Please use this identifier to cite or link to this item:
https://rima.ufrrj.br/jspui/handle/20.500.14407/14356
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.author | Gôda, Rúpila Rami da Silva | |
dc.date.accessioned | 2023-12-22T03:00:07Z | - |
dc.date.available | 2023-12-22T03:00:07Z | - |
dc.date.issued | 2016-08-30 | |
dc.identifier.citation | GÔDA, Rúpila Rami da Silva. Inteligência computacional aplicada em microcalcificações mamárias. 2016. 79 f. Dissertação (Mestrado em Modelagem Matemática e Computacional) - Instituto de Ciências Exatas, Universidade Federal Rural do Rio de Janeiro, Seropédica - RJ, 2016. | por |
dc.identifier.uri | https://rima.ufrrj.br/jspui/handle/20.500.14407/14356 | - |
dc.description.abstract | O câncer de mama é a segunda neoplasia mais frequente no mundo. Segundo dados do Instituto Nacional de Câncer (INCA), no ano de 2014 foram diagnosticados 52.680 novos casos no Brasil, número este que corresponde a um aumento de 22% em relação ao ano de 2013. Sendo responsável por aproximadamente 39% dos óbitos das mulheres portadores de câncer. Apesar da elevada taxa de incidência, a mortalidade causada por esta neoplasia tem diminuído desde o final dos anos oitenta, graças ao avanço das pesquisas em métodos para o diagnóstico precoce. No entanto, diagnosticar corretamente o câncer é um processo complexo e muito difícil em consequência das diversas variáveis envolvidas. Para um diagnóstico preciso, exige-se muita experiência e, principalmente, que a classificação do estadiamento clínico do tumor (estágio do câncer) esteja correta. Os tradicionais sistemas de classificação de patologias utilizados são complexos e em muitas vezes oferecem limitações. Como é o caso da técnica de mamografia, que amplamente utilizada, não é tão eficaz para mulheres com mamas densas, cirurgicamente alteradas ou com menos de 40 anos. Desta forma, torna-se necessário o desenvolvimento de sistemas integrados que combinados com a experiência dos profissionais da área, possibilite realizar o diagnóstico preciso na detecção do câncer de mama. O objetivo do presente trabalho é aplicar a técnica SVM (Máquina de Vetor de Suporte), de sorte a auxiliar na interpretação diagnóstica das microcalcificações detectadas em mamografia de rastreamento. O conjunto de dados utilizado consistiu de 961 amostras de exames mamográficos, obtidos junto ao Instituto de Radiologia da Universidade de Erlangen- Nuremberg. Neste conjunto possuímos informações referentes a idade da paciente, classificação BI-RADS ( Breast Imaging Reporting and Data System), forma, massa, densidade e severidade (benigno|maligno) das microcalcificação. A SVM desenvolvida foi implementada utilizando-se o software R (R Development Core Team; http:// www.R-project.org/ ) . Os dados foram divididos em dois grupos: o conjunto de treinamento composto por 80% das amostras de exames mamográficos, usado para estimar os parâmetros do modelo e o conjunto de teste independente, com 20% das amostras restantes, utilizado para mensurar a performance da SVM. Para avaliar o desempenho do modelo computacional proposto foram utilizados o valor da Precisão Total ou Acurácia (ACC), Sensibilidade (S) e Especificidade(E). Os resultados apresentados pela SVM na identificação das lesões malignas em pacientes portadores de microcalcificações se mantiveram entre 72,7% e 100% o que demonstram que os mesmos alcançaram um grau satisfatório em relação com outras literaturas aplicadas | por |
dc.format | application/pdf | * |
dc.language | por | por |
dc.publisher | Universidade Federal Rural do Rio de Janeiro | por |
dc.rights | Acesso Aberto | por |
dc.subject | SVM | por |
dc.subject | S | por |
dc.subject | ACC | por |
dc.subject | E | por |
dc.title | Inteligência computacional aplicada em microcalcificações mamárias | por |
dc.title.alternative | Computational intelligence applied in mammary microcalcifications | eng |
dc.type | Dissertação | por |
