ESTUDODOGRAUDERISCODECÂNCERDEMAMA

UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ
DEPARTAMENTO ACADÊMICO DE INFORMÁTICA

BACHARELADO EM CIÊNCIA DA COMPUTAÇÃO
JONAS VIEIRA DE ASSIS
ESTUDO DO GRAU DE RISCO DE CÂNCER DE MAMA

UTILIZANDO A DIMENSÃO FRACTAL EM IMAGENS
INFRAVERMELHAS
TRABALHO DE CONCLUSÃO DE CURSO
PONTA GROSSA
2015
ESTUDO DO GRAU DE RISCO DE CÂNCER DE MAMA

UTILIZANDO A DIMENSÃO FRACTAL EM IMAGENS
INFRAVERMELHAS
Trabalho de Conclusão de Curso apresentado

como requisito parcial à obtenção do título de
Bacharel em Ciência da Computação, do Depar-
tamento Acadêmico de Informática, da Univer-
sidade Tecnológica Federal do Paraná.
Orientador: Dr. Ionildo José Sanches
PONTA GROSSA
2015
Ministério da Educação
Universidade Tecnológica Federal do Paraná
Campus Ponta Grossa
Diretoria de Graduação e Educação Profissional
Departamento Acadêmico de Informática
Bacharelado em Ciência da Computação
TERMO DE APROVAÇÃO
ESTUDO DO GRAU DE RISCO DE CÂNCER DE MAMA UTILIZANDO A

DIMENSÃO FRACTAL EM IMAGENS INFRAVERMELHAS
por
Este Trabalho de Conclusão de Curso foi apresentado em 27 de maio de 2015

como requisito parcial para a obtenção do título de Bacharel em Ciência da
Computação. O candidato foi arguido pela Banca Examinadora composta pelos
professores abaixo assinados. Após deliberação, a Banca Examinadora considerou
o trabalho aprovado.
__________________________________
Prof.º Dr.º Ionildo José Sanches
Prof. Orientador
___________________________________
Prof.º Msc. Geraldo Ranthum
Membro titular
___________________________________
Prof.º Dr.º Erikson Freitas de Morais
Membro titular
- O Termo de Aprovação assinado encontra-se na Coordenação do Curso -

Dedico este trabalho primeiramente а Deus,
pоr ser essencial еm minha vida, autor dе mеυ
destino, mеυ guia, socorro do meu presente nа
hora dа angústia, аоs mеυs pais, irmãos e
amigos.
AGRADECIMENTOS
Primeiramente а Deus qυе permitiu qυе tudo isso acontecesse, não

somente durante minha vida como universitário, mas ao longo de toda minha vida.
Aos meus pais, irmãos, pelo amor, incentivo е apoio incondicional.
Aos meus amigos, que nоs momentos dе minha ausência dedicados ао estudo
superior, sеmprе fizeram entender qυе о futuro é feito а partir dа constante dedicação nо
presente.
Agradeço ao meu orientador Ionildo José Sanches, pela paciência e pela sabedoria
com que me guiou nesta trajetória.
Aos meus colegas de sala.
Agradeço а todos os professores que um dia passaram por minha vida e sem sombras
de dúvidas contribuíram para essa conquista.
Enfim, a todos os que por algum motivo contribuíram para a realização desta
pesquisa.
RESUMO
ASSIS, Jonas Vieira. Estudo do grau de risco de câncer de mama utilizando a dimensão
fractal em imagens infravermelhas. 2015. 78f. Trabalho de Conclusão de Curso (Bacharelado
em Ciência da Computação) - Universidade Tecnológica Federal do Paraná. Ponta Grossa, 2015.
O câncer de mama é um tumor maligno que se desenvolve como consequência de alterações

genéticas em células da mama, que passam a se dividir sem controle, sendo uma doença com
um alto grau de cura se for diagnosticada no seu estágio inicial. Neste estudo foi desenvolvido
um método semiautomático para análise do nível de risco de câncer de mama utilizando tempe-
ratura adimensional e o cálculo da dimensão fractal em imagens infravermelhas. Essas imagens
podem ser analisadas de forma a se buscar informações sobre possíveis regiões que podem ser
diagnosticadas como um possível câncer de mama (maligno ou benigno). Para realizar essas
análises, pode-se considerar uma temperatura normalizada de uma região da imagem, capturada
pela câmera, e utilizar a diferença de temperatura de regiões simétricas do corpo como referên-
cia. Já o cálculo da dimensão fractal pode ser utilizado para analisar a irregularidade da borda de
uma região de interesse, como por exemplo um nódulo mamário, onde o mesmo pode apresentar
algumas características de um câncer maligno ou benigno. Para o cálculo da temperatura média
adimensional, foi utilizada a temperatura média cutânea, a temperatura do ambiente e por fim a
temperatura central. Para o cálculo da dimensão fractal, foi utilizado o método Box-Counting.
Foi considerado informações de temperatura da região de interesse selecionada pelo usuário,
tratada com algumas técnicas de processamento de imagens como a segmentação por limiari-
zação e detecção de bordas. Os resultados obtidos foram classificados em cinco graus de risco
e também em tumor maligno ou tumor benigno. Foram analisados cinco conjuntos de imagens
e mais dez imagens separadas. Nessas análises foram realizados 30 casos de teste levando em
consideração a temperatura média adimensional e 17 casos de teste levando em consideração a
dimensão fractal. No caso da temperatura média adimensional a classificação de risco se man-
teve entre os 3 graus mais baixo de risco e na dimensão fractal todos os casos foram classificados
como tumor benigno.
Palavras-chaves: Imagens termográficas. Câncer de mama. Processamento de imagens. Dimen-

são fractal. Temperatura adimensional.
ABSTRACT
ASSIS, Jonas Vieira. Study of breast cancer risk degree using fractal dimension in infrared
images. 2015. 78f. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação)
- Federal University of Technology - Paraná. Ponta Grossa, 2015.
Breast cancer is malignant tumor that increases as a result of genetic changes in breast cells
that start to divide with no control. It is a disease with high degree of cure if it be diagnosed
in early stages. In this study was developed a method for analysis of the level of risk of breast
cancer using dimensionless temperature and calculating by the fractal dimension in infrared im-
ages. These images can be analyzed in order to bring information about possible areas that can
be diagnosed as a possible breast cancer (malignant or benign). To perform such analyzes, it can
consider a standard temperature of a region of the image captured by the camera, and use the
temperature difference of symmetric regions of the body as a reference. Moreover, the calculus
of fractal dimension can be used to analyze the irregularity of the edge of a region of interest
(ROI), such as a breast mass, where it may exhibit some characteristics of a malignant or benign
cancer. It was considered temperature information of the zone of interest selected by the user,
treated with some image processing techniques such as segmentation by thresholding and edge
detection. The results earned were classified into five grades of risk and also malignant tumor or
benign tumor. It was analyzed five sets of images and ten separate images. In these analyzes were
carried out 30 test cases taking into consideration the average adimensional temperature and 17
test cases taking into consideration the fractal dimension. In the case of average adimensional
temperature the rating remained between 3 degrees lower risk and fractal dimension all cases
were classified as benign tumor.
Key-words: Thermographic images. Breast cancer. Image processing. Fractal dimension. Adi-
mensional temperature.
LISTA DE ILUSTRAÇÕES
Figura 1 – Estrutura da mama. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

Figura 2 – Representação de uma imagem digital. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
Figura 3 – Representação de uma imagem digital com matriz bidimensional. . . . . . . . . . . . 22
Figura 4 – Passos fundamentais em processamento de imagens digitais. . . . . . . . . . . . . . . . . 24
Figura 5 – Elementos funcionais básicos de um sistema de processamento de imagens. 25
Figura 6 – Cubo de cores RGB.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
Figura 7 – Imagem termográfica adquirida com uma câmera infravermelha. . . . . . . . . . . . . 27
Figura 8 – Imagem infravermelha com a indicação de alguns pontos de temperatura. . . 29
Figura 9 – Processo de termorregulação representado graficamente. . . . . . . . . . . . . . . . . . . . . . 30
Figura 10 – Faixa de frequência do espectro eletromagnético. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
Figura 11 – Imagem termográfica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Figura 12 – Imagem infravermelha visualizada com diferentes LUTs. . . . . . . . . . . . . . . . . . . . 32
Figura 13 – Interpretação geométrica da técnica de fatiamento por intensidade. . . . . . . . . 33
Figura 14 – Exemplo de transformações de cores.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
Figura 15 – Temperatura adimensional normalizada média. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
Figura 16 – Tumor na mama direita. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Figura 17 – Floco de neve de Koch, considerado um fractal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
Figura 18 – Triângulo de Sierpinskyé. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
Figura 19 – Método Box-Counting. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
Figura 20 – Exemplo do cálculo da DF. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
Figura 21 – Método Prism Counting. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
Figura 22 – Processo para o cálculo da dimensão fractal multiescala. . . . . . . . . . . . . . . . . . . . 40
Figura 23 – Disposição das imagens no software. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
Figura 24 – Processo resumido para detecção de bordas da região de interesse.. . . . . . . . . 46
Figura 25 – Níveis de risco. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Figura 26 – Exemplo usado para a classificação dos riscos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
Figura 27 – Interface principal do sistema após as imagens carregadas. . . . . . . . . . . . . . . . . . 48
Figura 28 – Interface de seleção de imagens. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
Figura 29 – Exemplo de seleção de regiões de interesse. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Figura 30 – Exemplo de elipses em regiões simétricas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
Figura 31 – Exemplo de entrada do método box-counting. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
Figura 32 – Exemplo de funcionamento do método Box-Counting. . . . . . . . . . . . . . . . . . . . . . . 51
Figura 33 – Primeiro conjunto de imagens. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Figura 34 – Segundo conjunto de imagens. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
Figura 35 – Terceiro conjunto de imagens.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
Figura 36 – Quarto conjunto de imagens. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
Figura 37 – Quinto conjunto de imagens. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
Figura 38 – Imagem classificada em ambas as mamas como grau 1. . . . . . . . . . . . . . . . . . . . . . 66
Figura 41 – Exemplo de um região que seria classificado como tumor maligno. . . . . . . . . 67
Figura 42 – Teste 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
Figura 43 – Teste 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
Figura 44 – Teste 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
Figura 45 – Teste 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
Figura 46 – Teste 5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
Figura 47 – Teste 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
Figura 48 – Teste 7. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
Figura 49 – Teste 8. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
Figura 50 – Teste 9. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
Figura 51 – Teste 10. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
LISTA DE TABELAS
Tabela 1 – Resultados da temperatura média cutânea e adimensional. . . . . . . . . . . . . . . . . . . . 54

Tabela 2 – Classificação do grau de risco de câncer de mama do conjunto de imagens. 55
LISTA DE QUADROS
Quadro 1 – Classificação clínica do câncer de mama pelo sistema TNM. . . . . . . . . . . . . . . . 20

