Método computacional para o controle de qualidade de mamógrafos a partir de imagens obtidas com objetos simuladores de mama
Carregando...
Data
2023-06-28
Autores
Título da Revista
ISSN da Revista
Título de Volume
Editor
Resumo
Os exames de mamografia são considerados como padrão-ouro para detecção de
câncer de mama, de acordo com a Organização Mundial da Saúde (OMS). Como o
exame tem o objetivo de detectar pequenos achados mamográficos, é necessário que
os mamógrafos possuam alta sensibilidade e gerem imagens com elevada resolução
espacial. Por isso, tais equipamentos são regularmente submetidos a testes de
controle de qualidade utilizando objetos simuladores, conforme exigências
estabelecidas pela Agência Nacional de Vigilância Sanitária (ANVISA), detalhadas na
Resolução da Diretoria Colegiada (RDC) da Instrução Normativa De 27 De Maio De
2021 (IN 92), ou pelo manual da International Atomic Energy Agency (IAEA). Nestes
testes, artefatos que representam a estrutura de uma mama são imageados em um
mamógrafo e, neles, existem estruturas que simulam achados mamográficos, tais
como microcalcificações, massas tumorais ou nódulos. Uma quantidade mínima
dessas estruturas deve ser visualizada na imagem para garantir a qualidade
operacional do equipamento. Atualmente, esta análise é feita de forma visual, o que
torna o teste de qualidade subjetivo e operador-dependente. Dessa forma, o presente
estudo desenvolveu um modelo baseado em algoritmos de deep learning e
processamento de imagens a fim de automatizar o controle de qualidade de imagem
em equipamentos de mamografia. O modelo desenvolvido atingiu uma acurácia de
96,38%, 96,52% e 94,78% para a classificação de visibilidade das fibras, massas e
microcalcificações, respectivamente.
Descrição
Dissertação (Mestrado)-Programa de Pós-Graduação em Tecnologias da Informação e Gestão em Saúde, Fundação Universidade Federal de Ciências da Saúde de Porto Alegre.
Palavras-chave
Mamografia, Controle de qualidade, Aprendizado Profundo, [en] Mammography, [en] Quality Control, [en] Deep Learning