nível de cinza for maior ou menor que T, respectivamente. A limiarização resulta numa imagem binária em que aqueles pixels com valor zero serão identificados como fundo da imagem e aqueles pixels com valor 1 serão identificados como tecido mamário. O sucesso da limiarização depende do valor T, que é calculado baseado nos valores de pixels pertencentes ao fundo do mamograma. Uma máscara é sobreposta no canto direito inferior da imagem, sem considerar a região da borda que teve seus pixels alterados para zero na etapa anterior, e é preenchida com os valores de níveis de cinza desta área da imagem. O limiar T será o valor da média da máscara Aplicação do filtro morfológico abertura e detecção do contorno da mama Após o processo de binarização da imagem, o filtro morfológico de abertura para imagens binárias (Ferrari, Rangayyan, Desautels e Frère, 2000) com elemento estruturante circular de raio igual a 25 pixels, é utilizado para eliminar ruídos existentes na imagem resultante do processo de binarização e também é útil para suavizar a borda da mama (Figura 1d). Após o processo de filtragem da imagem binária, o contorno da mama é extraído utilizando uma metodologia em que todos os pixels da imagem são analisados. Para cada pixel p são analisados os seus oito vizinhos. Se o pixel p e todos os seus vizinhos tiverem o mesmo valor de nível de cinza, o valor do pixel p terá seu valor igual a zero. Caso contrário, o pixel p é considerado como pertencente à borda e seu valor permanece inalterado. Caso existam artefatos de tamanho considerável na imagem binária filtrada, o método pode retornar mais que um contorno. O contorno de interesse é escolhido seguindo o critério de que o contorno da mama será o maior, já que ocupa uma grande parte do mamograma. Finalmente, o contorno é adaptado para as dimensões e condições originais da imagem, já que o processamento foi realizado em uma imagem subamostrada. Para obtermos somente a mama sem o fundo do mamograma original, fazemos uma operação AND entre a imagem original e a imagem binária contendo o contorno final, com os valores dos pixels internos ao mesmo iguais à 1, resultando na Figura 1f. 3. DETECÇÃO E EXTRAÇÃO DO MÚSCULO PEITORAL O músculo peitoral representa uma região densa predominante em muitas das projeções médio-laterais oblíquas (MLO) dos mamogramas, e pode afetar os resultados de métodos de processamento de imagens. Métodos baseados em intensidade de níveis de cinza, por exemplo, podem apresentar baixo desempenho quando aplicados para diferenciar estruturas densas, tais como disco glandular, massas suspeitas, visto que o músculo peitoral aparece com aproximadamente a mesma densidade que os tecidos densos de interesse na imagem. A presença da região do músculo peitoral pode resultar em resultados polarizados segundo Ferrari et al. (Ferrari, Rangayyan, Desautels, Borges e Frère, 2004). A extração do músculo peitoral envolve as seguintes etapas: a) pré-processamento da imagem; b) delimitação da região de interesse; c) aplicação de um limiar global com o objetivo de 4
5 remover o fundo da região de interesse; d) obtenção da estimativa do músculo peitoral; e) processo iterativo a fim de se obter a melhor segmentação do músculo peitoral Estabelecimento de critérios Neste artigo, o músculo peitoral é considerado como se fosse um triângulo retângulo, representado na Figura 2. Essa consideração será importante para o estabelecimento de critérios para validação do contorno do músculo peitoral. Este triângulo contém os pontos A, B e C, os catetos AB e AC delimitando as bordas da imagem e a hipotenusa BC sendo o limite do músculo peitoral com o tecido mamário. Comparando-se esse triângulo ao contorno, o ponto A é a coordenada inicial do contorno (que coincide com a coordenada inicial da imagem), o ponto B do contorno é aquele com maior ordenada Y e menor ordenada X e o ponto C é aquele com maior ordenada X e menor ordenada Y. Partindo-se do ponto B e chegando ao ponto C, vamos caminhar pelo contorno, pixel a pixel. O pixel a ser analisado deve aumentar ou manter o valor da ordenada X e reduzir ou manter o valor da ordenada Y em relação ao pixel analisado anteriormente. Todavia, algumas imperfeições são toleradas, como, por exemplo, aceitar algumas vezes leves aumentos de valores de ordenada Y Pré-Processamento da Imagem Figura 2: Músculo peitoral como se fosse um triângulo O método proposto consiste inicialmente em se fazer um pré-processamento na imagem original, visto na Figura 3a. O mamograma passa pelo mesmo pré-processamento do método de extração do contorno externo da mama, resultando na imagem representada pela Figura 3b Delimitação da Região de Interesse Este passo consiste em delimitar área contendo o músculo peitoral, que é a região de interesse (ROI) (Figura 3c) (Kwok, Chandrasekhar e Attikiouzel, 2001). Em projeções oblíquas, a região do músculo peitoral deve estar presente na parte superior da imagem. Utilizaremos quatro pontos para delimitar a região do músculo peitoral, N1, N2, N3 e N4, obtidos automaticamente. Tais pontos são determinados como: N1 - é o ponto superior mais à esquerda, ou, a coordenada inicial a partir da borda; N2 - é o ponto superior que delimita a borda da mama ao lado direito; N3 - é o ponto que está 70% da altura da mama na ordenada X e na mesma ordenada Y do ponto N1; N4 - é o ponto que está na mesma ordenada X do ponto N1 e a mesma ordenada Y do ponto N2. O retângulo formado por esses pontos será a região de interesse. 5