Quadro 2 – Estadiamento do câncer de mama pelo sistema TNM. . . . . . . . . . . . . . . . . . . . . . . 21
Quadro 3 – Elementos básicos relacionados ao sistema de processamento de imagens. 25
Quadro 4 – Valores do cálculo da dimensão fractal e seus respectivos contornos. . . . . . . 38
Quadro 5 – Informações sobre os conjuntos de imagens.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
Quadro 6 – Informações sobre as imagens sem conjuntos completos. . . . . . . . . . . . . . . . . . . . 53
Quadro 7 – Resultados da Dimensão Fractal do primeiro conjunto de imagens. . . . . . . . . 55
Quadro 8 – Resultado da Dimensão Fractal do segundo conjunto de imagens. . . . . . . . . . 57
Quadro 9 – Resultado da Dimensão Fractal do terceiro conjunto de imagens. . . . . . . . . . . 58
Quadro 10 – Resultado da Dimensão Fractal do quarto conjunto de imagens. . . . . . . . . . . 60
Quadro 11 – Resultado da Dimensão Fractal do quinto conjunto de imagens. . . . . . . . . . . 62
Quadro 12 – Classificação dos testes realizados através da dimensão fractal. . . . . . . . . . . . 63
Quadro 13 – Resultados das imagens sem conjuntos definidos. . . . . . . . . . . . . . . . . . . . . . . . . . . 64
Quadro 14 – Classificação - Grau de risco.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
Quadro 15 – Classificação - Dimensão fractal.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
LISTA DE ABREVIATURAS E SIGLAS
AAT American Academy of Thermology
ANS Agência Nacional de Saúde Complementar
DF Dimensão Fractal
FDA Food and Drug Administration
FPF FLIR Public Format (Formato Público FLIR)
HSI Hue, Saturation, Intensity (Matiz, Saturação, Intensidade)
IDE Integrated Development Environment (Ambiente de Desenvolvimento Inte-

grado)
INCA Instituto Nacional do Câncer
KNN K-Nearest Neighbors
LUT Look-Up Table
PDI Processamento Digital de Imagens
RGB Red, Green, Blue (Vermelho, Verde, Azul)
ROI Region of Interest (Região de Interesse)
SUS Sistema Único de Saúde
SVM Support Vector Machine (Máquina de Vetor de Suporte)
TNM Tumor, Lymph Nodes, Metastasis (Tumor, Linfonodos, Metástase)
UICC Union for International Cancer Control

LISTA DE SÍMBOLOS
𝜃 Temperatura Adimensional
𝑇 Temperatura Ambiente
𝑇∞ Temperatura Central
𝑇𝑏 Temperatura Cutânea
∆𝑇 Temperatura Média
𝐿 Valor limiar
SUMÁRIO
1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.1 OBJETIVOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.1.1 Objetivo Geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.1.2 Objetivos Específicos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.2 JUSTIFICATIVA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.3 ORGANIZAÇÃO DO TRABALHO. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2 REFERENCIAL TEÓRICO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.1 CÂNCER DE MAMA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.1.1 Nódulo Mamário . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.1.2 Estadiamento do Câncer de Mama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2 PROCESSAMENTO DE IMAGENS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.2.1 Imagens Digitais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.2.1.1 Imagens em escala de cinza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2.1.2 Limiarização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2.1.3 Detecção de bordas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2.2 Fundamentos do Processamento de Imagens. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2.3 Elementos do Processamento de Imagens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.4 Processamento de Imagens Coloridas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3 TERMOGRAFIA INFRAVERMELHA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.3.1 História da Termografia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.3.2 Imagens Termográficas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.3.3 Processo de Termorregulação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.3.4 Radiação Térmica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.3.4.1 Aplicações das imagens infravermelhas na medicina. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.3.5 Processamento de Imagens em Pseudo-Cores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.4 TEMPERATURA ADIMENSIONAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.4.1 Uso da Temperatura Adimensional em Pacientes com Tumor de Mama . . . . . . . . . . . . 34
2.5 DIMENSÃO FRACTAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.5.1 Técnicas para o Cálculo da Dimensão Fractal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.5.1.1 Box-Counting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.5.1.2 Prism-Counting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.5.1.3 Relação Área Perímetro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.5.1.4 Dividers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.5.1.5 Dimensão Fractal Multiescala . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.6 TRABALHOS RELACIONADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.7 CONSIDERAÇÕES FINAIS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3 MATERIAIS E MÉTODOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.1 RECURSOS DE SOFTWARE E HARDWARE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.2 PROTOCOLOS DE PREPARAÇÃO DO AMBIENTE E DO PACIENTE . . . . . . . . . . . 43
3.3 PROTOCOLO DE AQUISIÇÃO DE IMAGENS INFRAVERMELHAS . . . . . . . . . . . . . 44
3.4 CÁLCULO DA IRREGULARIDADE DA BORDA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.5 GRAU DE RISCO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.6 DESENVOLVIMENTO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.6.1 Região de Interesse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.6.2 Temperaturas Médias e Adimensionais de Regiões Simétricas do Corpo . . . . . . . . . . . 49
3.6.3 Irregularidade da Borda de Possíveis Tumores. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4 RESULTADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.1 CONJUNTOS DE IMAGENS UTILIZADAS NOS TESTES . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.2 PRIMEIRO CONJUNTO DE IMAGENS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.2.1 Análise de Temperatura Média Cutânea e Temperatura Média Adimensional . . . . . . 54
4.2.2 Análise da Dimensão Fractal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.2.3 Análise dos Níveis de Risco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.3 SEGUNDO CONJUNTO DE IMAGENS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.3.3 Análise dos Níveis de Risco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.4 TERCEIRO CONJUNTO DE IMAGENS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.4.3 Análise dos Níveis de Risco dos Tumores. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.5 QUARTO CONJUNTO DE IMAGENS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.6 QUINTO CONJUNTO DE IMAGENS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.7 OUTROS TESTES EM IMAGENS FRONTAIS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
5 CONCLUSÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.1 ANÁLISE DOS RESULTADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.1.1 Temperatura Média Adimensional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.1.2 Dimensão Fractal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.3 TRABALHOS FUTUROS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
APÊNDICE A – IMAGENS FRONTAIS UTILIZADAS PARA TESTES . . . . . . . . . . . . . 73
15
1 INTRODUÇÃO
O câncer de mama é um tumor maligno que se desenvolve como consequência de alte-

rações genéticas em células da mama, que passam a se dividir sem controle. É a principal causa
de morte por câncer entre as mulheres em todo o mundo (FRAZÃO; VARGAS, 2013). De acordo
com dados do Instituto Nacional do Câncer (INCA, 2014), a estimativa para o ano de 2014 foi
de 57.120 casos novos de câncer de mama, com uma taxa de incidência de 56 casos a cada 100
mil habitantes. Embora a incidência da doença seja menor no Brasil, quando comparado a países
desenvolvidos, a taxa de mortalidade é maior pois o rastreamento e o tratamento da doença é
menos eficiente que em países desenvolvidos.
O sistema de saúde brasileiro ainda encontra diversas barreiras que se iniciam desde a
detecção do câncer até os tratamentos indicados, contribuindo para as taxas mencionadas (PI-
NHEIRO et al., 2013). Os casos de mortes por câncer de mama, seriam menores caso a doença
fosse diagnosticada no seu estágio inicial, pois o câncer de mama tem um alto grau de cura
quando diagnosticado neste estágio.
A termografia infravermelha (obtida por meio de câmeras infravermelhas) gera, como
dado, uma imagem em escala de cinza ou colorida utilizando pseudo-cores (SANCHES, 2009).
A análise dessas imagens podem ser utilizadas como uma técnica complementar a outras, como
a mamografia por exemplo, de forma a se buscar informações sobre possíveis regiões que podem
ser diagnosticadas como um possível câncer de mama (maligno ou benigno). Essa análise leva
em consideração a temperatura cutânea que é capturada pela câmera infravermelha, onde cada
região do corpo humano possui um valor de temperatura.
O ser humano possui graus variáveis de troca de calor com o ambiente, esse processo
recebe o nome de termorregulação. Essa diferença de temperatura pode ser registrada por senso-
res infravermelhos (câmeras infravermelhas) que possuem essa capacidade tecnológica, sendo
capazes de representar graficamente as temperaturas em diferentes pontos (RESMINI, 2011). A
termografia faz uso da radiação infravermelha para medir temperaturas nas mais variadas con-
dições. O seu uso na medicina tornou-se muito útil pois não necessita de radiações ionizantes e
também é uma técnica não-invasiva e indolor (BEZERRA, 2007).
Para analisar regiões de interesse (ROI), em imagens termográficas, é necessário garan-
tir que essas regiões não sejam afetadas por outros fatores de temperatura, como por exemplo,
a do ambiente e até mesmo a do metabolismo do paciente. Por isso, utiliza-se a temperatura
adimensional, que é definida por uma equação que leva em consideração a temperatura da su-
perfície cutânea, do ambiente e também a central (em um ser humano normal, se encontra na
faixa de 37 ∘ C com margem de ±0, 7 ∘ C). A temperatura adimensional estabelece valores nor-
malizados de temperatura para qualquer região de interesse, usando valores em uma escala de 0
a 1 (BRIOSCHI, 2011).
16
O processamento digital de imagens é uma forma de processamento de dados, utilizada

em uma ampla variedade de áreas do conhecimento que envolve a entrada e saída de imagens,
extração de atributos da imagem e também o reconhecimento de objetos individuais. Uma ima-
gem digital é formada por números finitos de elementos, chamados pixels (picture elements)
(GONZALEZ; WOODS, 2010).
Atualmente, a dimensão fractal é utilizada em várias áreas do conhecimento, como ca-
racterização de objetos, análise de texturas, reconhecimento e análise de padrões em imagens e
também para determinar a irregularidade de bordas de um fractal. Devido a essas várias aplica-
ções, existem vários métodos para estimar a dimensão fractal (BACKES; MARTINEZ, 2005).
Em aplicações médicas, uma imagem térmica possui uma importante característica: a
sua simetria de temperatura. Isso significa que, quando as imagens não estão simétricas termica-
mente, é possível a indicação de doenças como o câncer de mama ou alguma infecção (WIECEK
et al., 2001).
Neste trabalho serão analisadas imagens de termografia. Assim, a diferença de tempe-
ratura de regiões simétricas do corpo será utilizada para verificar se existe alguma anormalidade,
enquanto o cálculo da dimensão fractal será utilizado para analisar a irregularidade da borda,
de possíveis tumores, com o objetivo de estabelecer um grau de risco e auxiliar no diagnóstico
clínico.
1.1 OBJETIVOS
Nesta seção, será apresentado o objetivo geral e os objetivos específicos deste trabalho.
1.1.1 Objetivo Geral
Desenvolver um método para análise do nível de risco de câncer de mama utilizando

temperatura adimensional e o cálculo da dimensão fractal em imagens infravermelhas.
1.1.2 Objetivos Específicos
Os objetivos específicos deste trabalho são:

