Método computacional para o controle de qualidade de mamógrafos a partir de imagens obtidas com objetos simuladores de mama

Página do item simplificado
dc.contributor.advisorBotelho, Viviane Rodrigues
dc.contributor.advisor-coBecker, Carla Diniz Lopes
dc.contributor.advisor-coPianoschi, Thatiane Alves
dc.contributor.authorCecchetto, Bernardo
dc.date.accessioned2023-11-03T17:48:37Z
dc.date.available2023-11-03T17:48:37Z
dc.date.date-insert2023-11-03
dc.date.issued2023-06-28
dc.descriptionDissertação (Mestrado)-Programa de Pós-Graduação em Tecnologias da Informação e Gestão em Saúde, Fundação Universidade Federal de Ciências da Saúde de Porto Alegre.pt_BR
dc.description.abstractOs 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.
dc.description.abstract-enMammography exams are considered the gold standard for detecting breast cancer, according to the World Health Organization (WHO). As the objective of the test is to detect small mammographic findings, it is necessary that mammography devices have high sensitivity and generate images with high spatial resolution. Therefore, such equipment is regularly subjected to quality control tests using simulating objects, in accordance with the requirements established by the National Health Surveillance Agency (ANVISA), detailed in the Resolution of the Collegiate Board (RDC) of the Normative Instruction of May 27, 2021 ( IN 92), or by the manual of the International Atomic Energy Agency (IAEA). In these tests, artifacts that represent the structure of a breast are imaged in a mammography device and, in them, there are structures that simulate mammographic findings, such as microcalcifications, tumor masses or nodules. A minimum amount of these structures must be visualized in the image to guarantee the operational quality of the equipment. Currently, this analysis is done visually, which makes the quality test subjective and operator-dependent. Thus, the present study developed a model based on deep learning algorithms and image processing in order to automate image quality control in mammography equipment. The model developed reached an accuracy of 96.38%, 96.52% and 94.78% for the classification of fiber visibility, masses and microcalcifications, respectively.
dc.identifier.urihttps://repositorio.ufcspa.edu.br/handle/123456789/2465
dc.language.isopt_BR
dc.relation.requiresTEXTO - Adobe Reader
dc.rightsAcesso Aberto Após Período de Embargo pt_BR
dc.rightsAttribution-NonCommercial-ShareAlike 3.0 Brazilen
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/3.0/br/
dc.subjectMamografia
dc.subjectControle de qualidade
dc.subjectAprendizado Profundo
dc.subject[en] Mammographyen
dc.subject[en] Quality Controlen
dc.subject[en] Deep Learningen
dc.titleMétodo computacional para o controle de qualidade de mamógrafos a partir de imagens obtidas com objetos simuladores de mama
dc.typeDissertação
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
[DISSERTAÇÃO] Cecchetto, Bernardo (P).pdf
Tamanho:
281.4 KB
Formato:
Adobe Portable Document Format
Descrição:
Texto parcial
Baixar
Coleções
PPGTIGSAU - Dissertações