6 (a) (b) (c) Figura 3: as etapas realizadas para a detecção e remoção do músculo peitoral: (a) imagem mamográfica original; (b) imagem mamográfica espelhada e sem ruídos nas bordas; (c) delimitação da região de interesse 3.4. Primeira limiarização global A idéia desta primeira limiarização é eliminar o fundo da região de interesse para colaborar com as próximas etapas. Nesta etapa, duas máscaras de tamanho são utilizadas para pegarem pixels de duas regiões distintas. A primeira é colocada na parte superior esquerda da região de interesse, onde contém pixels referente ao músculo peitoral, e a segunda colocada na parte inferior direita da região de interesse, que contém pixels referentes ao tecido mamário. Ambas são preenchidas com pixels das áreas sobrepostas. µ p e µ m são as médias calculadas para a primeira máscara e a segunda máscara, respectivamente. Calcula-se µ p µ m, e caso o resultado seja positivo (a média de níveis de cinza do músculo peitoral for maior), retira-se o fundo da região de interesse (que é o tecido mamário) utilizando um limiar T igual a µ m. Caso contrário pode-se dizer que a imagem não está com boa qualidade ou que o músculo peitoral esteja com densidade menor que o tecido mamário. Para as imagens com o músculo peitoral com baixa densidade de níveis de cinza, será feito um escurecimento na parte inferior da região de interesse. Isso será feito reduzindo-se os níveis de cinza destes pixels em 60 unidades, pois esta área é mais densa que a parte superior da região de interesse. Desta maneira, a parte do músculo peitoral pertencente à área superior da região de interesse, estará com a maior densidade Obtenção da estimativa da borda do músculo peitoral A idéia desta etapa consiste em se obter a estimativa da borda do músculo peitoral, já que estes pixels têm valores menores comparados aos outros pixels do músculo. Assim, pode-se aferir que um valor próximo a esta estimativa é o limiar mais indicado para a obtenção do músculo peitoral inteiro. Inicialmente aplica-se um operador AND entre a região de interesse original (Figura 4a) e a região de interesse binária (Figura 4b), resultando em uma região de interesse sem grande parte do fundo (Figura 4c), sendo possível obter pixels pertencentes à borda do músculo peitoral. Para isso, basta caminhar pela linha 20 (que foi escolhida por observação de várias imagens por sempre pertencer ao músculo peitoral), da última região de interesse obtida, até encontrar um pixel com valor igual a zero, que se refere ao fundo da região de interesse. 6
7 (a) (b) (c) Figura 4: (a) Região de interesse original; (b) Região de interesse após a primeira limiarização global com limiar T = 177; (c) Região de interesse resultante da aplicação do operador AND entre (a) e (b) 3.6. Processo iterativo para delimitar o músculo peitoral Neste próximo passo, a região de interesse original passará por um processo iterativo com o propósito de se obter uma imagem binária, fazendo-se várias tentativas, até obter o músculo peitoral final (Figuras 5 e 6). O objetivo deste processo iterativo é obter automaticamente um parâmetro ideal diferente para cada iteração executada, sendo este responsável por configurar o valor do limiar para uma segunda limiarização global. Cada iteração executará sobre a região de interesse as seguintes etapas: uma segunda operação de limiarização global (Figuras 5a e 6a), processamento de operador morfológico abertura (Figuras 5b e 6b), extração de contorno (Figuras 5c e 6c) e verificação da validade do contorno segundo critérios estabelecidos no tópico 3.1. Caso esta última etapa retorne que o contorno é inválido, o parâmetro tem seu valor decrementado em 5 unidades e uma nova iteração (tentativa) é iniciada. Vale ressaltar que o parâmetro deve ser configurado de forma que a cada iteração processada, uma menor porção do músculo peitoral, em termos de quantidade de pixels, deve ser obtida. Neste artigo, o parâmetro teve sua contagem iniciada em 25 unidades, através da observação de resultados. A segunda limiarização global será útil para, a partir da estimativa da borda do músculo peitoral, obter o melhor limiar possível para resultar em uma imagem binária contendo apenas o músculo peitoral. Esta operação é iniciada subtraindo-se os valores da estimativa da borda do músculo peitoral e o parâmetro do processo iterativo, obtendo-se, portanto, um limiar T. A seguir, um operador morfológico abertura é aplicado à imagem binária resultante da segunda limiarização com o elemento estruturante de raio 20 para suavizar a região do músculo peitoral. Os contornos da imagem binária suavizada são extraídos e analisados para validade segundo os critérios estabelecidos no tópico 3.1. As Figuras 5 e 6 mostram respectivamente a quarta e a última iteração do processo de operação de binarização, que chegou ao resultado final em seis iterações Atualização do contorno O contorno é adaptado para as dimensões e condições originais da imagem, já que o processamento foi realizado em uma imagem subamostrada (Figura 7). 7
8 (a) (b) (c) Figura 5: Etapas da execução da quarta iteração: (a) segunda limiarização global aplicada à Figura 4c com limiar T = 172; (b) operador morfológico abertura; (c) extração do contorno, que posteriormente não foi validado conforme tópico 3.1 (a) (b) (c) Figura 6: Etapas da execução da última iteração: (a) segunda limiarização global aplicado à Figura 4c com limiar T = 182; (b) operador morfológico abertura; (c) extração do contorno, que posteriormente foi validado pelo processo iterativo (a) (b) (c) Figura 7: (a) Imagem original; (b) Contorno final do músculo peitoral sobreposto à imagem original; (c) Imagem original sem o músculo peitoral 8
9 4. RESULTADOS 4.1 Resultados do Método de Detecção do Contorno Externo da Mama Um total de 76 imagens da base de dados DDSM foram processadas. Para duas imagens o método falhou completamente, para quatro imagens, o método funcionou parcialmente, já que algumas áreas não pertencentes à mama foram consideradas como pertencentes ao contorno devido ao fundo da imagem ter níveis de cinza mais elevados e 70 imagens tiveram os contornos externos detectados corretamente. O tempo de processamento médio por imagem variou de 3 a 5 segundos, para imagens com resolução acima de 2500 pixels. 4.2 Resultados do Método de Detecção e Remoção do Músculo Peitoral Um total de 55 imagens MLO da base de dados DDSM foram processadas. Para uma imagem o método falhou completamente, para sete imagens, o método funcionou parcialmente, devido ao músculo peitoral não estar bem definido no mamograma, ou por causa de massas pertencentes ao tecido mamário estarem sobre a área do músculo peitoral e 49 imagens tiveram o músculo peitoral detectados satisfatoriamente. O tempo de processamento médio por imagem, com resolução acima de 2500 pixels, variou de 15 a 25 segundos. A quantidade de iterações influi diretamente no tempo e varia de imagem para imagem. 