∙ Implementar algoritmos para visualização, processamento e segmentação de ima-
gens infravermelhas;
∙ Calcular as diferenças de temperaturas médias e adimensionais nas regiões de inte-
resse selecionadas pelo usuário;
17
∙ Calcular a irregularidade da borda de possíveis tumores utilizando a dimensão frac-

tal;
∙ Determinar os níveis de risco dos tumores e classificá-los, baseado na diferença si-
métrica da temperatura adimensional e do cálculo da dimensão fractal;
∙ Avaliar o método desenvolvido em diversos conjuntos de imagens.
1.2 JUSTIFICATIVA
O câncer de mana vem, há décadas, se consolidando como o mais comum entre as

mulheres, embora a taxa de incidência tenha diminuído a cada ano, decorrente das pesquisas
cada vez mais centradas nesta área, das campanhas de conscientização e também aos avanços
da tecnologia.
A termografia no diagnóstico médico é considerada uma técnica muito vantajosa, com-
parada com outras técnicas, pois não é invasiva, tem baixo custo, não faz uso de qualquer radiação
ionizante, não faz uso de contraste e também o paciente não é submetido ao contato físico. Cabe
ressaltar também que o equipamento é portátil e os resultados são disponibilizados em tempo
real (SANCHES, 2009). Assim, como a cura do câncer de mama está altamente relacionada ao
diagnóstico precoce da doença, a termografia se torna uma grande aliada, complementarmente a
outras técnicas, como a mamografia, que muitas vezes não observam estágio iniciais da doença.
Assim, o software desenvolvido neste trabalho poderá auxiliar os profissionais da área
da saúde fornecendo informações sobre o nível de risco da doença, baseado na análise de imagens
termográficas.
1.3 ORGANIZAÇÃO DO TRABALHO
No capítulo 2 é apresentada uma revisão bibliográfica sobre temas relacionados ao tra-

balho, como câncer de mama, imagens termográficas, temperatura adimensional, processamento
digital de imagens e dimensão fractal. No capítulo 3 é apresentada a metodologia usada neste
estudo. No capítulo 4 são mostrados os resultados obtidos e realizada a discussão dos resultados.
No capítulo 5 são apresentadas as conclusões e também sugestões de trabalhos futuros.
18
2 REFERENCIAL TEÓRICO
Neste capítulo serão abordados conceitos sobre este estudo, cujo objetivo é apresentar
definições e características sobre os temas mais atuais e importantes que envolvem o desenvol-
vimento do trabalho.
2.1 CÂNCER DE MAMA
O câncer de mama é um tumor maligno que se desenvolve como consequência de alte-

rações genéticas em células da mama, que passam a se dividir sem controle, gerando um cresci-
mento anormal das células da mama. É a principal causa de morte por câncer entre as mulheres
em todo o mundo, mesmo em vista de um alto grau de cura quando diagnosticado em seu estágio
inicial. Muitas mulheres têm receio de procurar ajuda médica para realizar exames rotineiros,
comprometendo o diagnóstico precoce e, consequentemente, a cura, devido a demora. fica com-
prometido e quanto mais tempo demora o diagnóstico menores são as chances de cura.
Segundo dados do Instituto Nacional do Câncer (INCA, 2014), estima-se em 57.120
o número de novos casos de câncer de mama no ano de 2014, com uma taxa de incidência
de 56 casos a cada 100 mil habitantes. Relativamente raro antes dos 35 anos de idade, porém
após essa faixa etária a incidência cresce rapidamente e progressivamente tanto nos países em
desenvolvimento quanto nos países desenvolvidos.
A luta contra o câncer de mama é intensa, tanto que existem movimentos em todo
mundo para conscientizar a população e também incentivar as mulheres a buscarem o diagnós-
tico precoce. Existe um movimento em prol da luta contra o câncer de mama, o Outubro Rosa.
Este movimento começou no Estados Unidos, na década de 1990 e atualmente é comemorado
em todo mundo.
Provavelmente é a doença mais temida pelas mulheres, pois a sua manifestação causa
um grande impacto relacionados à imagem da mulher e até sua própria sexualidade (PINHEIRO
et al., 2013). Na Figura 1 pode-se observar a anatomia da mama feminina.
19
Figura 1 – Estrutura da mama.

Fonte: Winslow (2013)
A formação das glândula mamária (mama) se dá devido a composição de tecidos conec-

tivo, adiposo e mamário, onde o último é responsável pela produção de leite. Os dutos, conectam
lobos, lóbulos e bulbos (BORCHARTT, 2013). Na mama ainda existem vasos sanguíneos e lin-
fáticos. Suas funções estão mais detalhadamente descritas abaixo.
∙ Lobos e dutos: tubos por onde percorre o leite, cada mama possui de 15 a 20 lobos,
que contém pequenos lóbulos;
∙ Lóbulos: conjunto de dezenas de bulbos(produção de leite);
∙ Tecido adiposo: preenche o restante da mama.
Os vasos linfáticos se unem ao tecido linfático e a uma camada de tecido conectivo,
dando origem aos linfonodos. Os linfonodos são encontrados em todas as parte do corpo, sendo
responsáveis por ajudar as células contra infecções e doenças. Assim, os linfonodos das mamas
estão dispostos principalmente na região axilar, subclavicular e no peito (BORCHARTT, 2013).
Aproximadamente 90% dos tumores de mama ocorrem nos dutos ou lobos. Carcinoma
ductal são denominados os tumores que se iniciam nos dutos lactíferos, já o carcinoma lobular
são os que iniciam nos lobos, porém caso haja metástase são chamados de invasivos (BEZERRA,
2007). Existem outros tipos de câncer, porém ocorrem com menos frequência, como os tumo-
res medulares, mucinosos, tubulares, papilares ou inflamatórios. Em geral, o primeiro sinal da
patologia da mama costuma ser a presença de um nódulo único endurecido e não doloroso.
20
2.1.1 Nódulo Mamário
O nódulo é uma área definida, que pode ser um simples cisto, de conteúdo liquido ou
sólido (benigno ou maligno). O câncer de mama se apresenta como um tumor de consistência
dura, com tamanhos que podem variar centímetros de diâmetro, de limites mal definidos, com
temperaturas variadas. Os nódulos têm características peculiares, como a sua borda e o seu
tamanho, o que facilita a classificação do mesmo como benignos e malignos (BEZERRA, 2007).
2.1.2 Estadiamento do Câncer de Mama
Atualmente, os tratamentos do câncer de mama são definidos principalmente pelo es-

tadiamento (estágio) do tumor, que é definido pela classificação TNM (Tumor, Linfonodo, Me-
tástase) criada pela União Internacional Contra o Câncer (UICC). Essa classificação utiliza três
critérios para definir o estágio do câncer: a dimensão do tumor, os linfonodos regionais ao redor
do tumor e a existência ou não de metástase (formação de uma nova lesão tumoral a partir de
outra). No Quadro 1 é possível observar a classificação clínica do câncer de mama pelo sistema
TNM (SOBIN; WITTEKIND, 2002).
T: Tumor
TX O tumor principal não pode ser avaliado.
T0 Não foi detectado tumor.
Tis Carcinoma in situ (Primeira fase do tumor).
T1 O tumor tem no máximo 2 centímetros de diâmetro.
T2 O tumor tem entre 2 e 5 centímetros de diâmetro.
T3 O tumor tem mais de 5 centímetros de diâmetro.
T4 Tumor com extensão direta à parede torácica ou à pele.
N: Linfonodos Regionais
NX Os Linfonodos regionais não podem ser avaliados.
N0 Ausência de metástases nos linfonodos regionais.
N1 O Tumor se espalhou de 1 a 3 linfonodos axilares e/ou mamários inter-
nos.
N2 O Tumor se espalhou de 4 a 9 linfonodos axilares e/ou mamários inter-
nos.
N3 a. O Tumor se espalhou de 10 ou mais linfonodos axilares. b. Tumor se
espalho para linfonodos torácicos internos e axilar. c. Tumor se espalhou
para linfonodos claviculares.
M: Metástase
M0 Ausência de metástase.
M1 Existe metástase.
Quadro 1 – Classificação clínica do câncer de mama pelo sistema TNM.

Fonte: Adaptação de Sobin e Wittekind (2002)
21
O Quadro 2 sintetiza por estágios nas mais diversas combinações possíveis, utilizando
os fatores do Quadro 2. Com a definição do estágio do câncer de mama do paciente, o profissional
da área da saúde consegue definir os próximos passos para o tratamento da enfermidade.
Estágio 0 Tis, N0, M0.

Estágio I T1, N0, M0.
Estágio IIa T0, N1, M0; T1,N1, M0; T2, N0, M0.
Estágio IIb T2,N1, M0; T3, N0, M0.
Estágio IIIa T0 N2 M0; T1, N2, M0; T2, N2, M0; T3, N1, N2, M0.
Estágio IIIb T4, qualquer N, M0; qualquer T, N3, M0.
Estágio IV qualquer T, qualquer N, M1.
Quadro 2 – Estadiamento do câncer de mama pelo sistema TNM.

Fonte: Adaptação de Sobin e Wittekind (2002)
2.2 PROCESSAMENTO DE IMAGENS
Uma das primeiras técnicas de processamento digital de imagens (PDI) foi o melhora-
mento de imagens digitais para jornais, enviadas por meio de cabo submarino de Londres para
New York (GONZALEZ; WOODS, 2010).
Atualmente, técnicas de PDI são utilizadas nas mais diversas áreas, sendo cada vez mais
úteis para a sociedade de forma direta e indireta. Assim, algumas aplicações merecem destaque,
como: a medicina, microbiologia, sensoriamento remoto, telecomunicações, entretenimento, ci-
ência da computação e indústrias aeroespacial e nuclear (CAMPELLO, 2006).
Em 1964, iniciou-se no Jet Propulsion Laboratory (Pasadena, Califórnia) o uso de téc-
nicas de computação para processar imagens que eram transmitidas por satélites com o objetivo
de corrigir vários tipos de distorções das imagens (GONZALEZ; WOODS, 2010).
Na medicina, procedimentos computacionais, que envolvem o processamento de ima-
gens ajudam a melhorar imagens de tal forma a facilitar a interpretação dos diagnósticos (GON-
ZALEZ; WOODS, 2010).
2.2.1 Imagens Digitais
Atualmente, a captura de imagens digitais pode ser realizada através de vários sensores.
Assim, quando processada essas imagens, é possível alcançar os mais distintos objetivos, como
por exemplo, um diagnóstico médico.
22
Uma imagem pode ser definida como uma função de intensidade f (x, y), onde x e y são
as coordenadas espaciais e o valor de f em qualquer par de coordenadas (x, y) é proporcional ao
brilho, ou nível de cinza da imagem naquele ponto (GONZALEZ; WOODS, 2010). A Figura 2
mostra um ponto com sua respectiva coordenada.
Figura 2 – Representação de uma imagem digital.

Fonte: Autória própria.
Uma imagem digital é formada por números finitos de elementos, chamados pixels
(picture elements ou elementos de imagem). Na Figura 3 é possível notar uma matriz de duas
dimensões que representa o número de linhas e o número de colunas (SANCHES, 2009). Se a
imagem contiver M linhas e N colunas, o índice x variará de 0 a N-1, enquanto y variará de 0
a M-1 (QUEIROZ; GOMES, 2001). Segundo Gonzalez e Woods (2010), pixel é o termo mais
utilizado atualmente para se referir aos elementos de imagens digitais.
Figura 3 – Representação de uma imagem digital com matriz bidimensional.

