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.

Predição volumétrica de lesões pulmonares aplicando modelo oculto de Markov / Prediction volumetric of lung lesions applying hidden Markov model

OBJETIVO: predizer o estado volumétrico de lesões pulmonares aplicando o modelo oculto de Markov (HMM). MATERIAIS E MÉTODOS: Aquisição de imagens de lesões pulmonares temporais, geração do HMM e a aplicação do HMM. RESULTADOS: Os testes foram aplicados em 24 lesões pulmonares, adquiridas da Public Lung Database to Address Drug Response (PLDADR). Dividimos os resultados desta pesquisa em 3. O primeiro utilizando a base completa para predição volumétrica da lesão e comparação com o Response Evaluation Criteria in Solid Tumors (RECIST), atingindo uma taxa de acerto de 70,83%. No segundo, Aplica - se o método leave-one-out, separando os dados em dois grupos, treino e teste, obtendo-se uma taxa de acerto de 75,00%. Por fim, realizamos a predição volumétrica de cada lesão no intervalo de 5 tempos. O resultado mostrou que é possível predizer se o estado da lesão está progredindo, regredindo ou estabilizando, a partir das alterações ocorridas nos diâmetros e volumes.

OBJECTIVE: predicting the volume status of lung lesions by applying the hidden Markov model (HMM). MATERIALS AND METHODS: Acquisition of images of temporal lung lesions, HMM generation and application of HMM. RESULTS: The tests were applied in 24 pulmonary lesions, acquired from Public Lung Database to Address Drug Response(PLDADR). We have divided this search in 3. The first using the full volumetric basis for prediction of the lesion and compared to the Response Evaluation Criteria in Solid Tumors (RECIST), reaching a 70.83% success rate. Then, weapply the leave-one-out method, separating the data into two groups, training and testing, yielding a 75.00% successrate. Finally, we volumetric prediction of each lesion in 5 days interval. The result showed that it is possible to predict the state of the injury is progressing, regressing or stabilizing, from changes in the diameters and volumes.