5. CONSIDERAÇÕES FINAIS Espera-se, como resultado, que este projeto contribua com o aumento da sensibilidade nos exames de radiologia de mama, com a redução de biopsias e conseqüentemente com a redução de riscos para a mulher e com a redução de custos com a saúde. Pode-se concluir que os dois métodos não são tecnicamente complexos, ou seja, não foram utilizados teoremas matemáticos, transformadas ou filtros. Foi importante perceber que as regiões de interesse (mama inteira e músculo peitoral) tratadas por cada método possuíam níveis de cinza diferentes e isolá-las fazendo várias limiarizações foi essencial para chegar a um resultado final. O pré-processamento é uma atividade importante para a obtenção de sucesso nos resultados finais, já que, os artefatos nas bordas, por serem regiões claras e densas podem vir a interferir nas operações de binarização e extração de contornos, presentes nos dois algoritmos. Relativo ao método de detecção e extração do músculo peitoral, vale ressaltar que na etapa de validação do contorno, os critérios estabelecidos aceitam contornos considerando o músculo peitoral como se fosse um triângulo. Portanto, para certos casos que fogem deste aspecto, o contorno pode pegar menores ou maiores porções do músculo peitoral. 6. AGRADECIMENTOS Agradecimentos ao CNPq (Conselho Nacional de Desenvolvimento Científico e Tecnológico) por financiar este projeto. 7. REFERÊNCIAS Ferrari R. J., Rangayyan R. M., Desautels J. E. L., Frère A. F., 2000, Segmentação de mamogramas: Identificação da borda da mama, músculo peitoral e disco glandular, Anais CBEB. Ferrari R. J., Rangayyan R. M., Desautels J. E. L., Borges R. A., Frère A. F., 2004, Automatic Identificaton of the Pectoral Muscle in Mammograms, IEEE Transactions on Medical Imaging Vol.23. 9
10 Ferrari R. J., Rangayyan R. M., Desautels J. E. L., Borges R. A., Frère A. F., 2004, Identification of the breast boundary im mammograms using active contour models, Medical & Biological Engineering & Computing Vol. 42. Gonzalez, R. C., Woods, R. E., 2000, Processamento de Imagens Digitais, Edgard Blucher. INCA - Instituto Nacional de Câncer, 2008, Incidências de câncer no Brasil, Ministério da Saúde. Kwok S. M., Chandrasekhar R., Attikiouzel Y., 2001, Automatic Pectoral Muscle Segmentation on Mammograms by Straight Line Estimation and Cliff Detection, Seventh Australian and New Zealand Intelligent Information Systems Conference. SEGMENTATION OF MAMMOGRAMS: DETECTION OF BREAST BOUNDARY AND EXTRACTION OF PECTORAL MUSCLE Vinicius Ruela Pereira Borges Universidade Federal de Uberlândia, Campus Santa Mônica Av. João Naves de Ávila, 2121, Uberlândia, MG, Brasil viniciusrpb@comp.ufu.br Denise Guliato guliato@ufu.br Abstract: This paper treats specifically with the segmentation of breast in digital mammograms. Here are presented two methods, the first to detect the breast boundary, it is important to delimit the region of the breast, facilitate the storage and management of data and ignore noise in the mammographic image and the second makes the detection and extraction of pectoral muscle in the Middle lateral oblique (MLO) views that can interfere in other methods of mammograms analysis based on grays levels. The methods were tested using a set of 55 cases obtained from the public database Digital Database for Screening Mammography (DDSM). The results presented showed that the proposed methods are very promising in detecting breast and extraction of the pectoral muscle. Keywords: computer aided diagnostic, segmentation of mammograms, breast boundary, pectoral muscle. 10
DETECÇÃO DE AGRUPAMENTOS DE MICROCALCIFICAÇÕES EM IMAGENS MAMOGRÁFICAS DIGITAIS UTILIZANDO ETAPAS DE SEGMENTAÇÃO DA MAMA E REALCE
1 DETECÇÃO DE AGRUPAMENTOS DE MICROCALCIFICAÇÕES EM IMAGENS MAMOGRÁFICAS DIGITAIS UTILIZANDO ETAPAS DE SEGMENTAÇÃO DA MAMA E REALCE VINICIUS RUELA PEREIRA BORGES 1, DENISE GULIATO 2 RESUMO Este artigo
Leia maisAUTOMATED ASSESSMENT OF BREAST TISSUE DENSITY IN DIGITAL MAMMOGRAMS
AUTOMATED ASSESSMENT OF BREAST TISSUE DENSITY IN DIGITAL MAMMOGRAMS Introdução Câncer de mama É uma das neoplasias mais comuns que afligem as mulheres Globalmente, a cada 3 min uma mulher é diagnosticada
Leia maisSegmentação do Músculo Peitoral em Imagens Mamográficas Através do Recorte Automático de ROI e da Binarização de Otsu
Segmentação do Músculo Peitoral em Imagens Mamográficas Através do Recorte Automático de ROI e da Binarização de Otsu José Rogério Bezerra Barbosa Filho Programa de Pós-Graduação em Informática, Universidade
Leia maisDetecção Auxiliada por Computador
Detecção Auxiliada por Computador (computer-aided detection - CAD) Márcio Eloi Colombo Filho - 6402378 Jessica Caroline Alves Nunes Temporal 7547611 Tiago Pedro de Santana Junior - 7961516 Mamografia Único
Leia maisINVESTIGATING THE USE OF BLOCK-MATCHING 3D DENOISING ALGORITHM TO REDUCE RADIATION DOSE IN DIGITAL MAMMOGRAPHY
INVESTIGATING THE USE OF BLOCK-MATCHING 3D DENOISING ALGORITHM TO REDUCE RADIATION DOSE IN DIGITAL MAMMOGRAPHY HELDER C. R. DE OLIVEIRA POLYANA F. NUNES LUCAS R. BORGES MARCELO A. C. VIEIRA 2 MOTIVAÇÃO
Leia maisAVALIAÇÃO DOS ACHADOS MAMOGRÁFICOS CLASSIFICADOS CONFORME SISTEMA BI RADS¹. Beatriz Silva Souza², Eliangela Saraiva Oliveira Pinto³
Avaliação dos achados mamográficos classificados... 205 AVALIAÇÃO DOS ACHADOS MAMOGRÁFICOS CLASSIFICADOS CONFORME SISTEMA BI RADS¹ Beatriz Silva Souza², Eliangela Saraiva Oliveira Pinto³ Resumo: Objetivou-se
Leia maisDiagnóstico Médico de Imagem Auxiliado por Computador
Diagnóstico Médico de Imagem Auxiliado por Computador Fundamentos de Sistemas Multimídia Flávio Luiz Seixas 2005 Agenda Agenda: Sistemas CAD Telemedicina Princípios da Tomografia Computadorizada Processamento
Leia maisProcessamento digital de imagens para a detecção e classificação de nódulos em mamografias
Revista Eletrônica da Faculdade Metodista Granbery http://re.granbery.edu.br - ISSN 1981 0377 Curso de Sistemas de Informação - N. 9, JUL/DEZ 2010 Processamento digital de imagens para a detecção e classificação
Leia maisExtração de objetos de interesse em imagens digitais utilizando a biblioteca de Visão Computacional OpenCV
Extração de objetos de interesse em imagens digitais utilizando a biblioteca de Visão Computacional OpenCV Izadora Aparecida RAMOS 1,3,4 ; Servílio Souza de ASSIS 1,3,4 ; Bruno Alberto Soares OLIVEIRA
Leia maisDetecção de Regiões de Suspeitas em Mamogramas.