Fonte: Adaptação de Sanches (2009).
23
2.2.1.1 Imagens em escala de cinza
Uma imagem digital, quando em escala de cinza, possui em cada pixel um valor de uma
única amostra de cores. Essas imagens variam do branco com maior intensidade até o preto com
menor intensidade. Representando tonalidades entre o preto e o branco. Uma imagem em tons
de cinza é um dos requisitos para a aplicação da limiarização (GONZALEZ; WOODS, 2010).
2.2.1.2 Limiarização
O processo de limiarização consiste em separar regiões de uma imagem, produzindo

como saída uma imagem binária. Para realizar o processo, é preciso definir um valor de limiar
(𝐿). Depois de definido o valor de (𝐿), todos os pixels com valores de temperatura acima ou
igual ao valor de 𝐿 receberão a cor preta e os demais a cor branca. A limiarização facilita o
trabalho de detecção de bordas de uma imagem (GONZALEZ; WOODS, 2010).
2.2.1.3 Detecção de bordas
Uma borda é o limite entre duas regiões que possuem propriedades distintas de nível
de cinza. Para a detecção e realce de bordas, pode ser aplicado um filtro utilizando máscaras de
convolução. (GONZALEZ; WOODS, 2010). Um operador de derivada interpreta uma taxa de
mudança de uma função. Essa taxa é menor em áreas constantes e maior nas áreas próximas de
bordas. Selecionando os valores de intensidade de uma imagem é possível encontrar os pontos
onde a derivada é um ponto máximo, tendo assim um ponto de borda.
2.2.2 Fundamentos do Processamento de Imagens
Processar uma imagem digital abrange hardwares, softwares e fundamentos teóricos. A

Figura 4 mostra que existe um domínio do problema genérico, representado na imagem como 0,
cujo objetivo é chegar em um resultado, representado na imagem por 1. A base de conhecimento,
é um item essencial neste processo, sendo responsável pela operação e interação de cada módulo
ou processo (GONZALEZ; WOODS, 2010).
24
Ainda na Figura 4, para o início do processo é preciso adquirir uma imagem digital.
Após isso, a imagem precisa ser pré-processada para aumentar as chances de sucesso nos passos
seguintes do processo.
Figura 4 – Passos fundamentais em processamento de imagens digitais.

Fonte: Adaptação de Gonzalez e Woods (2010).
A segmentação tem como objetivo obter dados relacionados aos objetos presentes na
imagem. A representação trata apenas de uma parte da solução para que os dados iniciais sejam
transformados em dados adequados para o processamento computacional. Já a descrição procura
extrair informações que poderão ser utilizadas por exemplo, para discriminação de objetos. Por
fim, o último processo envolve o reconhecimento e interpretação, no qual o primeiro atribui um
rótulo a um objeto e o segundo envolve a atribuição de um significado a um conjunto de objetos
que foram devidamente reconhecidos (GONZALEZ; WOODS, 2010).
2.2.3 Elementos do Processamento de Imagens
Existem alguns elementos de um sistema de propósito geral que são responsáveis por
realizar algumas operações de processamento de imagens (GONZALEZ; WOODS, 2010). Na
Figura 5 é possível visualizar os elementos de um sistema de processamento de imagens, com
seus devidos relacionamentos.
25
Figura 5 – Elementos funcionais básicos de um sistema de processamento de imagens.

Fonte: Adaptação de Marques Filho e Vieira Neto (1999).
No Quadro 3 é apresentada uma descrição de cada um dos elementos funcionais bási-

cos.
Elemento Descrição
Aquisição Adquirir a imagem para que possa ser utilizada no processamento digital
de imagens.
Armazenamento O armazenamento adequado é sempre um desafio para o processamento
de imagens digitais. Existem algumas formas de armazenamento, como
o armazenamento para uso durante o processamento, o armazenamento
para acesso rápido e por fim, o armazenamento em arquivo para uso não
frequente.
Processamento A maioria das funções que podem ser executadas em software, são ge-
ralmente expressas em forma algorítmica.
Comunicação Entre sistemas de processamento de imagens e comunicação remota de
um ponto a outro.
Exibição Como as imagens são exibidas após todo o processo.
Quadro 3 – Elementos básicos relacionados ao sistema de processamento de imagens.

Fonte: Adaptação de Mahnaz, Lucas e Sadri (2010); Gonzalez e Woods (2010).
2.2.4 Processamento de Imagens Coloridas
Segundo Marques Filho e Vieira Neto (1999), existem dois fatores que motivam o uso
de cores no processamento de imagens, são eles:
1. Reconhecimento de padrões;
2. Análise de imagens com intervenção humana.
Quando uma imagem é adquirida com um sensor de cores reais, tal como um scanner
colorido, é denominado como cores reais.
26
Porém, quando existe a atribuição de um tom de cor para uma intensidade, é denomi-
nado pseudo-cores (GONZALEZ; WOODS, 2010). Em processamento de imagens, quando as
imagens são adquiridas através de sensores em cores, recebe o nome de full color. Já quando
são atribuídas cores para diferentes regiões da escala de cinza de uma imagem monocromática,
recebe o nome de pseudocolorização (MARQUES FILHO e VIEIRA NETO, 1999).
Os seres humanos só conseguem perceber cores em objetos devido a natureza da luz
refletida do objeto. Sendo assim, a luz é essencial para a ciência das cores. Quando se fala em
luz acromática (sem cores), quer dizer que seu único atributo será a intensidade, como é possível
verificar em aparelhos de televisão preto e branco. Logo, o termo nível de cinza refere-se a uma
medida escalar de intensidade variando do preto ao cinza e por fim ao branco. Devido a estrutura
do olho humano, todas as cores que podem ser vistas são combinações de apenas três cores, as
cores primárias. O termo RGB vem da combinação das cores, vermelho (R, do inglês red), verde
(G, do inglês green) e azul (B, do inglês blue). Para facilitar a especificação das cores, foram
criados os modelos de cores, como o modelo RGB e HSI. O modelo RGB baseia-se num sistema
de coordenadas cartesianas. Na Figura 6, os valores sobre os eixos estão normalizados, variando
de 0 a 1. Todas as cores que existem abrangem a área interna ao cubo, sendo que os vértices do
cubo representam cores primárias (azul, verde e vermelho) e cores secundárias (ciano, magenta e
amarelo), com exceção dos vértices que representam o preto (origem) e o branco. Neste modelo,
a escala de cinza estende-se sobre a reta que liga o vértice representado pela cor preta (0, 0, 0)
e pelo vértice representado pela cor branca (1, 1, 1) (GONZALEZ; WOODS, 2010).
Figura 6 – Cubo de cores RGB.

Fonte: Autoria Própria.
O modelo HSI (Matiz, Saturação, Intensidade), os dois primeiros componentes, matiz

e saturação, estão basicamente relacionados à percepção humana das cores. Já a intensidade
identifica a luminância da cor. Esse modelo, segundo Gonzalez e Woods (2010), é ideal para
o desenvolvimento de algoritmos de processamento de imagens, quando relacionado a alguma
propriedade da visão do ser humano. Um exemplo de aplicação deste modelo é para inspeção
de qualidade de produtos coloridos.
27
2.3 TERMOGRAFIA INFRAVERMELHA
A termografia infravermelha é uma técnica que permite mapear graficamente tempera-

turas da superfície da pele, na qual cada região da pele recebe uma cor baseada na temperatura
registrada. A Figura 7 mostra que uma imagem de termografia, cuja temperatura na paleta de co-
res está definida entre 25∘ e 37∘ C, também pode ser aplicada nos seres humanos, principalmente
na área da medicina, buscando diagnosticar, tratar e fazer prognósticos sobre doenças.
Figura 7 – Imagem termográfica adquirida com uma câmera infravermelha.

2.3.1 História da Termografia
A termografia médica foi observada pela primeira vez por Hipócrates, 480 a.C., ele
comprovou que a temperatura de uma região infeccionada era mais alta que outras partes simi-
lares do corpo. Em 1592, Galileu criou o termoscópio, onde a temperatura pode ser percebida
pela movimentação de pequenos grânulos (RESMINI, 2011).
A radiação, que é um modo de transmissão de calor. É transmitida sem depender de um
meio, isso acontece através de ondas eletromagnéticas. Assim, com a propagação e a radiação é
possível medir a temperatura (RESMINI, 2011).
Em 1800, Sir Willian Herschel descobriu a tecnologia infravermelha por acaso quando
procurava um novo material óptico. Ao testar várias amostras de vidro, Herschel percebeu que
algumas amostras passavam muito calor do sol e nas outras amostras nem tanto. Logo, ele co-
meçou algumas experiências relacionadas a essa descoberta. Começou por um termômetro de
mercúrio de vidro sensível, utilizando-o como detector de radiações.
28
Assim que o termômetro era lentamente deslocado, as leituras de temperatura aumen-

tavam continuamente. Assim, Herschel foi o primeiro a reconhecer que deveria existir um ponto
onde o efeito térmico atingia o valor máximo de temperatura. Herschel deu origem ao termo “es-
pectro termométrico” e não ao termo “infravermelho”, que só apareceu 75 anos depois. Em 1830
um cientista italiano, Melloni, descobriu o sal-gema (denominada, nos anos 30 do século XX,
como cristais sintéticos) de ocorrência natural (NaCl) que é transparente aos infravermelhos,
indo contra alguns resultados que Herschel teve no inicio de seus estudos. Em 1929, Nobilli in-
ventou o par termoelétrico, que permitia leituras que até então não seriam possíveis (SYSTEMS,
2013).
A primeira imagem térmica surgiu em 1840, criada pelo filho de Herschel, John Hers-
chel. Ele conseguiu ver uma imagem térmica em papel utilizando a evaporação de uma fina
película de petróleo exposta a um padrão térmico (SYSTEMS, 2013).
Do ano de 1840 até a segunda guerra mundial (1939-1945), ocorreram vários avan-
ços relacionadas a tecnologia infravermelha, porém durante a guerra, pesquisadores estudaram
a possibilidade de sistemas para detecção de fotóns (partícula elementar mediadora da força
eletromagnética). Contudo, por sigilo dos militares, apenas nos anos 50 do século XX foi possí-
vel criar dispositivos apropriados para formação de imagens térmicas, quando as comunidades
industrial e científica tiveram acesso as pesquisas (SYSTEMS, 2013).
A termografia foi utilizada pela primeira vez no diagnóstico médico em 1956, quando
Lawson verificou que a temperatura de um câncer de mama era mais elevada que tecidos normais
do corpo (LAWSON, 1956). Essa descoberta de Lawson fez com que várias pesquisas fossem
realizadas, principalmente com relação a temperatura da pele.
2.3.2 Imagens Termográficas
Conhecidas também como termogramas, as imagens termográficas são captadas por

sensores infravermelhos (câmeras infravermelhas), que captam radiação térmica (BORCHARTT,
2013). Uma câmera infravermelha é um dispositivo usado para converter radiação infravermelha
emitida em impulsos elétricos, em valores digitais, que são visualizados como uma imagem em
escala de cinza ou uma imagem colorida (SANCHES, 2009).
Quando são capturadas imagens do corpo humano, deve-se levar em consideração que
as mudanças de temperaturas em diferentes pontos do corpo, em uma pessoa normal, devem
ser relativamente simétricas em todo o corpo. Quando detectada qualquer assimetria, deve estar
ocorrendo alguma alteração no organismo (SANCHES, 2009).
29
Na Figura 8 é possível verificar uma imagem infravermelha, onde na lateral direita é

apresentada uma escala de cores utilizando a paleta de cores rainbow.
Nesta imagem, existem alguns valores de temperatura em graus Celsius, sendo que
a maior temperatura captada é na região entre os dedos indicador e médio da mão esquerda
(36, 2∘ C) e a menor é um ponto no canto inferior direito da superfície da mesa (24, 5∘ C).
Figura 8 – Imagem infravermelha com a indicação de alguns pontos de temperatura.

