Detecção de artefatos estranhos em radiografias de tórax / Foreign artifacts detection in chest radiographs

A radiografia de tórax é um dos exames preconizados para detecção de pneumonia na infância pela Organização Mundial de Saúde. Durante a execução do exame é comum encontrar artefatos nessas imagens radiográficas como:rótulos de identificação, marcas de dedos, botões de camisa, dentre outros, principalmente quando digitalizadas por meio de câmeras fotográficas. Esses artefatos além de tirarem o anonimato da radiografia, afetam significativamente sua análise por sistemas informatizados de detecção e suporte a identificação de doenças. Este trabalho apresenta um método eficiente para identificação dos artefatos, composto de 3 etapas principais: filtragem de pixels baseada em histograma,detecção de bordas com algoritmo de Roberts e filtragem espacial por filtro de desvio padrão. Este método foi experimentado em uma base de 200 imagens e inspecionado visualmente para identificação de erros. Resultados experimentais como, eficiência (tempo processamento/radiografia) ≈ 7ms e precisão de 0,98 demonstram que o método é bastante promissor.

Chest radiography is one of recommended imaging test by World Health Organization for childhood pneumonia diagnosis. However, during patient examination is very usual finding artifacts in these images, such as identification labels, fingerprints, shirt buttons, and so forth. Moreover, when these images are digitally scanned, other problems raise suchas noise, brightness control and so on. Artifacts can reveal private data and expose patient identification. Furthermore, these artifacts can significantly damage automatic analysis by computer diagnosis aided systems. This works presents anefficient method for artifact identification composed by 3 main stages: histogram based pixel filtering, edge detection withRoberts algorithm and standard deviation spacial filtering. This method has been experimented upon 200 images databaseand presented about 7ms of time processing per image. Visually inspection was used to error measuring and we achieve 0,98 of precision. As a result of this, the method demonstrate a very promising preprocessing tool.

Avaliação de classificadores no diagnóstico de câncer de mama / Classifiers evaluation in the diagnosis of breast cancer

O câncer de mama é um tumor que se desenvolve como consequência de alterações genéticas em algum conjunto de células da mama, podendo atingir axilas e até mesmo outros órgãos. O diagnóstico é realizado por meio de informações coletadas através de exames e observações clínicas. Em sistemas informatizados tais informações são usadas como entrada para processos de auxílio ao diagnóstico. Objetivando aumentar a acurácia e precisão desses sistemas implementamos e comparamos dois classificadores de reconhecimento de padrões, nomeados: Naïve Bayes (NB) e Quadratic Discriminant Analysis (QDA). Para condução dos experimentos utilizamos uma base de dados de 569 instâncias com 30 atributos e um rótulo identificador entre benignas e malignas, extraídas de imagens digitalizadas. Os resultados experimentais demonstram que, embora ambos classificadores sejam promissores, o classificador QDA apresenta, na média, melhores taxas de acurácia e sensibilidade.

Breast cancer is a tumor that develops as a consequence of genetic alterations in a number of breast cancercells, can reach the armpits and even other organs. The diagnosis is made based on information collected through tests and clinical observations. In computerized systems such information is used as input to aid the diagnosis process. Aiming to increase the accuracy and precision of these systems implemented and compared two pattern recognition classifiers appointed: Naïve Bayes (NB) and Quadratic Discriminant Analysis (QDA). To conduct the experiments we used a database of 569 instances with 30 attributes and a label identifier between benign and malignant, extracted from scanned images. The experimental results show that although both classifiers are promising the classifier Quadratic Discriminant Analysis has, on average, better accuracy rates and sensitivity.