dc.description.abstractOther | Breast cancer is the second most common cancer worldwide. According to the National Cancer Institute (INCA) in 2014 were diagnosed 52,680 new cases in Brazil, a number that corresponds to a 22% increase over the year 2013. Being responsible for approximately 39% of women's deaths cancer patients. Despite the high incidence rate, mortality from this cancer has declined since the late eighties, thanks to advances in research on methods for early diagnosis. However, correctly diagnosing cancer is a complex and difficult process as a result of the different variables involved. For an accurate diagnosis, a lot of experience and especially it is required, that the classification of clinical staging of tumor (cancer stage) is correct. The conditions used traditional classification systems are complex and often offer limitations. As is the case of mammography technique, widely used, it is not as effective for women with dense breasts, surgically altered, or under 40 years. Thus, it becomes necessary to develop integrated systems that combined with the professionals in the field experience, allows performing accurate diagnosis in detecting breast cancer. The objective of this study is to apply the technique SVM (Support Vector Machine), so as to assist in the diagnostic interpretation of microcalcifications detected on screening mammography. The data set used consisted of 961 samples of mammograms, obtained from the Radiology Institute of the University of Erlangen Nuremberg. In this set we have information on the age of the patient, BI-RADS (Breast Imaging Reporting and Data System), shape, mass, density and severity (benign | malignant) of microcalcifications. The SVM was developed implemented using the R software (R Development Core Team; http: // www.R-project.org/). The data were divided into two groups: the training set consisting of 80% of the samples of mammographic, used to estimate the model parameters and the independent test set, with 20% of the remaining samples, used to measure the performance of SVM . To evaluate the performance of proposed computational model we used the value of the Total Precision or Accuracy (ACC), sensitivity (S) and specificity (E). The results presented by SVM in identifying malignant lesions in patients with calcifications remained between 72.7% and 100%, which shows that they achieved a satisfactory level in relation to other literatures applied | eng |
dc.contributor.advisor1 | Silva, Robson Mariano da | |
dc.contributor.advisor1ID | 785.917.837-00 | por |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/9019994973988827 | por |
dc.contributor.referee1 | Delgado, Angel Ramom Sanchez | |
dc.contributor.referee2 | Oliveira, Raquel Lima | |
dc.creator.ID | 7556847705 | por |
dc.creator.Lattes | http://lattes.cnpq.br/4335141462046302 | por |
dc.publisher.country | Brasil | por |
dc.publisher.department | Instituto de Ciências Exatas | por |
dc.publisher.initials | UFRRJ | por |
dc.publisher.program | Programa de Pós-Graduação em Modelagem Matemática e Computacional | por |
dc.relation.references | ABCMED, 2013. Biópsia. Disponível em: <http://www.abc.med.br/p/exames-e-procedimentos/513419/biopsia-o-que-e-quando-e-indicada-quais-os-tipos-quais-as-possiveis-complicacoes-como-ela-e-realizada.htm>. Aguillar VLN, Bauab SP. Rastreamento mamográfico para detecção precoce do câncer de mama. Revista brasileira de mastologia 2003. Andre, T.; Rangayyan, R. M. Classification of tumors and masses in mammograms using neural networks with shape and texture features. 25th Annual International Conference of the IEEE Transactions on Engineering in Medicine and Biology Society. Almeida F. F. M. (2007). Relatório técnico: Support Vector Machine. Universidade Federal de Campina Grande, Centro de Ciência e Tecnologia. Araújo, S. D. T. de. Mortalidade por câncer de mama, com idade igual ou superior a 50 anos, estado de São Paulo 1979-1997. Tese de mestrado apresentada à Universidade de São Paulo, Dezembro 2000. Braz Júnior, G.; Silva, E. C.; Paiva, A. C.; Silva, A. C.; Gattass, M. Breast Tissues Mammograms Images Classification using Moran s Index, Geary s Coefficient and SVM . In: International Conference on Neural Information Processing, 2007, Kitakyushu. Lecture Notes in Computer Science, LNCS, 2007. Campos, L. F. A., Silva, A. C., Barros, A. K., 2007. Independent Component Analysis and Neural Networks Applied for Classification of