2.3.3 Processo de Termorregulação
O corpo humano precisa manter sua temperatura central próxima dos 37 ∘ C para ga-
rantir que suas funções metabólicas ocorram normalmente. O processo de termorregulação é
responsável por garantir que a temperatura não saia do normal, isso é feito simplesmente rea-
lizando a troca de calor com o ambiente. Esse controle é semelhante na mulher e no homem,
porém com a idade avançada e em pacientes gravemente enfermos o controle diminui (BRAZ,
2005).
Na figura 9 é mostrado graficamente como funciona o processo de termorregulação
desde o momento que aumenta ou diminui a temperatura até o controle do mesmo tendo refe-
rência os 37 ∘ C que foi citado anteriormente.
30
Figura 9 – Processo de termorregulação representado graficamente.

Fonte:
http://www.netxplica.com/figuras_netxplica/exanac/porto.editora/regulacao.temperatura.png
2.3.4 Radiação Térmica
Na Figura 10 é possível notar que a luz visível pelo olho humano é caracterizada pelo
seu comprimento de onda, estendendo-se de aproximadamente 400 nm até 700 nm (SANCHES,
2009).
Figura 10 – Faixa de frequência do espectro eletromagnético.

Fonte: Wikimedia (2012)
Os raios infravermelhos são ondas eletromagnéticas que têm início no limite das frequên-
cias de rádio e micro-ondas (comunicação) e vai até o limite da radiação da cor vermelha da luz
visível (BEZERRA, 2007).
31
A radiação infravermelha é diretamente proporcional a temperatura de um objeto ou

local, onde quanto mais quente o objeto, mais radiação será emitida. A maior parte da radiação
térmica é emitida pela luz infravermelha, que é invisível ao olho humano. A pele humana emite
radiação, principalmente com o comprimento de onda entre 2 e 20 𝜇m (SANCHES, 2009).
Quando a temperatura de um objeto ou local estiver acima do zero absoluto (0 K ou
−273, 15∘ C), ele emitirá radiação infravermelha devido a agitação de seus átomos e moléculas,
sendo que a intensidade depende da temperatura e da capacidade do objeto em emitir radiação
(SANCHES, 2009).
2.3.4.1 Aplicações das imagens infravermelhas na medicina
Há um extenso campo de aplicação para essa tecnologia, que abrange as mais diversi-
ficadas áreas, como processos de fabricação, defeitos em instalações elétricas, estudo de dispo-
sitivos mecânicos, controle da qualidade das frutas e também na medicina. Na medicina, pelo
fato de não usar radiações ionizantes, pode ser utilizada na detecção de diversos tipos de câncer,
inclusive o câncer de mama (BEZERRA, 2007).
A Figura 11 mostra uma imagem termográfica, da região da mama, onde na mama
direita é possível visualizar um nódulo (identificado dentro do circulo), que foi citado na seção
2.1 deste capítulo.
Figura 11 – Imagem termográfica.

Ainda na medicina, a termografia consegue auxiliar outras técnicas de diagnóstico por

imagem (SANCHES, 2009), o que facilita a conclusão de diagnósticos. A termografia da mama
é uma técnica segura e não invasiva que pode detectar o câncer de mama mais rapidamente que
a mamografia.
32
Esta técnica não utiliza radiação, ao contrário de outras técnicas como a mamografia
que faz o uso de radiação no seu processo de diagnóstico. A termografia pode detectar alterações
suspeitas na mama anos antes de serem visíveis pelos outros métodos de diagnóstico de imagem
como mamografia e ecografia.
2.3.5 Processamento de Imagens em Pseudo-Cores
Imagens infravermelhas normalmente são visualizadas em pseudo-cores, embora pos-

sam ser vistas em escala de cinza. Em processamento digital de imagens, o termo pseudo-cor
(falsa cor) faz referência a uma coloração obtida através do mapeamento de escalas de cinza.
Existem também os termos Look-UpTables (LUTs), mapa de cores (colormap) ou paleta de co-
res (color palette), que são usados para definir como as imagens serão representadas em função
das cores. Sendo assim, cada pixel recebe um elemento desta paleta (SANCHES, 2009).
Uma LUT é utilizada para transformar uma faixa de cores de entrada em outra faixa
de cores de saída. Assim, o número de entradas de cores na paleta é o número de cores que
serão utilizadas para representar a imagem. A Figura 12 mostra uma mesma imagem sendo
visualizada com diferentes tipos de LUTs. Quando são utilizadas imagens térmicas é importante
uma indicação da cor e sua temperatura equivalente (SANCHES, 2009).
Figura 12 – Imagem infravermelha visualizada com diferentes LUTs. (a) 256 níveis de
cinza, (b) 224 cores (ironhi), (c) 10 cores (medical) e (d) 120 cores (rainbow).
Existem várias técnicas para atribuir cores a imagens monocromáticas com base em
níveis de cinza. Uma das técnicas mais simples no contexto de pseudocoloração é o fatiamento
por intensidade, no qual são inseridos planos paralelos cortando o mapa de intensidades da
imagem original.
33
Na Figura 13 os eixos x e y são as coordenadas de cada pixel da imagem e o eixo L os

níveis de cinza. Logo, a função formada pelos eixos representa a intensidade dos níveis de cinza
(GONZALEZ; WOODS, 2010).
Figura 13 – Interpretação geométrica da técnica de fatiamento por intensidade.

Fonte: Marques Filho e Vieira Neto (1999).
A técnica funciona basicamente da seguinte forma: todos os pixels que estão acima do
plano de corte recebem uma cor, e os que estiverem abaixo recebem outra cor. Assim, é possível
modificar as cores das imagens, mudando apenas os planos de corte (FELIPUSSI; JANTSCH,
2012).
Outra técnica é utilizar níveis de cinza para transformações de cores. Basicamente, é o
emprego de três transformações independentes sobre o nível de cinza de um pixel de entrada.
Como resultado são obtidas três cores (vermelha, verde e azul) que produzem uma imagem
composta, cujo conteúdo das cores é modulado por funções de transformação sobre os níveis de
cinza (FELIPUSSI; JANTSCH, 2012). Na Figura 14, é possível visualizar um exemplo do uso
desta técnica.
Figura 14 – Exemplo de transformações de cores. (a) Imagens monocromática obtidas por

sistema de raio x. (b) Imagens coloridas obtida a partir de (a);
Fonte: Gonzalez e Woods (2010)
34
2.4 TEMPERATURA ADIMENSIONAL
Para um diagnóstico que envolva a temperatura de uma região, não é suficiente apenas
utilizar valores absolutos de temperatura daquela região, pois não é uma comparação adequada
devido a vários fatores que podem afetar aqueles valores, como por exemplo a temperatura am-
biente e até a idade do indivíduo (BRIOSCHI, 2011).
Em um exame que envolva termografia, a temperatura que fica evidente é a absoluta,
porém sofre alterações devido a temperatura do ambiente e a temperatura do metabolismo do
paciente. Assim, para corrigir esse erros é preciso utilizar valores normalizados de temperatura
(𝜃), variando entre 0 e 1. A temperatura adimensional é definida pela Equação 2.1, que leva em
consideração a temperatura da superfície cutânea (T ), a temperatura central (𝑇∞ ) e também a
temperatura do ambiente (𝑇𝑏 ) (HADDAD, 2011).
A equação para esse cálculo é a seguinte:
𝑇 − 𝑇∞
𝜃= (2.1)
𝑇𝑏 − 𝑇∞
2.4.1 Uso da Temperatura Adimensional em Pacientes com Tumor de Mama
Segundo Brioschi (2011), depois de analisar 24 casos de tumores malignos de mama

em algumas mulheres, o valor da temperatura adimensional normalizada média foi de aproxi-
madamente 0,89 e dos tumores benignos de 0,79. Na Figura 15 é possível visualizar os valores
de 𝜃 para uma pessoa normal, com tumor maligno e com tumor benigno.
Figura 15 – Temperatura adimensional normalizada média.

Fonte: Adaptação de Brioschi (2011)
35
Com base na imagem termográfica da Figura 16 e levando em consideração os valores

obtidos no gráfico da Figura 15, é possível notar que a mama direita da paciente representa
um tumor maligno, pois o 𝜃 médio da mama direita foi de 0,890 e a da mama esquerda 0,730
(BRIOSCHI, 2011).
Figura 16 – Tumor na mama direita.

Fonte: Brioschi (2011)
2.5 DIMENSÃO FRACTAL
Algumas formas que são encontradas na natureza não podem ser explicadas com a
matemática convencional. Sendo assim, foi necessário criar a matemática dos Fractais para que
essas formas tenham sentido matemático (BACKES; MARTINEZ, 2005).
Um fractal é uma forma incapaz de ser classificada na geometria euclidiana, pelo fato
de possuir características diferentes de outras formas: auto-semelhança em diferentes níveis de
escala, dimensão fractal e sua complexidade infinita (BACKES; MARTINEZ, 2005). Na Figura
17 é possível verificar o fractal Floco de Neve de Kock, onde se formou com a operação recursiva
de um triângulo que gera outro repetidamente.
O termo Dimensão Fractal (DF) surgiu em 1967, com o desejo de Mandelbrot (MAN-
DELBROT, 1967) em estudar conjuntos auto-similares. A Dimensão Fractal (DF) representa
o nível de irregularidade de um fractal (BACKES; MARTINEZ, 2005). Assim, esse nível de
quão irregular está o fractal pode ser calculada pela seguinte equação (CHERUBINI NETO;
BORENSTEIN, 2011):
𝑙𝑜𝑔(𝑅)
𝐷𝐹 = (2.2)
𝑙𝑜𝑔( 1𝑠 )
36
Figura 17 – Floco de neve de Koch, considerado um fractal.

Fonte: http://ctnc.com.pt
Onde R é a quantidade de réplicas da figura a cada iteração e s a escala de réplicas

geradas.
Como exemplo, pode-se considerar a dimensão fractal do Triângulo de Sierpinskyé,
como mostra na Figura 18 , que é igual a 1,58496 pois a cada iteração são gerados três réplicas
com a metade do tamanho da anterior (CHERUBINI NETO; BORENSTEIN, 2011):
𝑙𝑜𝑔(3)
𝐷𝐹 = 1 = 1, 58496 (2.3)
𝑙𝑜𝑔( 1/2 )
Figura 18 – Triângulo de Sierpinskyé.

