Botelho, Viviane RodriguesCecchetto, Bernardo2023-11-032023-11-032023-06-28https://repositorio.ufcspa.edu.br/handle/123456789/2465Dissertação (Mestrado)-Programa de Pós-Graduação em Tecnologias da Informação e Gestão em Saúde, Fundação Universidade Federal de Ciências da Saúde de Porto Alegre.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.pt-BRAcesso Aberto Após Período de EmbargoAttribution-NonCommercial-ShareAlike 3.0 BrazilMamografiaControle de qualidadeAprendizado Profundo[en] Mammography[en] Quality Control[en] Deep LearningDissertação