Malignant, Benign and Normal Tissue in Digital Mammography . Methods of Information in Medicine, 2007. Chang, C. E Lin, C., 2003. Libsvm – A Library for Support Vector Machines. Costa, D. D., Barros, A. K., E Silva, A. C., 2007. Independent Component Analysis in Breast Tissues Mammograms Images Classification using LDA and SVM . Information Technology Applications in Biomedicine - ITAB2007 - Tokyo. Conference on 6th International Special Topic . Cristianini, N. E Shawe-Taylor, J. , 2000. An Introduction to Support Vector Machines and Other Kernel-based Learning Methods . Cambridge University Press. C. J. C. Burges. A tutorial on support vector machines for pattern recognition. Know- ledge Discovery and Data Mining, 2(2):1–43, 1998. Chaves, A. C. F., 2006. Extração de Regras Fuzzy para Máquinas de Vetor de Suporte (SVM) para Classificação em Múltiplas Classes . PhD Thesis. Pontifícia Universidade Católica do Rio de Janeiro. DDSM, 2001. The Digital Database for Screening Mammography , Michael Heath, Kevin 53 Bowyer, Daniel Kopans, Richard Moore and W. Philip Kegelmeyer, in Proceedings of the Fifth International Workshop on Digital Mammography, M.J. Yaffe, ed., Medical Physics Publishing. Disponível em http://www.csie.ntu.edu.tw/~cjlin/libsvm/. Fenton, J. J., Taplin, S. H., Carney, P. A., Abraham, L., Sickles, E. A., D'orsi, C., Berns, E. A., Cutter, G., Hendrick, R. E., Barlow, W. E. , ELMORE, J. G., 2007. Influence of Computer-Aided Detection on Performance of Screening Mammography . Breast Diseases: A Year Book Quarterly. Ferrari, R. J.; Rangayan, R. M., Desautels, J. E. L.; Freire, A. F. Analysis of asymmetry in mammograms via directional filtering with gaborwavelets. IEEE Transactions on Medical Imaging, v. 20 , September 2001. Freer, T. W. E Ulissey, M. J., 2001. Screening Mammography with Computer-Aided Detection: Prospective Study of 12,860 Patients in a Community Breast Center . Radiology. Giger, M. L, 2000. Computer-aided diagnosis of breast lesions in medical images. Computing in Science & Engineering. Goldberd, D., 1989. Genetic Algorithms in Search, Optimization, and Machine Learning. EUA: Addison-Wesley. Gonçalves A. R. Máquinas de Vetores suporte, 2010. Gonzalez, R. C. E Woods, R. E., 2007. Digital Image Processing . 3rd Edition. Prentice Hal Gunn S. R. (1998). Support Vector Machine for Classification and Regression. Faculty of Engineering, Science and Mathematics School of Electronics and Computer Science. Halkiotis, S.; Mantas, J.; Botsis, T. Computer-aided detection of clustered microcalcifications in digital mammograms. Special Issue: Proceedings of the fifth European Systems Science Congress, V. 2, October 2002. H. Nassif, D. Page, M. Ayvaci, J. Shavlik, and E. S. Burnside. Uncovering age-specific invasive and dcis breast cancer rules using inductive logic programming . Proceedings of 2010 ACM International Health Informatics Symposium (IHI 2010), ACM Digital Library, 2010. Hansel, D . Fundamentos da Patologia, Câncer de Mama, pág. 553 - 557. Rio de Janeiro Guanabara Koogan, 2007. Haykin, S. e Engel, P. M., 2001. Redes Neurais: Principios e Pratica . Bookman. Heath, M., Bowyer, K., Kopans, D., Moore, R., Kegelmeyer, W.P., 1998. Current Status of the Digital Database for Screening Mammography. Digital Mammography . iCad (2008). iCad Solutions. Disponível em: http://www.icadmed.com/. 54 Hermann, G.; Janus, C.; Schwartz, I S.; Krivisky, B.; Bier, S.; Rabinowitz, J.G. Nonpalpable breast lesions: Accuracy of prebiopsy mammographic diagnosis, 1987. INCA, 2015. Instituto Nacional do Câncer. Estimativas 2008: Incidência de Câncer no Brasil . Available at http://www.inca.gov.br. Instituto Nacional de Câncer (Brasil). Estimativas 2010. Incidência de câncer no Brasil. Rio de Janeiro: INCA; 2009. INTEL, 2008. Opencv, Open Computer Vision Library . Intel Technology and Research. Disponível em http://sourceforge.net/projects/opencvlibrary/. J. A. Baranauskas and M. C. Monard. Reviewing some machine learning concepts and methods. Technical Report 102, Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos. Disponível em: ftp://ftp.icmc.usp. br/pub/BIBLIOTECA/rel_tec/RT_102.ps.zip, Fevereiro 2000. Jacobson, H. G.; Edeiken, J. Biopsy of occult breast lesions: Analysis of 1261 abnormalities. J. Am. Math. Assoc., 1990. J. L. Castro, L. D. Flores-Hidalgo, C. J. Mantas, and J. M. Puche. Extraction of fuzzy rules from support vector machines. Fuzzy Sets and Systems archive, 2007. Jain, A. K., Duin, R. P. W., Mao , J., 2000. Statistical pattern recognition: A review . IEEE Transactions on Pattern Analysis e Machine Intelligence. Karatzoglou, A., Smola, A., Hornik, K., & Karatzoglou, M. A. (2016). Package ‘kernlab’.R Core Team (2014). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. Kestelman FP, Sousa GA, Thuler LC, Martins G, Freitas VAR, Canella EO. Breast Imaging Reporting and Data System - BI-RADS®: valor preditivo positivo das Categorias 3, 4 e 5. Revisão sistemática da literatura. Radiologia brasileira 2007. Kopans, DB. Imagem da mama. 2ª ed. Rio de Janeiro: Revinter Medsi; 2000. Liberman L, Abramson AF, Squires FB, Glassman JR, Morris EA, Dershaw DD. The Breast imaging report and data system: positive predict value of mammographic features and final assement categories. AJR 1998. Lorena A. C. e Carvalho, A. C. P. L. F. (2007) Uma Introdução às Support Vector Machines. M. A. Hearst, B. Schölkopf, S. Dumais, E. Osuna, and J. Platt. Trends and controversies - support vector machines. IEEE Intelligent System , 1998. M. C. Monard and J. A. Baranauskas. Conceitos de aprendizado de máquina. In S. O. Rezende, editor, Sistemas Inteligentes - Fundamentos e Aplicações. Editora Manole, 2003. 55 M. C. P. Souto, A. C. Lorena, A. C. B. Delbem, and A. C. P. L. F. Carvalho. Técnicas de Aprendizado de Máquina para problemas de Biologia Molecular, pages 103–152. Minicursos de Inteligência Artificial, Jornada de Atualização Científica em Inteligência Artificial, XXIII Congresso da Sociedade Brasileira de Computação, 2003. Martins, L. O., 2007. Detecção de Massas em Imagens Mamográficas Através do Algoritmo Growing Neural Gas e da Função K De Ripley. Dissertação de mestrado. Universidade Federal do Maranhão, Departamento de Engenharia de Eletricidade, Programa de Pós-Graduação em Engenharia de Eletricidade. São Luís, 2007. Ministério da Saúde, 2002 . Falando Sobre Câncer de Mama. Instituto Nacional de Câncer, Coordenação de Prevenção e Vigilância. Rio de Janeiro. Ministério da Saúde (BR). Política Nacional de Câncer de Mama. Brasília: Ministério da Saúde; 2008. Moayedi, F., Boostani, R. Azimifar, Z. Katebi, S., 2007. A Support Vector Based Fuzzy Neural Network Approach for Mass Classification in 81 Mammography . Digital Signal Processing, 2007. 15th International Conference. Mudigonda, N. R; Rangayyan, R. M; Desautels, J. E. L. Detection of the Breast Masses in Mammograms by Density Slicing and Texture Flow-Field Analysis. IEEE Transaction on Medical Imaging, 2001. Obenauer, S.; Hermann, K. P.; Grabbe, E. Applicatios and and literature review of the BI-RADS classification. European Radiology, 2005. Osta, H., Qahwaji, R. E Ipson, S., 2008. Wavelet-based Feature Extraction and Classification for Mammogram Images using RBF and SVM. In Proceedings of International Conference on Visualization, Imaging, and Image Processing (VIIP). Palma de Mallorca, Spain. Padwal, M., 2007. Elements of breasting imaging basics . Disponivel em: http://www.gehealthcare.com/usen/ultrasound/education/products/cme_breast.html. Parkin DM, Bray FI, Devesa SS. Cancer burden in the year 2000. The global picture. Eur J Cancer. 2001 Oct. Queiroz RY, Hummel AC. O valor das microcalcificações agrupadas no diagnóstico precoce do câncer de mama. Revista brasileira de cancerologia 1995. R. Herbrich. Learning Kernel Classifiers: Theory and Algorithms. MIT Press, 2001. R. Woods, L. Oliphant, K. Shinki, D. Page, J. Shavlik, and E. Burnside. Validation of results from knowledge discovery: Mass density as a predictor of breast cancer . J Digit Imaging, 2009. Ryan Woods and Elizabeth Burnside. The mammographic density of a mass is a significant predictor of breast cancer . Radiology, USA, 2010. 