Fonte: Autoria própria.
2.5.1 Técnicas para o Cálculo da Dimensão Fractal
A dimensão fractal pode ser calculada através de várias técnicas conhecidas na litera-
tura. Porém, cada técnica calcula a dimensão fractal com o seu método, por isso os resultados
podem não ser iguais quando analisada a mesma imagem com técnicas diferentes (BACKES;
MARTINEZ, 2005). A seguir, são descritas algumas formas de calcular a dimensão fractal.
37
2.5.1.1 Box-Counting
O Box-Counting foi desenvolvido por Voss, em 1985. É uma das técnicas mais popula-
res para o cálculo da DF devido a sua simplicidade (GONSCHOROWSKI, 2007). Esse método
consiste em cobrir uma imagem com vários quadrados de tamanhos iguais e após isso, contar
quantos quadrados são utilizados para cobrir a forma que está para ser calculada. Na Figura
19, uma imagem é coberta por 25 quadrados e apenas 10 deles estão cobrindo a forma fractal
(MAHNAZ; LUCAS; SADRI, 2010).
Figura 19 – Método Box-Counting.

Fonte: Adaptação de Mahnaz, Lucas e Sadri (2010).
A dimensão fractal (DF) é calculada estabelecendo uma relação entre a quantidade de

quadrados utilizados para cobrir a imagem e a quantidade de quadrados que foram necessários
para cobrir o fractal que será calculado (AMBRÓSIO; OLIVEIRA; GOES JUNIOR, 2014).
Para facilitar o entendimento, na Figura 20, é possível visualizar graficamente a apli-
cação do método Box-Counting.
Figura 20 – Exemplo do cálculo da DF. (a) Etapa 1. (b) Etapa 2. (c) Etapa 3.
Fonte: Wahl (1995).
38
A medida que a quantidade de caixas que sobrepõem a imagem aumentam, o resultado

do cálculo da dimensão fractal corresponde a um valor ainda mais preciso relacionado a etapa
anterior.
No Quadro 4 é possível verificar o cálculo da dimensão fractal, representada pela sigla
DF, onde os contornos das 10 imagens são calculadas. Pode-se notar que, quanto maior for
a irregularidade da borda, maior será o valor do cálculo da dimensão fractal. Em relação ao
uso da DF nos tumores de mama, o cálculo pode ser uma ferramenta muito útil para descrever
a arquitetura patológica do tumor, fornecendo algumas informações sobre os mecanismos de
crescimento do mesmo (MAHNAZ; LUCAS; SADRI, 2010).
Contorno: 1 Contorno: 2 Contorno: 3 Contorno: 4 Contorno: 5
DF: 1.0711 DF: 1.1573 DF: 1.2162 DF: 1.2204 DF: 1.2750
Contorno: 6 Contorno: 7 Contorno: 8 Contorno: 9 Contorno: 10
DF: 1.2962 DF: 1.4076 DF: 1.4194 DF: 1.4370 DF: 1.4464
Quadro 4 – Valores do cálculo da dimensão fractal e seus respectivos contornos.

Fonte: Adaptação de Mahnaz, Lucas e Sadri (2010).
2.5.1.2 Prism-Counting
Neste método, calcula-se a área baseada em prismas e não em número de caixas, como
o método box-counting. Na Figura 21, é possível verificar a representação gráfica do algoritmo
(GONSCHOROWSKI, 2007).
Figura 21 – Método Prism Counting.

Fonte: GONSCHOROWSKI (2007)
39
Onde as letras A, B, C e D representam pixels com seus respectivos níveis de cinza. Já

as letras a, b, c e d, e P o ponto médio dos quatro pixels com altura média p. Na Figura 21 são
formados triângulos devido a conexão das alturas, que por fim formam o prisma. Esses triângulos
terão suas áreas calculadas e somadas. A dimensão da superfície será dada pela fórmula:
𝑑𝑖𝑚𝑝𝑟𝑖𝑚 (𝐹 ) = 2 − 𝑏1 (2.4)
onde 𝑏1 é uma reta de inclinação resultante da soma do número de áreas dos primas com dife-
rentes escalas (GONSCHOROWSKI, 2007).
2.5.1.3 Relação Área Perímetro
√
Esse método relaciona o Perímetro p e a Área (A) pela seguinte relação: 𝑝 = 𝑐 𝐴,
onde c é uma constante relacionada com um dado tipo de forma (GONSCHOROWSKI, 2007).
A fórmula generalizada para curvas fractais fechadas é:
√
𝑝 = 𝑐( 𝐴)𝑑𝑖𝑚𝑝𝑟𝑖𝑚 (𝐹 ) (2.5)
onde 1 < 𝑑𝑖𝑚𝑝𝑟𝑖𝑚 (𝐹 ) < 2.
2.5.1.4 Dividers
O método Dividers é um dos métodos mais simples para estimar a dimensão fractal de
objetos e curvas que possuam um contorno definido (BACKES; MARTINEZ, 2005).
Desse modo, é possível calcular a dimensão fractal partindo da seguinte relação 𝑙(𝑟) =
𝜇.𝑟1−𝐷 onde 𝑙(𝑟) é o comprimento do perímetro de uma forma de tamanho 𝑟 e 𝜇 uma constante,
com a seguinte fórmula:
𝑙𝑛(𝑙(𝑟))
𝐷 = 1 − lim (2.6)
𝑟→0 𝑙𝑛(𝑟)
onde 𝐷 é a dimensão fractal.
2.5.1.5 Dimensão Fractal Multiescala
A dimensão fractal multiescala possibilita analisar a variação da DF de um objeto em

função do espaço que se encontra. Para o cálculo da dimensão fractal multiescala, é preciso
realizar uma regressão do polinômio e, através da derivada do polinômio encontrado, se obtém
40
a curva denominada fractalidade. Esta curva é a aproximação da dimensão fractal (MAHNAZ;

LUCAS; SADRI, 2010).
Na Figura 22 mostra que para iniciar o processo do cálculo, é preciso dilatar o objeto ao
analisar um raio d. Com a seguinte fórmula, é possível calcular um gráfico bilogarítmo 𝑙𝑜𝑔(𝐴) x
𝑙𝑜𝑔(𝑑) onde, 𝑙𝑜𝑔(𝐴) equivale a nova área assumida pelo objeto após dilatado (PLOTZE; MAR-
TINEZ, 2005).
Figura 22 – Processo para o cálculo da dimensão fractal multiescala. (a) imagem original.
(b) imagem dilatada. (c) gráfico bilogarítmo. (d) gráfico da dimensão fractal
multiescala
Fonte: Plotze e Martinez (2005)
2.6 TRABALHOS RELACIONADOS
A seguir são apresentados alguns trabalhos relacionados, que envolvem a utilização da

termografia como técnica para auxiliar no diagnóstico do câncer de mama.
O trabalho desenvolvido por SOUZA (2014) tem como objetivo investigar e viabilizar o
uso de imagens infravermelha para análise, triagem e tratamento de lesões benignas em mamas.
É utilizado temperatura adimensional e a temperatura de regiões simétricas. A comparação é
entre mamas saudáveis e mamas com lesões benignas. Com base nos valores das regiões de
interesse foi possível identificar anormalidades em 15 dos 17 pacientes analisados. Os resultados
quando comparados com outras técnicas como a ultrassonografia e a mamografia, apresentaram
valores de mesma ordem.
O trabalho desenvolvido por Mahnaz, Lucas e Sadri (2010), utiliza a dimensão fractal
em imagens termográficas para detectar uma possível diferença entre os padrões de tumores
de mama (maligno e benigno). Primeiramente, foram segmentadas as imagens da mama com o
algoritmo Fuzzy C-Means Clustering. Em seguida, foram identificadas regiões mais quentes para
41
cada imagem, consideradas regiões cancerígenas, e a dimensão fractal para cada região. Assim,
os autores concluíram que a dimensão fractal dos tumores benignos e malignos fornecem padrões
de valores bem diferentes e pode auxiliar para aumentar a confiabilidade de diagnósticos. Como
conclusão dos autores, foram classificados como possíveis tumores, 7 casos como malignos e
8 casos como benignos. Nestes casos de possíveis tumores, a média e o desvio padrão foram
respectivamente, 1.0429 e 0.0676 (benignos) e 1.3284 e 0.0430 (malignos). Com a análise deste
trabalho, é possível concluir que a dimensão fractal pode ser uma ótima alternativa para auxiliar
no diagnóstico precoce do tumor de mama.
Os autores Savari e Ravi (2014) trazem um sistema informatizado para a detecção em
estágio inicial do câncer de mama baseado na busca e identificação de microcalcificações em
mamografias. Para tanto, selecionaram com um algoritmo genérico, conjuntos de características
que servem para alimentar um Sistema de Inferência Neuro Fuzzy Adaptativo (Adaptive Neuro
Fuzzy Inference System), assim foram analisadas 322 imagens normais e anormais (sem micro-
calcificações). Os autores puderam concluir que os resultados são clinicamente significativos
para a detecção precoce do câncer de mama. É possível considerar o uso de outros modelos
estatísticos como o K-Means, podendo melhorar a taxa de classificação.
O trabalho de Resmini et al. (2012), identifica as possibilidades do uso de técnicas de
reconhecimento de padrões na classificação das imagens térmicas da mama, para auxiliar no
diagnóstico médico. Foram usadas imagens de pacientes saudáveis ou com alguma patologia da
mama. Destas imagens foram extraídas características que possibilitam a classificação através
de técnicas de Inteligência Artificial. Os autores utilizaram características distintas: estatísti-
cas simples, baseadas na geometria fractal e características de fundamentação geoestatística.
Os classificadores utilizados foram: SVM (Support Vector Machine ou Máquina de Vetor de
Suporte), KNN (k-nearest neighbor) e Naive Bayes (algoritmo de aprendizado simples) além
de duas técnicas de redução de características. Segundo os próprios autores, este método ainda
tem uma limitação, pois se torna muito custoso devido aos processos (segmentação de imagens
e extração, redução e classificação de características) serem realizados por softwares diferen-
tes. Apesar dessa limitação, o método apresentou resultados próximos dos 90% de acurácia, se
mostrando muito eficiente para auxiliar no diagnóstico de alguma patologia da mama.
O objetivo do estudo, dos autores Acharya et al. (2012), foi avaliar a viabilidade do
uso de imagens térmicas como uma ferramenta para detecção de câncer de mama. Foram uti-
lizadas 50 imagens da mama (25 normais e 25 cancerígenas). Dessas imagens, foram retiradas
características para alimentar uma SVM, que classificava automaticamente condições do cân-
cer maligno na mama. Esse sistema apresentou precisão de 88%, sendo 85% de sensibilidade
(resultado correto, daqueles que possuem a doença) e 90% de especificidade (resultado nega-
tivo, daqueles que não possuem a doença). Os resultados, embora tenham atingido uma ótima
porcentagem, podem ser melhorados com a realização de uma extração de características mais
eficiente e também utilizando uma amostragem maior. Mesmo assim, com esses resultados é
possível afirmar que esta ferramenta tem um alto potencial em auxiliar diagnósticos de patolo-
42
gias da mama.
Os trabalhos citados mostram como é encorajador realizar pesquisas que auxiliam os
diagnósticos de doenças que aterrorizam milhares de pessoas, principalmente mulheres. O uso
de imagens termográficas para a detecção precoce de patologias da mama se mostra eficiente,
na obtenção de ótimos resultados, desde que sejam utilizadas técnicas eficazes. O trabalho de-
senvolvido por Mahnaz, Lucas e Sadri (2010) mostra também como a dimensão fractal é uma
técnica muito eficiente para obter resultados satisfatórios.
2.7 CONSIDERAÇÕES FINAIS
Neste capítulo foram discutidos os fundamentos teóricos que envolvem este trabalho,
permitindo um melhor entendimento dos aspectos envolvidos. Foi possível se aprofundar em
assuntos relacionados ao câncer de mama, processamento digital de imagens, termografia, tem-
peratura adimensional e por fim a dimensão fractal. O próximo capítulo descreve a metodologia
adotada para o desenvolvimento do trabalho, tendo início no processo utilizado para a aquisi-
ção de imagens termográficas. Posteriormente, serão apresentados os passos utilizados para o
desenvolvimento do trabalho.
43
3 MATERIAIS E MÉTODOS
Neste capitulo, serão apresentados os materiais e métodos utilizados para a realização

