Segmentação de massas em imagens mamográficas utilizando índices de similaridade / Mass segmentation in mammographic images using similarity indixes

Uma forma de segmentação de massas em imagens mamográficas é pela análise bilateral dos pares de mamografias. Sabe-se que mamografias da mama esquerda e direita apresentam alto grau de simetria e quando há uma diferença brusca entre os pares, pode-se considerar algo suspeito. OBJETIVO: Uma metodologia para segmentação de massas baseado em análise bilateral de mamografias usando técnicas de similaridade de espécies para encontrar regiões assimétricas. Materiais e MÉTODOS: Fluxo de cinco etapas: Materiais, Pré-processamento de imagens, Registro de imagens,Segmentação de regiões assimétricas e Filtragem de regiões. RESULTADOS: Os resultados preliminares mostram que essa metodologia é promissora na detecção de regiões assimétricas apresentando 95% de acerto na etapa de segmentação e 90,8% após a filtragem de regiões. CONCLUSÃO: Os índices de similaridade mostram-se promissores na tarefa de encontrar regiões suspeitas em pares de mamografias, além de formalização de técnicas para filtragem de regiões que não são massas.

One way of segmenting masses in mammographic images is the bilateral analysis of mammograms pairs. It isknown that mammograms of the left and right breast, has a high degree of symmetry and when there is an abrupt difference between the pairs may be considered something suspicious. OBJECTIVE: A methodology to segmentation mass based on bilateralanalysis of mammograms using species similarity techniques to find asymmetric regions. Materials and METHODS: A five-step flow: Materials, Pre-processing, Image Registration, Segmentation of asymmetric regions and Filtering regions. RESULTS: Preliminary results show that this method is promising in detecting asymmetrical regions showing 95%accuracy in segmentation step and 90.8% after filtering regions. CONCLUSION: The similarity indices show promise in the task of finding suspicious areas in mammograms pairs, there is also formalization of techniques to filtering regions.

Segmentação de microcalcificações em imagens mamográficas utilizando algoritmo FireFly / Microcalcifications segmentation in mammographic images using algorithm FireFly

OBJETIVO: propor um método para segmentação de microcalcificações em imagens mamográficas por meio do algoritmo firefly. MATERIAIS E MÉTODO: aplicar as etapas de aquisição das imagens, pré-processamento e segmentação. RESULTADOS: foram obtidos para as imagens densas 91% de acerto e para as imagens não densas 95% de acerto na detecção das microcalcificações. CONCLUSÃO: o método mostrou-se viável como instrumento para auxílio na detecção de microcalcificações em imagens mamográficas densas e não densas.

OBJECTIVE: proposing a method for microcalcifications segmentation in mammographic images by means of firefly algorithm. MATERIALS AND METHODS: apply the steps of acquisition, preprocessing and segmentation. RESULTS: the dense images resulted 91% of accuracy and non-dense images 95% of accuracy in the detection of microcalcifications. CONCLUSION: The method proved to be feasible as a tool to aid in the detection of microcalcifications in both dense and non-dense mammographic images.

Strabismus mobile: um aplicativo para diagnóstico de estrabismo / Strabismus mobile: an application for strabismus diagnosis

O processamento de imagens médicas vem contribuindo na redução de incertezas no diagnóstico de anomalias no corpo humano. No entanto, não é uma realidade a utilização de ferramentas computacionais de baixo custo no diagnóstico de estrabismo, uma patologia que afeta aproximadamente 4% da população provocando problemas estéticos e visuais. OBJETIVO: apresentar um aplicativo para diagnóstico automático do estrabismo através do Teste de Hirschberg. MÉTODOS: executado em 8 etapas: Aquisição de Imagens (1), Segmentação da Face (2), Detecção da Região dos Olhos(3), Localização dos Olhos (4), do Limbo (5) e do Brilho (6), Detecção (7) e Diagnóstico (8) do Estrabismo. RESULTADOS: foram obtidos 100% de especificidade, 96,96% de sensibilidade e 97,36% de acerto na detecção do estrabismo e demonstrou93,75% de precisão na identificação de esotropias, 100% em exotropias, 71,43% em hipertropias e 62,67% em hipotropias. CONCLUSÃO: o aplicativo mostrou-se promissor como uma ferramenta de auxílio ao diagnóstico de estrabismo.

The medical image processing has been contributing in the reduction of uncertainty in the diagnosis of abnormalities in the human body. However, there is still a need for low-cost computational tools in the diagnosis of strabismus a problem which affects approximately 4% of the population resulting aesthetic and visual problems. PURPOSE: Anapplication for automatic diagnosis of strabismus through Hirschberg test. METHODS: run 8 steps: Image Acquisition (1),Face Segmentation (2) Detection of Eye Region (3) Location of Eye (4), Limbus (5) and Brightness (6), Detection (7) and Diagnosis (8) of Strabismus. RESULTS: we obtained 100% specificity, sensitivity of 96.96 % and 97.36 % accuracy and was demonstrated to be 93,75% accurate in esotropias identification, 100% for exotropias, 71,43% for hypertropias and62,67% for hypotropias. CONCLUSION: The application has shown promise as a tool to aid the diagnosis of strabismus.

Análise temporal de lesões em mamografias utilizando índices de similaridade / Temporal analysis of mammogram lesions using similarity indexes

Uma forma de verificar a malignidade de lesões em mamografias é o acompanhamento periódico, analisando mudanças em medições de geometria (forma) e textura (tecido). Uma das medidas de forma mais utilizadas é a taxa de crescimento. No entanto, somada a medidas de tecido, obtém-se informações úteis sobre o desenvolvimento interno da lesão. OBJETIVOS: Uma metodologia para estabelecer uma correspondência entre lesões em mamografias de tempos diferentes e analisar as mudanças no tecido através de índices de similaridade. MÉTODOS: Executado em cinco etapas: Aquisição das Imagens, Pré-processamento, Registro de Imagens, Correspondência entre as Lesões e Análise Temporal de Texturas. RESULTADOS: Os resultados preliminares mostram que essa metodologia é promissora na detecção de mudanças no tecido das lesões. CONCLUSÃO: Os índices de similaridade se mostraram eficientes na quantificação de mudanças na textura e podem ser usados como informações para auxiliar o acompanhamento e diagnóstico de doenças associadas as lesões.

One way to verify the malignancy of breast lesions is the temporal analysis measurement geometry (shape) and texture (tissue). In this sense, one of the most used form measures is the growth rate. However, in addition to tissue measurements over time, you get useful information about their behavior. OBJECTIVES: A methodology for establishing a correspondence between injuries at different times and analyze changes in tissue through similarity indices. METHODS: Executed in five steps: image acquisition, preprocessing, Image Registration, Correspondence between Lesions and Temporal Analysis of Lesions Texture. RESULTS: Preliminary results show that this method is promising for detecting changes in tissue lesions. CONCLUSION: The similarity indices were effective in quantitating changes in texture and can be used as information to assist the monitoring and diagnosis of lesions associated diseases.