Detecção de Regiões de Suspeitas em Mamogramas. Autor: Walter Borges Dias Orientadora: Professora Dra. Célia Zorzo Barcelos Orientadora: Professora Dra. Denise Guliato 1 Programa de Pós-Graduação em Ciência
Leia maisSEL-0339 Introdução à Visão Computacional. Aula 5 Segmentação de Imagens
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 5 Segmentação de Imagens Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga Segmentação de
Leia maisRedução de falsos positivos em imagens de mamografias digitais usando os índices phylogenetic species variability, phylogenetic species richness
Redução de falsos positivos em imagens de mamografias digitais usando os índices phylogenetic species variability, phylogenetic species richness e classificador MVS Laércio N. Mesquita 1, Antônio O. de
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Tópicos Detecção de Pontos Isolados Detecção de Linhas Prof. Sergio Ribeiro 2 Operações lógicas e aritméticas orientadas a vizinhança utilizam o conceito
Leia maisAVALIAÇÃO QUALITATIVA DE DETECÇÃO DE BORDAS EM IMAGENS DE RADIOGRAFIA PERIAPICAIS
AVALIAÇÃO QUALITATIVA DE DETECÇÃO DE BORDAS EM IMAGENS DE RADIOGRAFIA PERIAPICAIS Hedlund Erik Martins Távora 1, John Hebert Da Silva Felix 2, Darleison Rodrigues Barros Filho 3, Fausta Joaquim Faustino
Leia maisExemplos. Propagação (Reconstrução)
Processamento de Imagens Médicas Morfologia Matemática em Imagens Prof. Luiz Otavio Murta Jr. Informática Biomédica Depto. de Física e Matemática (FFCLRP/USP) Propagação (Reconstrução) lgoritmos Baseados
Leia maisENFERMAGEM ATENÇÃO BÁSICA E SAÚDE DA FAMÍLIA. Parte 15. Profª. Lívia Bahia
ENFERMAGEM ATENÇÃO BÁSICA E SAÚDE DA FAMÍLIA Parte 15 Profª. Lívia Bahia Controle do câncer do colo do útero e de mama na Atenção Básica Controle do câncer da mama Exame Clínico das Mamas Métodos de imagem:
Leia maisVisão Computacional. Alessandro L. Koerich. Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR)
Visão Computacional Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) Processamento da Informação Capturei uma Imagem! E agora? Assumindo que
Leia maisDiego Martin Mancini Orientador: Prof. Paulo A. V. de Miranda Instituto de Matemática e Estatística Universidade de São Paulo
Estudo de comparação do descritor de imagens coloridas BIC empregando diferentes abordagens de classificação de detecção de bordas: Canny e Operador Laplaciano Diego Martin Mancini Orientador: Prof. Paulo
Leia maisSEGMENTAÇÃO E RECONHECIMENTO DA ÍRIS
SEGMENTAÇÃO E RECONHECIMENTO DA ÍRIS Edno José Bozoli Junior¹, Osvaldo Severino Junior². 1. Universitário do curso de Ciências da Computação Rodovia Vicinal Raul Galvani nº. 831, Centro, CEP: 15.845-000
Leia maisEstudo comparativo de métodos de segmentação das bordas de lesões em imagens dermatoscópicas
Estudo parativo de métodos de segmentação das bordas de lesões em imagens dermatoscópicas Pedro Vinícius Macêdo de Araújo, Geraldo Braz Junior Curso de Ciência da Computação Universidade Federal do Maranhão
Leia maisIDENTIFICAÇÃO DE MARCADORES DE PAVIMENTAÇÃO NA ORIENTAÇÃO DE CEGOS. André Zuconelli 1 ; Manassés Ribeiro 2
IDENTIFICAÇÃO DE MARCADORES DE PAVIMENTAÇÃO NA ORIENTAÇÃO DE CEGOS André Zuconelli 1 ; Manassés Ribeiro 2 INTRODUÇÃO As tecnologias assistivas têm a finalidade de auxiliar pessoas com deficiência a alcançar
Leia maisDEFEITOS EM IMAGENS RADIOGRÁFICAS DE JUNTAS SOLDADAS EM TUBULAÇÕES: SEGMENTAÇÃO E EXTRAÇÃO DE DEFEITOS
DEFEITOS EM IMAGENS RADIOGRÁFICAS DE JUNTAS SOLDADAS EM TUBULAÇÕES: SEGMENTAÇÃO E EXTRAÇÃO DE DEFEITOS * Aluno do curso Tecnologia em Sistemas de Telecomunicações da UTFPR jvrsschaid@gmail.com ** Aluno
Leia maisDetecção de Microcalcificações de Formas Especulares para Auxilio no Diagnóstico de Câncer de Mama
Detecção de Microcalcificações de Formas Especulares para Auxilio no Diagnóstico de Câncer de Mama Aledir Silveira Pereira, Kaori Yamaguchi Universidade Estadual de São Paulo (Unesp), Brasil Resumo Os
Leia maisSimulação Gráfica. Segmentação de Imagens Digitais. Julio C. S. Jacques Junior
Simulação Gráfica Segmentação de Imagens Digitais Julio C. S. Jacques Junior Segmentação Subdivide uma imagem em suas partes ou objetos constituintes. O nível até o qual essa subdivisão deve ser realizada
Leia maisMORFOLOGIA MATEMÁTICA
MORFOLOGIA MATEMÁTICA Morfologia Na Biologia área que trata com a forma e a estrutura de plantas e animais Processamento de Imagens Ferramenta para extração de componentes de imagens que sejam úteis na
Leia maisMorfologia Matemática: algumas aplicações. Rosana Gomes Bernardo Universidade Federal Fluminense
Morfologia Matemática: algumas aplicações Rosana Gomes Bernardo Universidade Federal Fluminense Introdução Aplicações Motivadoras - Consumo de Gás Natural Roteiro - Placas de Veículos Referências - Cartografia
Leia mais30/05/2016. Como solucionar dúvidas na mamografia. Como melhorar? - Controle de Qualidade - Experiência. Dicas Úteis
Como solucionar dúvidas na mamografia Como solucionar dúvidas na mamografia : como melhorar a mamografia ou que método é mais adequado para qual tipo de achado? Como melhorar? - Controle de Qualidade -
Leia maisAPLICAÇÃO DE TÉCNICAS DE PROCESSAMENTO DE IMAGENS DIGITAIS EM IMAGENS GERADAS POR ULTRA-SOM
VIII ERMAC 8 o Encontro Regional de Matemática Aplicada e Computacional 0- de Novembro de 008 Universidade Federal do Rio Grande do Norte Natal/RN APLICAÇÃO DE TÉCNICAS DE PROCESSAMENTO DE IMAGENS DIGITAIS
