@MASTERSTHESIS{ 2017:1717945974,
 	title = {Detecção de regiões de massa por análise bilateral adaptada à densidade da mama utilizando índices de similaridade e redes neurais convolucionais},
 	year = {2017},
 	url = "http://tedebc.ufma.br:8080/jspui/handle/tede/1537",
 	abstract = "O cãncer de mama é o tipo de câncer que mais acomete as mulheres e uma das principais
 causas de morte em todo o mundo. Visando auxiliar a detecção e diagnóstico desta
 patologia, diversas técnicas na érea de imagem estão sendo criadas servindo como um
 auxílio ao especialista. Sabe-se que mamografias esquerda e direita apresentam alto grau
 simetria, e quanto há uma diferença brusca entre os pares, pode-se considerar algo de
 suspeito. Ressalta-se também que a mama pode apresentar densidade diferente do tecido e
 isso pode ser um fator que dificulte na detecção e diagnóstico das lesões. Assim, o objetivo
 deste trabalho é desenvolver uma metodologia automática de detecção de regiões de
 massa em pares de mamografias digitalizadas adaptada à densidade da mama, utilizando
 técnicas de processamento de imagens e comparação de espécies para determinar regiões
 assimétricas nas mamas juntamente com redes neurais convolucionais para classificação
 de densidade da mama e de regiões em massas e não massas. A metodologia proposta é
 dividida em duas fases: fase de treinamento e fase de teste. Na fase de treinamento serão
 criados três modelos utilizando redes neurais convolucionais, o primeiro capaz de classificar
 a mama quanto a densidade e os dois últimos classificam regiões de massa e não massa
 em mamas densas e não densas. Na fase de teste, imagens de mamografia da base DDSM
 passarão por várias etapas a fim de segmentar regiões assimétricas que serão posteriormente
 classificadas. As etapas resumem-se em alinhar as mamas para que seja possível fazer uma
 comparação entre os pares. Ao comparar, serão segmentadas regiões assimétricas, essas
 regiões passarão por processo de redução de falsos positivos a fim de eliminar regiões que
 não são massas. Antes de classificar as regiões restantes, as mamas passam pelo processo
 de classificação de densidade pelo modelo obtido na fase de treinamento. Por fim, para
 cada tipo de mama, um modelo irá classificar as regiões segmentadas em massas e não
 massas. O método proposto apresentou resultados promissores, nas mamas não densas
 atingiu sensibilidade de 91,56%, especificidade de 90,73%, 91,04% de acurácia e taxa de
 0,058 falsos positivos por imagem. As mamas densas, apresentaram resultados de 90,36%
 de sensibilidade, 96,35% de especificidade, 94,84% de acurácia e 0,027 falsos positivos por
 imagem. Os resultados mostram que a metodologia é promissora e pode ser utilizada para
 compor um sistema CAD na tarefa de detectar regiões de massas.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCET},
 	note = {DEPARTAMENTO DE INFORMÁTICA/CCET}
}