deste estudo, sendo expostos em seções.
3.1 RECURSOS DE SOFTWARE E HARDWARE
O sistema operacional utilizado para o desenvolvimento do projeto foi o Microsoft Win-

dows 7. Todas as funcionalidades do sistema como visualização de imagens e resultados, seleção
de regiões, aplicação da temperatura adimensional e cálculo da dimensão fractal, assim como o
processamento de regiões de interesse foram desenvolvidas em C++.
3.2 PROTOCOLOS DE PREPARAÇÃO DO AMBIENTE E DO PACIENTE
A Academia Americana de Termologia (American Academy of Thermology) apresenta

um guia com várias informações sobre a termografia da mama (AAT, 2012). Este guia apresenta
várias diretrizes como: comunicação com o paciente e pré preparação para o exame, avaliação do
paciente, objetivos do exame, revisão da termografia, interpretação do exame e arquivamento,
consideração de tempo do exame, profissional se manter atualizado, consentimento livre e es-
clarecido, relatórios, acompanhamento de estudos e tecnologias emergentes.
Para a preparação do ambiente, é imprescindível manter a temperatura da sala entre
20 𝐶 e 23∘ 𝐶. Antes da realização do exame, o paciente será convidado a se despir e aguardar
∘
15 minutos na sala do exame, para que seu corpo se adapte a temperatura da sala sem poder
tocar em suas mamas neste período. Durante os 5 últimos minutos, o paciente deverá levantar
as mãos sobre a cabeça e ainda manter está postura até o final do exame. A temperatura da sala
deve ser controlada, evitando correntes de ar e fontes de calor, internas ou externas. É ideal que
o piso da sala esteja atapetado.
Para a realização da termografia são exigidas algumas condições específicas, como a
sala que será realizado o exame. Essas condições são essenciais para que o diagnóstico seja
realizado corretamente (SANCHES, 2009).
Segundo o guia da AAT (2012), o paciente também deve seguir um protocolo para a
realização do exame, como:
1. Não receber nenhuma massagem ou algum exercício extenuante em um período de
três horas antes do exame;
2. Não fumar em um período de quatro horas antes do exame;
3. Evitar o uso de desodorante, cremes, loções e maquiagens na região da mama no dia
44
do exame;
4. Evitar a exposição prolongada ao sol;
5. Não tomar banho em um período de uma hora antes do exame;
6. Caso esteja fazendo o uso de medicações, informar ao técnico que realizará o exame;
7. Não usar prótese mamária por pelo menos doze horas antes do exame.
3.3 PROTOCOLO DE AQUISIÇÃO DE IMAGENS INFRAVERMELHAS
No protocolo definido para a aquisição das imagens infravermelhas, foi determinado

que devem ser obtidas em 6 posições diferentes (Frontal e Inclinada, Obliqua Direita e Esquerda,
Perfil Direito e Esquerdo) (SANCHES et al., 2011) (SOUZA, 2014).
Para utilizar essas imagens através do software, é preciso que elas estejam no formato
FPF (FLIR Public Format), MAT (Matlab) ou CSV (Comma-Separated Values). O formato FPF
é constituído por um cabeçalho (892 bytes), seguido de uma matriz com valores que representam,
em cada ponto, um valor de temperatura. Neste formato, para cada elemento da imagem, são
utilizados valores de ponto flutuante (float) de precisão simples (32 bits). Os valores dos pontos
estão armazenados na matriz, iniciando-se no canto superior esquerdo (SANCHES, 2009).
As imagens foram adquiridas de diferentes modelos de câmeras infravermelhas. As
imagens possuem resolução de 640 x 480, 320 x 240 ou 200 x 150. Todas essas imagens foram
adquiridas considerando uma umidade relativa de 50 a 60%, emissividade de 0.98 e temperatura
da sala em aproximadamente 22∘ 𝐶. Assim, com essas imagens adquiridas foi criada uma única
imagem em formato FPF contendo informações das 6 imagens, como é possível verificar na
Figura 23. As linhas de grade foram utilizadas devido a necessidade de ter a maior precisão
possível no momento de selecionar as duas regiões de interesse, já que é muito difícil selecionar
as duas regiões simétricas na imagem. As imagens podem ser inseridas sem a grade, caso o
usuário deseje.
A Figura 23 mostra a disposição das imagens no software, com uma paleta de cores que
evidenciam na visualização as regiões mais quentes na imagem. A temperatura da imagem está
apresentada usando a temperatura adimensional variando de 0,00 a 1,00. Esses valores depen-
dem da temperatura do ambiente e temperatura central da imagem, podendo resultar em valores
maiores ou menores que 0,00 ou 1,00. Essa situação pode acontecer, caso os valores de tempe-
ratura escolhidos estejam fora dos limites utilizados, onde o valor mínimo é a temperatura do
ambiente e o valor máximo é a temperatura central. Como exemplo, considera-se a Figura 23,
neste caso foram escolhidos os valores de temperatura de 22,8∘ C e 35,6∘ C, para temperatura
ambiente e central respectivamente.
45
Figura 23 – Disposição das imagens no software. (A) Frontal. (B) Obliqua esquerda. (C)
Perfil direito. (D) Inclinada. (E) Obliqua direita. (F) Perfil esquerdo
Fonte: Autoria Própria
3.4 CÁLCULO DA IRREGULARIDADE DA BORDA
No cálculo da dimensão fractal, o método Box-Counting é um dos mais utilizados de-

vido a sua simplicidade (BACKES; MARTINEZ, 2005). Porém, para aplicar este método é ne-
cessário processar uma região de interesse que não está adequada para a utilização do método.
A Figura 24 mostra o processo resumido para a detecção de bordas de uma região de interesse,
onde ocorre a entrada de uma imagem, contida nela uma região de interesse. Na Etapa 1 ocorre
a segmentação por limiarização. Na Etapa 2 ocorre a detecção de bordas usando o operador La-
place. Por fim, a saída é uma imagem como requisito para a aplicação do método Box-Counting.
No processo de limiarização, o valor limiar (L) é definido levando em consideração o
valor de temperatura central da elipse. Assim, após definido para (L), a imagem é percorrida pixel
por pixel, definindo a cor preta ou branca para cada pixel, dependendo do valor de temperatura
de cada pixel. Sendo que, todos os pixels que forem igual ou maior que o valor de (L) receberão
a cor preta, que podem ser detectados como borda. Após obtida uma imagem binária, o processo
de detecção de bordas é usado para determinar os pontos daquela imagem em que a intensidade
do pixel muda repentinamente, detectando assim apenas as bordas da imagem. Ao término deste
processo, é obtida uma imagem para aplicar a dimensão fractal.
46
Figura 24 – Processo resumido para detecção de bordas da região de interesse.

3.5 GRAU DE RISCO
Diversos hospitais gerais e especializados, pronto socorros e pronto atendimentos da

rede do SUS, implantaram protocolos de recepção de pacientes com classificação de risco ba-
seados no Protocolo de Manchester (MAFRA et al., 2006). Este protocolo busca classificar os
pacientes por cores, após uma triagem baseada em sintomas, de forma a representar a gravidade
do problema e o tempo de espera para receber atendimento.
Assim, para a classificação dos níveis de risco dos tumores de mama analisados neste
trabalho, será utilizada a seguinte classificação, que pode ser visualizada na Figura 25, baseada
nas cores adotadas pelo Protocolo de Manchester.
Figura 25 – Níveis de risco.

Os níveis de risco foram classificados da seguinte forma (SANCHES et al., 2011):

∙ Grau 1: Cor Azul. Dentro dos limites de normalidade de emissão térmica;
∙ Grau 2: Cor Verde. Achados possivelmente benignos;
∙ Grau 3: Cor Amarela. Achados possivelmente benignos mas considerados de risco;
∙ Grau 4: Cor Laranja. Anormalidades na emissão térmica, achados considerados de
alto risco;
∙ Grau 5: Cor Vermelha. Anormalidades na emissão térmica, achados considerados de
altíssimo risco.
Todos os resultados encontrados através da temperatura média cutânea e temperatura
média adimensional serão classificados levando em consideração o trabalho do Brioschi (2011).
Para a definição do grau de risco que se encontra aquele resultado de temperatura adimensional,
47
leva-se em consideração conforme o apresentado na Figura 26, onde é mostrado as cores que
cada risco se encaixa. Essa classificação do nível de risco do tumor, considera a temperatura
adimensional, assim os valores se iniciam em 0,70 e podem chegar até 1,00.
Figura 26 – Exemplo usado para a classificação dos riscos.

Os resultados encontrados através da dimensão fractal de uma região de interesse serão

classificados conforme Acharya et al. (2012), podendo ser classificados em tumor maligno ou
benigno.
É importante salientar que os resultados não são conclusivos para o diagnóstico da do-
ença, sendo apenas uma indicação de anormalidade. A termografia não substitui por exemplo
um exame de mamografia. Existem algumas recomendações da Food and Drug Administration
(FDA), onde citam que alguns precedimentos, como a ultrassonografia, ressonância magnética,
mamografia e biópsia, que podem ser realizados em conjunto com a termografia. Essas reco-
mendações levam em consideração a falta de evidências científicas válidas que compravam o
diagnóstico do câncer de mama (FDA, 2011).
3.6 DESENVOLVIMENTO
O software para análise do nível de risco de câncer de mama necessita que um profissi-
onal da área da saúde o manuseie devido a impossibilidade de selecionar regiões precisamente
de forma automática.
48
Quando as 6 imagens são selecionadas, elas são automaticamente dispostas em um po-

sicionamento específico. A sequência das imagens devem estar na ordem correta, caso contrário
a disposição das imagens ficará diferente. Na Figura 27, é possível verificar a principal interface
do sistema com o conjunto de imagens devidamente carregado.
Figura 27 – Interface principal do sistema após as imagens carregadas.