Leia maisUNIVERSIDADE ESTADUAL PAULISTA Campus de Sorocaba. Segmentação
UNIVERSIDADE ESTADUAL PAULISTA Campus de Sorocaba Segmentação A separação dos pixeis relativos a cada objeto, ou região, é uma etapa fundamental para o sucesso do processo de análise da imagem. Embora
Leia maisSoftware para detecção de melanoma para ios
Software para detecção de melanoma para ios Aluno: Thiago Pradi Orientador: Aurélio Faustino Hoppe Motivação Câncer configura-se como um problema de saúde pública mundial Cânceres de pele tiveram um crescimento
Leia maisSEGMENTAÇÃO DE MASSAS EM IMAGENS MAMOGRÁFICAS UTILIZANDO ÍNDICES DE SIMILARIDADE
Artigo Completo XV Congresso Brasileiro de Informática em Saúde 27 a 30 de novembro - Goiânia - Brasil SEGMENTAÇÃO DE MASSAS EM IMAGENS MAMOGRÁFICAS UTILIZANDO ÍNDICES DE SIMILARIDADE João O. B. Diniz¹,
Leia maisCARACTERIZAÇÃO DE CROMOSSOMOS DE TARTARUGAS DA ESPÉCIE PHRYNOPS GEOFFROANUS (TESTUDINES: PLEURODIRA)
CARACTERIZAÇÃO DE CROMOSSOMOS DE TARTARUGAS DA ESPÉCIE PHRYNOPS GEOFFROANUS (TESTUDINES: PLEURODIRA) Ivan Botacini Zanon Rua Lourenço Manzano, 218 Neves Paulista - SP (17) 3271-1398 ivanzanon@gmail.com
Leia maisEXTRAÇÃO DE BORDAS EM IMAGEM DE ALTA RESOLUÇÃO UTILIZANDO TÉCNICAS DE PROCESSAMENTO DE IMAGEM
EXTRAÇÃO DE BORDAS EM IMAGEM DE ALTA RESOLUÇÃO UTILIZANDO TÉCNICAS DE PROCESSAMENTO DE IMAGEM Thaisa Manoela Silva França 1, Ana Lúcia Bezerra Candeias 2 1 Acadêmico em Engenharia Cartográfica e Agrimensura,
Leia maisEstudo Comparativo entre Algoritmos de Segmentação para Simulação Tridimensional de Imagens Mamográficas
Estudo Comparativo entre Algoritmos de Segmentação para Simulação Tridimensional de Imagens Mamográficas Sérgio Roberto Delfino, Fátima de Lourdes dos Santos Nunes Laboratório de Aplicações de Informática
Leia maisAnálise fractal para a diminuição de achados falso-positivos na detecção de clusters de microcalcificações
Análise fractal para a diminuição de achados falso-positivos na detecção de clusters de microcalcificações Evanivaldo Castro Silva Júnior Faculdade de Tecnologia FATEC/RP e Universidade de São Paulo USP/EESC
Leia maisDETECÇÃO DE CORES DE SOLUÇÕES QUÍMICAS PARA PESSOAS COM NENHUMA OU BAIXA VISÃO UTILIZANDO OPENCV
DETECÇÃO DE CORES DE SOLUÇÕES QUÍMICAS PARA PESSOAS COM NENHUMA OU BAIXA VISÃO UTILIZANDO OPENCV Autor (1) Jéssica Fernandes Alves; Orientador (4) Suzete Élida Nóbrega Correia (1) Instituto Federal de
Leia maisTOMOSSÍNTESE MAMÁRIA. Tomossíntese Mamária. Tomossíntese
TOMOSSÍNTESE MAMÁRIA Prof. André L. C. Conceição DAFIS Curitiba, 26 de setembro de 2016 Tomossíntese Mamária A tomossíntese mamária digital (TMD) é uma recente aplicação avançada da Mamografia Digital.
Leia maisClassificação de Padrões Radiológicos por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada
Visão Robótica Imagem Classificação de Padrões Radiológicos por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada Aluna: Luiza Dri Bagesteiro Orientador: Prof. Dr. Daniel Weingaertner Co-orientador:
Leia mais30/05/2016. Tomossíntese mamária Quando indicar? Mamografia. As limitações da Mamografia Digital Convencional. A evolução da Mamografia
Mamografia 14 estudos - 2001 a 2010 - redução da taxa de mortalidade relacionada ao câncer de mama em cerca de 25 a 50% (idades 40 a 74 anos) mamária Quando indicar? Aproximadamente 20% dos cânceres não
Leia maisPMR2560 Visão Computacional Detecção de bordas. Prof. Eduardo L. L. Cabral
PMR56 Visão Computacional Detecção de bordas Prof. Eduardo L. L. Cabral Objetivos Processamento de imagens: Características; Detecção de bordas. Características Tipos de características: Bordas; Cantos;
Leia maisMorfologia Matemática. Guillermo Cámara-Chávez
Morfologia Matemática Guillermo Cámara-Chávez Morfologia Matemática Foi desenvolvida inicialmente por Georges Matheron e Jean Serra na década de 60 Baseada na Teoria dos Conjuntos Originalmente desenvolvida
Leia maisComparative study on Otsu, EICAMM and level set techniques to automatic segmentation of breast lesions in digital mammography
Comparative study on Otsu, EICAMM and level set techniques to automatic segmentation of breast lesions in digital mammography Karem D. Marcomini Departamento de Engenharia Elétrica Universidade de São
Leia maisExtração de Pistas de Aeroporto em Imagem LANDSAT usando o Watershed morfológico
Extração de Pistas de Aeroporto em Imagem LANDSAT usando o Watershed morfológico Acad. Danilo Aparecido Rodrigues Prof. Adj. Erivaldo Antonio da Silva Faculdade de Ciências e Tecnologia UNESP Depto. de
Leia maisSistema Auxiliar na Análise de Mamogramas Digitais
Sistema Auxiliar na Análise de Mamogramas Digitais Adrião Duarte Dória Neto 1, Andrezza Cristina da Silva Barros 2, Marco Antonio Garcia de Carvalho 3 1,2 Universidade Federal do Rio Grande do Norte (UFRN),
Leia mais4 Detecção de Silhueta
4 Detecção de Silhueta No decorrer deste capítulo é proposto um modelo de detecção da silhueta da mão capaz de lidar com os erros da segmentação e ruídos na sua morfologia. Num primeiro passo são considerados
Leia maisProcessamento Digital de Imagens. Análise de Imagens
Processamento Digital de Imagens Análise de Imagens Eduardo A. B. da Silva Programa de Engenharia Elétrica - COPPE/UFRJ Laboratório de Sinais, Multimídia e Telecomunicações eduardo@smt.ufrj.br Sergio L.