56 S. Haykin. Neural Networks - A Compreensive Foundation. Prentice-Hall, New Jersey, 2nd edition, 1999. Sampat, M. P., Markey, M. K., Bovik, A. C., 2005. Computer-Aided Detection and Diagnosis in Mammography . Handbook of Image and Vídeo Processing. Santos, V. T. Segmentação de imagens mamográficas para detecção de nódulos em mamas densas. Tese de mestrado apresentada na Universidade de São Paulo, novembro de 2002. Shanthu S, Bhaskaran AV. A Novel Approach for detecting and Classifying Breast Cancer. In: International Journal of Intelligent Information Technologies, 2013. Shen, L.; Rangayyan, R. M.; Desautels, J. E. L.; Frere, A. F. Application of shape analysis to mammographic calcifications . IEEE Transactions on Medical Imaging v. 13. Sickles EA. Breast calcifications: mammographic evaluation. Radiology 1986. Sousa, J. R., Silva, A. C., Paiva, A. C., 2007. Lung Structures Classification Using 3D Geometric Measurements and SVM . In: 12th Iberoamerican Congress on Pattern Recognition - CIARP 2007, Valparaiso. Lecture Notes Computer Science - LNCS. Berlin: Springer-Verla. T. Mitchell. Machine Learning. McGraw Hill, 1997. T. Ayer, O. Alagoz, J. Chhatwal, J. W. Shavlik, C. E. J. Kahn, and E. S. Burnside. Breast cancer risk estimation with artificial neural networks revisited: discrimination and calibration . Vol. Cancer. 2010. Tse GM, Tan PH, Cheung HS, Chu WCW, Lam WWM. Intermediate to highly suspicious calcification in breast lesions: a radio-pathologic correlation. Breast Cancer Res Treat 2008. V. N. Vapnik and A. Y. Chervonenkis. On the uniform convergence of relative fre- quencies of events to their probabilities. Theory of Probability and its Applications, 1971. V. N. Vapnik. Statistical Learning Theory. John Wiley and Sons, 1998. Vianna AD, Marchiori E. Calcificações malignas da mama: correlação mamografia anatomia patológica. Radiologia brasileira 2002. Zhang, P. e Kumar, K., 2006. Analyzing Feature Significance from Various Systems for Mass Diagnosis . Proceedings of the International Conference 83 on Computational Inteligence for Modelling Control and Automation and International Conference on Intelligent Agents Web Technologies and International Commerce. Zurrida, S. et al. A dissecção axilar no carcinoma de mama. In: VERONESI, U. et al. Mastologia Oncológica . Rio de Janeiro: MEDSI, 2002. Yu, S.; Guan, L. A cad system for the automatic detection of clustered microcalcifications in digitized mammogram films. IEEE Transaction on the Medical Imaging , v 20. | por |
dc.subject.cnpq | Ciência da Computação | por |
dc.thumbnail.url | https://tede.ufrrj.br/retrieve/5717/2016%20-%20Rupila%20Rami%20da%20Silva%20Goda.pdf.jpg | * |
dc.thumbnail.url | https://tede.ufrrj.br/retrieve/20450/2016%20-%20Rupila%20Rami%20da%20Silva%20Goda.pdf.jpg | * |
dc.thumbnail.url | https://tede.ufrrj.br/retrieve/26809/2016%20-%20Rupila%20Rami%20da%20Silva%20Goda.pdf.jpg | * |
dc.thumbnail.url | https://tede.ufrrj.br/retrieve/33190/2016%20-%20Rupila%20Rami%20da%20Silva%20Goda.pdf.jpg | * |
dc.thumbnail.url | https://tede.ufrrj.br/retrieve/39616/2016%20-%20Rupila%20Rami%20da%20Silva%20Goda.pdf.jpg | * |
dc.thumbnail.url | https://tede.ufrrj.br/retrieve/45980/2016%20-%20Rupila%20Rami%20da%20Silva%20Goda.pdf.jpg | * |
dc.thumbnail.url | https://tede.ufrrj.br/retrieve/52402/2016%20-%20Rupila%20Rami%20da%20Silva%20Goda.pdf.jpg | * |
dc.thumbnail.url | https://tede.ufrrj.br/retrieve/58816/2016%20-%20Rupila%20Rami%20da%20Silva%20Goda.pdf.jpg | * |
dc.originais.uri | https://tede.ufrrj.br/jspui/handle/jspui/1930 | |
dc.originais.provenance | Submitted by Celso Magalhaes (celsomagalhaes@ufrrj.br) on 2017-07-28T16:35:42Z No. of bitstreams: 1 2016 - Rupila Rami da Silva Goda.pdf: 2862869 bytes, checksum: 8c9a253d8a926ba04221e5ffb1311b81 (MD5) | eng |
dc.originais.provenance | Made available in DSpace on 2017-07-28T16:35:42Z (GMT). No. of bitstreams: 1 2016 - Rupila Rami da Silva Goda.pdf: 2862869 bytes, checksum: 8c9a253d8a926ba04221e5ffb1311b81 (MD5) Previous issue date: 2016-08-30 | eng |
Appears in Collections: | Mestrado em Modelagem Matemática e Computacional |
Se for cadastrado no RIMA, poderá receber informações por email.
Se ainda não tem uma conta, cadastre-se aqui!
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
2016 - Rupila Rami da Silva Goda.pdf | Rupila Rami da Silva Goda | 2.8 MB | Adobe PDF | ![]() View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.