Leiria, IsabelPereira, WagnerBeja, Pedro Filipe Hortelão2015-09-172015-09-1720132013http://hdl.handle.net/10400.1/6788Na imagiologia dos dias de hoje, a elastografia é uma técnica bastante promissora para a deteção do cancro da mama. Apesar de ainda ser pouco utilizada, esta técnica representa resultados ainda mais promissores quando combinados com a ecografia, pois permite reduzir o número de biopsias desnecessárias, ter uma maior segurança nos diagnósticos das lesões, a nível de sensibilidade, especificidade e acurácia, evita que os pacientes passem por radiação ionizante e os custos são bem menores quando comparados com outras técnicas. Este trabalho visa a caraterização dos contornos das lesões da mama, onde o contorno representa mais um fator de avaliação das imagens de elastografia. Experimentam-se vários algoritmos de segmentação a imagens de elastografia a cores e com base nos resultados é selecionado o Elasto Region. Na primeira parte do algoritmo é adicionado um pré-processamento de imagem através de operadores morfológicos por forma a isolar a lesão. Na segunda parte é aplicado o contorno ativo sem bordas para delimitar a lesão pretendida. São comparados os resultados finais obtidos de forma semi-automática com o Elasto Region, com os contornos delimitados manualmente por um médico especialista, através da razão de superposição. Das 104 imagens de elastografia a cores recolhidas obtém-se 37% das lesões utilizando a escala de cor RGB e 29% utilizando a escala HSV. Tendo em conta que a razão de superposição funciona quando os contornos são fechados, retira-se o número de imagens que o algoritmo não conseguiu obter um contorno fechado, assim utilizando 83 imagens na escala RGB temos 45% e com 63 imagens na escala HSV obtém-se 46%. Desta forma passa-se a conhecer o desempenho do algoritmo e pode-se concluir que é necessário ramificar o algoritmo para vários grupos de imagens. Pois diversos grupos de imagens requerem diferentes pré-processamentos.porDiagnóstico instrumentalImagiologiaCancro da mamaEcografiamaster thesis201729253