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Prof. Sergio Ribeiro Tópicos Transformações de Intensidade Transformações Logarítmicas Comparação entre Diversas Técnicas 2 Transformações de Intensidade
Leia maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 6 de outubro de 2016 Segmentação de imagens A segmentação
Leia maisMétodo de Otsu. Leonardo Torok 1
Método de Otsu Leonardo Torok 1 1 Instituto de Computação Universidade Federal Fluminense (UFF) Av. Gal. Milton Tavares de Souza, s/nº 24.210 346 Niterói RJ Brasil ltorok@ic.uff.br Resumo. O método de
Leia maisImplementação de algoritmo de tratamento de imagens para detecção de falhas em cordão de solda. Rafael Marques Ilivinski
Implementação de algoritmo de tratamento de imagens para detecção de falhas em cordão de solda Rafael Marques Ilivinski Departamento Acadêmico de Eletrônica (DAELN) - Universidade Tecnológica Federal do
Leia maisUNIVERSIDADE FEEVALE RODRIGO FREIBERGER RÖNNAU SEGMENTAÇÃO AUTOMÁTICA DE ÓRGÃOS EM IMAGENS DE TOMOGRAFIA COMPUTADORIZADA DO TÓRAX
UNIVERSIDADE FEEVALE RODRIGO FREIBERGER RÖNNAU SEGMENTAÇÃO AUTOMÁTICA DE ÓRGÃOS EM IMAGENS DE TOMOGRAFIA COMPUTADORIZADA DO TÓRAX (Título Provisório) Anteprojeto de Trabalho de Conclusão Novo Hamburgo
Leia maisFiltros de Resposta Máxima e Padrões Binários Locais Aplicados na Detecção de Anormalidades em Mamografias
Filtros de Resposta Máxima e Padrões Binários Locais Aplicados na Detecção de Anormalidades em Mamografias Danilo O. Fistarol 1 Wesley Nunes Gonçalves 1 1 Universidade Federal do Mato Grosso do Sul - Campus
Leia maisGABINETE DO MINISTRO. CONSULTA PÚBLICA No- 8, DE 10 DE NOVEMBRO DE 2011
GABINETE DO MINISTRO CONSULTA PÚBLICA No- 8, DE 10 DE NOVEMBRO DE 2011 O MINISTRO DE ESTADO DA SAÚDE torna pública, nos termos do artigo 34, inciso II, c/c artigo 59 do Decreto no 4.176, de 28 de março
Leia maisSISTEMA AUTOMÁTICO PARA AVALIAÇÃO POSTURAL BASEADO EM DESCRITORES DE IMAGENS
SISTEMA AUTOMÁTICO PARA AVALIAÇÃO POSTURAL BASEADO EM DESCRITORES DE IMAGENS GIAN LUCAS DE OLIVEIRA PAIVA GRADUANDO EM ENGENHARIA ELETRÔNICA ORIENTADOR: PROF. CRISTIANO JACQUES MIOSSO DR. EM ENGENHARIA
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Prof. Sergio Ribeiro Tópicos Técnicas de Modificação do Histograma Compressão de Histograma 2 Veremos a definição e utilização do conceito de histograma.
Leia maisTELEVISÃO DIGITAL LEEC 2006/2007
TELEVISÃO DIGITAL LEEC 2006/2007 DETECÇÃO DE CONTORNOS GRUPO 6: Hugo Miguel Rodrigues Gonçalves Dinis Guedes Afonso ee01171 ee01148 Introdução Este trabalho tem como objectivo a implementação de métodos
Leia maisMorfologia Matemática em Imagens
Processamento e nálise de Imagens Médicas Morfologia Matemática em Imagens Prof. Luiz Otavio Murta Jr. FMB Departamento de Computação e Matemática (FFCLRP/USP) Principais Tópicos Introdução Morfologia
Leia maisReconhecimento e diagnóstico automático de melanoma
Reconhecimento e diagnóstico automático de melanoma Bruno S. Ferreira 1, Paulo V. Vieira 1 1 Universidade Federal do Maranhão(UFMA) Av. dos Portugueses, 1966 - Bacanga, São Luís-MA, 65080-805 Abstract.
Leia maisProcessamento de Imagens Médicas
Processamento de Imagens Médicas Prof. Dr. Paulo Mazzoncini de Azevedo Marques (pmarques@fmrp.usp.br) Prof. Dr. Lucas Ferrari de Oliveira (lferrari@inf.ufpr.br) DIAGNÓSTICO Teoria da Detecção de Sinal
Leia maisDescritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 18 Descritores Locais e Frameworks SIFT SURF Viola-Jones
Leia maisProcessamento de Imagens. Segmentação por regiões
Processamento de Imagens Segmentação por regiões Inúmeros Métodos Clusterização Baseados em histograma Detecção de bordas Crescimento de regiões Level Set Particionamento de grafos Watershed Baseados em
Leia maisESTUDO DE TÉCNICAS PARA SOLUÇÃO DE PROBLEMAS DE PROCESSAMENTO DE IMAGENS UTILIZANDO A LINGUAGEM PYTHON
ESTUDO DE TÉCNICAS PARA SOLUÇÃO DE PROBLEMAS DE PROCESSAMENTO DE IMAGENS UTILIZANDO A LINGUAGEM PYTHON Marcus Vinícius Teodoro Silva, Marcos William da Silva Oliveira Instituto Federal de Educação, Ciência
Leia maisMouseCam: aplicação de controle do mouse via câmera
MouseCam: aplicação de controle do mouse via câmera Introdução ao Processamento de Imagens COS756 PESC/COPPE/UFRJ 2013 1 Renan Garrot garrot@cos.ufrj.br 1. Introdução O processo de tracking por vídeo consiste
Leia maisProcessamento de Imagens Marcia A. S. Bissaco
Engenharia Biomédica Processamento de Imagens Marcia A. S. Bissaco 1 Exemplos filtros Média Mediana Passa_B Passa_A Borda_H Borda_V Sobel_Y Sobel_X Oliveira, Henrique J. Quintino (UMC-SP), 2 Media Mediana
Leia maisAplicação para demarcação de bordas em lesões dermatoscópicas
Aplicação para demarcação de bordas em lesões dermatoscópicas Pedro Vinícius Macêdo de Araújo Curso de Ciência da Computação Universidade Federal do Maranhão (UFMA) Campus do Bacanga (98) 3272 8000 São
Leia maisOrientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local
Orientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local Inês Aparecida Gasparotto Boaventura DCCE-IBILCE-UNESP Rua Cristovão Colombo, 2265 15054-000, São José do Rio Preto,
Leia maisPLANO DE TRABALHO: DISCIPLINA OPTATIVA PROCESSAMENTO DE IMAGENS MÉDICAS
PLANO DE TRABALHO: DISCIPLINA OPTATIVA PROCESSAMENTO DE IMAGENS MÉDICAS PROFESSOR: Alexei Manso Correa Machado 1. EMENTA Percepção visual. Modalidades de aquisição e reconstrução tomográfica. Amostragem
Leia maisMesa Redonda: Best papers in BC Radiologia / Radiology
Mesa Redonda: Best papers in BC 2016-2017 Radiologia / Radiology Lucio De Carli Radiologista Hospital Mãe de Deus, Porto Alegre/RS Clínica TESLA, Pelotas/RS luciodc@terra.com.br TS associada à MD (MG
Leia maisAnálise das exposições médicas em mamografia digital
BJRS BRAZILIAN JOURNAL OF RADIATION SCIENCES 03-1A (2015) 01-10 Análise das exposições médicas em mamografia digital S. R. Oliveira¹; N. O. Mantuano²; A. S. Albrecht² e L. S. Flor³ ¹ Escola Politécnica
Leia maisSegmentação de Exsudatos em Imagens de Fundo de Olho para Detecção de Retinopatia Diabética
Segmentação de Exsudatos em Imagens de Fundo de Olho para Detecção de Retinopatia Diabética Nigel da Silva Lima 1, Geraldo Braz Júnior 1 1 Universidade Federal do Maranhão (UFMA) Av. dos Portugueses, 1966
Leia maisUniversidade Federal do Rio de Janeiro - IM/DCC & NCE
Universidade Federal do Rio de Janeiro - IM/DCC & NCE Processamento de Imagens Segmentação Antonio G. Thomé thome@nce.ufrj.br Sala AEP/133 Conceituação Segmentação é uma tarefa básica no processo de análise
Leia maisResultados da Segmentação
59 6 Resultados da Segmentação Neste capítulo são avaliados os três algoritmos de binarização abordados no capítulo 4. A avaliação é obtida comparando-se as imagens segmentadas, com as mesmas imagens segmentadas
Leia maisMétricas Morfológicas para a Classificação de Tumores de Mama
Métricas Morfológicas para a Classificação de Tumores de Mama Lizianne P. Marques Souto 1,2, Thiago K. L. dos Santos 1, Marcelino P. dos Santos Silva 1 1 Universidade do Estado do Rio Grande do Norte (UERN)
Leia maisO reconhecimento facial é dividido em três etapas: i) detecção da face, ii) extração de características e iii) reconhecimento da face.
ESTUDO SOBRE MÉTODOS DE RECONHECIMENTO FACIAL EM FOTOGRAFIAS DIGITAIS Ana Elisa SCHMIDT¹, Elvis Cordeiro NOGUEIRA² ¹ Orientadora e docente do IFC-Campus Camboriú; ² Aluno do curso de Bacharelado em Sistemas
Leia maisLaércio N. Mesquita¹, Antônio O. de C. Filho¹, Alcilene D. de Sousa¹, Patrícia M. L. de L. Drumond¹
Redução de falsos positivos em imagens de mamografias digitais usando os índices phylogenetic species variability, phylogenetic species richness e múltiplos classificadores Laércio N. Mesquita¹, Antônio
Leia maisDesenvolvimento de um método para segmentação de imagens histológicas da rede vascular óssea
Desenvolvimento de um método para segmentação de imagens histológicas da rede vascular óssea Pedro Henrique Campos Cunha Gondim Orientador: André Ricardo Backes Coorientador: Bruno Augusto Nassif Travençolo
Leia maisRealce de imagens parte 1: operações pontuais SCC0251 Processamento de Imagens
Realce de imagens parte 1: operações pontuais SCC0251 Processamento de Imagens Prof. Moacir Ponti Jr. www.icmc.usp.br/~moacir Instituto de Ciências Matemáticas e de Computação USP 2013/1 Moacir Ponti Jr.
Leia maisUniversidade Federal de Pernambuco Graduação em Engenharia da Computação Centro de Informática
Universidade Federal de Pernambuco Graduação em Engenharia da Computação Centro de Informática DETECÇÃO DE BORDAS DE IMAGENS UTILIZANDO ELEMENTOS DE MORFOLOGIA MATEMÁTICA PROPOSTA DE TRABALHO DE GRADUAÇÃO
Leia maisSTEMBERG, D. R. M, PACHECO, A. L. V., SCHIABEL, H.
Imagens mamográficas digitais obtidas em sistemas CR: o efeito de kv e mas no fator de correção da Curva Característica Digital mammography images obtained with a CR system: kv and mas effects on the Characteristic
Leia maisDetalhes do método proposto e da sua implementação são descritos nas
4 Método Proposto 4.1. Descrição geral do método O objetivo do método proposto consiste em avaliar o potencial dos FERNS para detecção das características faciais, em tempo real, em uma seqüência de imagens
Leia maisDermanostic: um método para normalização da iluminação em imagens de lesões cutâneas
Departamento de Sistemas e Computação FURB Curso de Ciência da Computação Trabalho de Conclusão de Curso 2016/2 Dermanostic: um método para normalização da iluminação em imagens de lesões cutâneas Acadêmico:
Leia maisCompressão Com Controle de Perdas de Imagens Mamográficas Utilizando Segmentação e o Algoritmo PPM
Compressão Com Controle de Perdas de Imagens Mamográficas Utilizando Segmentação e o Algoritmo PPM José R. T. Marques 1, JanKees v. d. Poel 3, Yuri de A. M. Barbosa 1, 4, Fabrizia M. de S. Matos 2, 5 1,
Leia maisQUANTIFICAÇÃO AUTOMÁTICA DA RIGIDEZ DA BORDA DA GOTA DE SANGUE PERIFÉRICO EM IMAGENS DE MICROSCOPIA ÓTICA
QUANTIFICAÇÃO AUTOMÁTICA DA RIGIDEZ DA BORDA DA GOTA DE SANGUE PERIFÉRICO EM IMAGENS DE MICROSCOPIA ÓTICA C. F. F. Costa Filho, M. G. F. Costa, F. Pinagé, J. M. Aguiar. Universidade do Amazonas Laboratório
Leia mais1.1. Trabalhos Realizados na Área
1 1 Introdução Várias formas de tratamento de lesões de úlceras de perna têm sido empregadas hoje em dia. O método de tratamento dependerá da origem da úlcera bem como de seu estado patológico. Com o objetivo
Leia maisUM EXTRATOR DE CARACTERÍSTICAS BASEADO EM COMPLEXIDADE APLICADO À CLASSIFICAÇÃO TUMORES DE MAMA
CONVÊNIOS CNPq/UFU & FAPEMIG/UFU Universidade Federal de Uberlândia Pró-Reitoria de Pesquisa e Pós-Graduação DIRETORIA DE PESQUISA COMISSÃO INSTITUCIONAL DE INICIAÇÃO CIENTÍFICA 2008 UFU 30 anos UM EXTRATOR
Leia maisAPLICAÇÃO DE ROTINA MORFOLÓGICA PARA DETECÇÃO DE PISTAS DE AEROPORTOS EM IMAGENS DE ALTA RESOLUÇÃO
p. 000-000 APLICAÇÃO DE ROTINA MORFOLÓGICA PARA DETECÇÃO DE PISTAS DE AEROPORTOS EM IMAGENS DE ALTA RESOLUÇÃO FERNANDO LEONARDI THIAGO GONÇALVES RODRIGUES ERIVALDO ANTÔNIO DA SILVA Universidade Estadual
Leia maisT4.1 Processamento de Imagem
T4.1 Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Miguel Tavares Coimbra Resumo 1. Manipulação ponto a ponto 2. Filtros espaciais 3. Extracção de estruturas geométricas 4.
Leia maisLOCALIZAÇÃO AUTOMÁTICA DE PLACAS DE VEÍCULOS UTILIZANDO VARIÂNCIA TONAL
LOCALIZAÇÃO AUTOMÁTICA DE PLACAS DE VEÍCULOS UTILIZANDO VARIÂNCIA TONAL Guilherme B. da Cunha 1, Adriano A. Pereira 1, Keiji Yamanaka 1, Edna L. Flores 1, Fábio J. Parreira 1 1 Universidade Federal de
Leia maisCapítulo III Processamento de Imagem
Capítulo III Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Miguel Tavares Coimbra Resumo 1. Manipulação ponto a ponto 2. Filtros espaciais 3. Extracção de estruturas geométricas
Leia maisT4 Processamento de Imagem
T4 Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Hélder Filipe Pinto de Oliveira Resumo 1. Manipulação ponto a ponto 2. Conetividade 3. Filtros espaciais 4. Extração de estruturas
Leia maisImplementação de uma Ferramenta para Recuperação de Imagens Mamográficas Baseada em Conteúdo
Implementação de uma Ferramenta para Recuperação de Imagens Mamográficas Baseada em Conteúdo Ana Paula O. Santos, Fátima L. S. Nunes, Márcio E. Delamaro Centro Universitário Eurípides de Marília UNIVEM
Leia maisDENSIDADE MAMÁRIA. Risco de densidade mamária e cancro da mama
DENSIDADE MAMÁRIA Pode já ter ouvido falar sobre a importância da densidade mamária numa mamografia, que surgiu como um fator de risco para o cancro da mama em mulheres. Mas o que é exatamente a densidade
Leia maisProcessamento de Imagem. Convolução Filtragem no Domínio da Frequência (Fourier) Professora Sheila Cáceres
Processamento de Imagem Convolução Filtragem no Domínio da Frequência (Fourier) Professora Sheila Cáceres Lembrando Filtragem Correlação A correlação e a convolução sãos dois conceitos relacionados a filtragem.
Leia maisLESÕES MAMÁRIAS BENIGNAS MIMETIZADORAS DE MALIGNIDADE
LESÕES MAMÁRIAS BENIGNAS MIMETIZADORAS DE MALIGNIDADE Pedro Pissarra, Rui Alves Costa, Luís Ferreira, Yessica Costa, Maria Conceição Sanches, Manuela Gonçalo, Filipe Caseiro Alves X Jornadas Temáticas
Leia maisPROJETO DE LEI DO SENADO Nº, DE 2009
PROJETO DE LEI DO SENADO Nº, DE 2009 Altera a Lei nº 11.664, de 29 de abril de 2008, para incluir a pesquisa de biomarcadores entre as ações destinadas à detecção precoce das neoplasias malignas de mama
Leia maisCompressão de Imagens Usando Wavelets: Uma Solução WEB para a Codificação EZW Utilizando JAVA. Utilizando JAVA. TCC - Monografia
Compressão de Imagens Usando Wavelets: Uma Solução WEB para a Codificação EZW Utilizando JAVA TCC - Monografia Wanderson Câmara dos Santos Orientador : Prof. Dr. Luiz Felipe de Queiroz Silveira 1 Departamento
Leia maisVisão Computacional. Alessandro L. Koerich. Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR)
Visão Computacional Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) Análise da Imagem Análise da Imagem O algoritmo opera sobre a imagem e extrai
Leia maisReconhecimento de texturas utilizando padrão binário local e classificador knn.
Reconhecimento de texturas utilizando padrão binário local e classificador knn. Vinicius Santos Andrade 1 Resumo. Através de uma imagem é possível obter inúmeras informações. Portanto, é cada vez mais
Leia mais