Na Figura 28 é possível observar uma das interfaces do sistema, nela é gerenciado

o carregamento das imagens definidas no protocolo. Ainda nesta interface são realizadas as
entradas da temperatura central e da temperatura ambiente, em ∘ C. Esses dados são essenciais
para alcançar resultados esperados, da temperatura adimensional, que utilizam esses valores para
realizar a conversão.
Figura 28 – Interface de seleção de imagens.

49
3.6.1 Região de Interesse
Após a visualização das imagens, duas elipses são utilizadas para selecionar as regiões
de interesse baseado na simetria. O uso da elipse se tornou viável quando foi necessário sele-
cionar melhor a área que está contida a região de interesse. A Figura 29, mostra dois exemplos
de seleção de regiões através da elipse, na imagem (A) é possível notar que o espaço dentro da
elipse não foi bem aproveitado, entre o final da elipse e os limites da região de interesse. Já na
imagem (B) é possível notar que esse problema não ocorre, pois os espaços são bem aproveita-
dos. A seleção de uma região não adequada pode comprometer os resultados, pois o espaço que
sobrar nesta região influenciará no cálculo da dimensão fractal e das temperaturas médias.
Figura 29 – Exemplo de seleção de regiões de interesse. (A) Imagem com espaço dentro da
elipse mal aproveitado. (B) Imagem com espaço bem aproveitado.
3.6.2 Temperaturas Médias e Adimensionais de Regiões Simétricas do Corpo
O corpo humano é totalmente simétrico, termicamente. Geralmente, um alteração nessa

simetria é considerada a ocorrência de alguma anomalia (RESMINI, 2011). Assim, para o cál-
culo das temperatura média cutânea e a temperatura média adimensional, é preciso selecionar
uma região de interesse na imagem termográfica, considerando apenas os pontos internos da
elipse. Porém, quando possível, é imprescindível considerar a região simétrica, selecionando
duas áreas de interesse.
Na Figura 30 é possível verificar que, para a seleção de regiões de interesse, são utiliza-
das duas elipses, uma para cada região simétrica do corpo. As Elipses (A) e (B) possuem largura
e altura equivalente, porém podem ser alteradas com a intervenção do usuário no software.
50
Quando ocorre uma alteração no tamanho de uma elipse, automaticamente o tamanho

da outra elipse também é alterado.
Figura 30 – Exemplo de elipses em regiões simétricas.

Após selecionada uma região de interesse em uma imagem termográfica, pode-se calcu-
lar a temperatura média cutânea e temperatura média adimensional daquela região, percorrendo
toda a área da elipse, ponto a ponto. Quando possível, é imprescindível considerar a região si-
métrica, selecionando duas áreas de interesse.
O cálculo da temperatura média cutânea é feito através da Equação 3.1:
∑︀
𝑃 (𝑥, 𝑦)
∆𝑇 = (3.1)
𝑁
onde 𝑃 é igual a cada ponto de temperatura da região de interesse e 𝑁 é igual a quantidade de
pontos dentro da região de interesse.
Já a temperatura média adimensional é calculada através da Equação 3.2, sendo que 𝑇∞ ,
𝑇𝑏 e 𝑇 equivalem, respectivamente a temperatura central, temperatura ambiente e temperatura
cutânea.
𝑇 − 𝑇∞
𝜃= (3.2)
𝑇𝑏 − 𝑇∞
onde 𝑇∞ e 𝑇𝑏 são fornecidas pelo usuário, como mostrado na Figura 28. Enquanto 𝑇 da pele
(cutânea), que considera a temperatura original obtida pela câmera infravermelha, é obtida com
o algoritmo desenvolvido no software, com informações dos pontos internos da elipse.
51
3.6.3 Irregularidade da Borda de Possíveis Tumores
Atualmente, existem vários métodos para o cálculo da dimensão fractal. O Box-counting

é utilizado para calcular o quão irregular está um possível tumor da mama (um fractal), anali-
sando as bordas. Essas áreas com borda regular tendem a ser um tumor benigno e um tumor
maligno quando a borda é irregular.
Para a aplicação deste método no software, é necessária uma imagem com apenas as
bordas de um fractal (um possível tumor), como mostra a Figura 31.
Figura 31 – Exemplo de entrada do método box-counting.

Com as devidas bordas detectadas, é preciso de fato aplicar o método Box-counting

para calcular a dimensão fractal. O algoritmo desta técnica, leva em consideração uma imagem
binária, para facilitar na distinção das bordas, coberta por um conjunto de quadrados. Este algo-
ritmo verifica quantos quadrados são necessários para cobrir toda a forma que está contida na
imagem binária. Como exemplo, a Figura 32 mostra o funcionamento da técnica, onde a imagem
(A) foi dividida em 32 quadrados e a imagem (B) mostra a mesma imagem, porém destacando
em cinza quantos quadrados foram necessários para cobrir a forma destacada na cor preta.
Figura 32 – Exemplo de funcionamento do método Box-Counting. (A) Imagem dividida

em 32 quadrados. (B) Imagem dividida em 32 quadrado com destaque nos
quadrados que cobrem a forma.
O algoritmo do método Box-Counting possui várias iterações. No inicio a imagem é

dividida em apenas um quadrado e a cada iteração, o número de quadrados aumentam. No caso
de imagens digitais, o número máximo de quadrados será a quantidade total de pixels da imagem.
Assim, a melhor iteração se dá quando o método atinge a quantidade máxima de quadrados para
cobrir a imagem.
52
Após a seleção do melhor valor para a divisão da imagem, obtêm-se a quantidade de

quadrados utilizados para cobrir a forma que está contida na imagem e também o maior valor
entre a largura e a altura da imagem. Assim, quando esses valores forem obtidos, se faz necessário
aplicar na seguinte Equação 3.3 para calcular o quão irregular está a forma contida na imagem.
𝑙𝑜𝑔(𝑁 )
𝐷𝐹 = (3.3)
𝑙𝑜𝑔( 𝑆1 )
1
onde 𝑁 é igual a quantidade quadrados utilizados para cobrir a forma contida na imagem e 𝑆
é
igual a quantidade de quadrados que a imagem foi dividida.
Neste capítulo, foram descritos os materiais e métodos utilizados para o desenvolvi-

mento deste trabalho. Foi possível detalhar o funcionamento de cada método e explicar o uso de
cada material escolhido, para se aproximar dos melhores resultados. No próximo capítulo deste
documento, todos os resultados alcançados com o método desenvolvido são apresentados.
53
4 RESULTADOS
Neste capítulo, apresentam-se os resultados que foram obtidos a partir do método que
foi proposto. Para validar os resultados obtidos através deste novo método, foram utilizados cinco
conjuntos de imagens termográficas adquiridas de voluntários, em formato (.fpf), que seguem o
protocolo de aquisição e mais dez imagens avulsas que servem como complemento para testar o
método. Em todos os testes, foi utilizada a temperatura ambiente na faixa de 22 ∘ C com margem
de ±0, 5 ∘ C.
4.1 CONJUNTOS DE IMAGENS UTILIZADAS NOS TESTES
O Quadro 5 apresenta os cinco conjuntos de imagens que estão de acordo com o proto-
colo e que foram utilizadas nos testes. É possível a resolução utilizada de cada imagem e também
a temperatura central utilizada.
Conjunto Resolução da Imagem T. Central

1 640 x 480 36,6∘ 𝐶
2 320 x 240 35,6∘ 𝐶
3 640 x 480 36,3∘ 𝐶
4 320 x 240 36,2∘ 𝐶
5 320 x 240 35,7∘ 𝐶
Quadro 5 – Informações sobre os conjuntos de imagens.

O Quadro 6 apresenta outras imagens que foram utilizadas nos teste e que não foram
definidas com um conjunto de imagens.
Imagem Resolução da Imagem T. Central

1 320 x 240 36,2∘ 𝐶
2 320 x 240 36,4∘ 𝐶
3 320 x 240 35,4∘ 𝐶
4 320 x 240 35,9∘ 𝐶
5 320 x 240 35,9∘ 𝐶
6 320 x 240 36,1∘ 𝐶
7 320 x 240 35,5∘ 𝐶
8 200 x 150 36,5∘ 𝐶
9 200 x 150 36,5∘ 𝐶
10 200 x 150 35,9∘ 𝐶
Quadro 6 – Informações sobre as imagens sem conjuntos completos.

54
4.2 PRIMEIRO CONJUNTO DE IMAGENS
O conjunto de imagens da Figura 33, mostra a elevação da temperatura na mama di-

reita, mostrando que existem regiões que devem ser analisadas. As elipse A e B, representam
respectivamente os teste 1 e 2 analisados pela dimensão fractal.
Figura 33 – Primeiro conjunto de imagens.

4.2.1 Análise de Temperatura Média Cutânea e Temperatura Média Adimensional
Na Tabela 1 são mostrados os resultados de temperatura média cutânea e também os

valores de temperatura média adimensional das mamas e a diferença entre os dois valores.
Tabela 1 – Resultados da temperatura média cutânea e adimensional.
Temperatura Média (∆𝑇 ) Temperatura Adimensional (𝜃)

Mama Direita 33,19 0,764
Mama Esquerda 33,17 0,736
Diferença 0,02 0,028
55
4.2.2 Análise da Dimensão Fractal
Neste conjunto de imagens, foi possível extrair duas áreas para análise, como mostra
o Quadro 7, identificados como teste 1 e 2. A imagem colorida, é a região de interesse que
foi selecionada pelo usuário do software. Já a imagem binária, são as bordas detectadas pelo
software e o DF corresponde ao valor obtido ao efetuar o cálculo da dimensão fractal usando o
método Box-counting.
Teste 1 Teste 2
DF = 1,223 DF = 1,163
Quadro 7 – Resultados da Dimensão Fractal do primeiro conjunto de imagens.

4.2.3 Análise dos Níveis de Risco
Em relação a classificação pela temperatura adimensional, é possível notar uma dife-

rença entre as duas temperaturas bem baixa, mostrando simetria quando comparado termica-
mente. Conforme a Tabela 2, as imagens apresentam um baixo risco de possuir câncer na mama
direita e um risco muito baixo na mama esquerda.
Tabela 2 – Classificação do grau de risco de câncer de mama do conjunto de imagens.
Diagnóstico do grau de risco

Temperatura adimensional - Mama Direita Grau 2 - Baixo.
Temperatura adimensional - Mama Esquerda Grau 1 - Muito baixo.
Dimensão fractal - Teste 1 Tumor benigno.
56
4.3 SEGUNDO CONJUNTO DE IMAGENS
Este conjunto de imagens, Figura 34, também mostra temperatura elevada na mama
direita. As elipses A e B, representam respectivamente os testes 1 e 2 analisados pela dimensão
fractal.
Figura 34 – Segundo conjunto de imagens.



57
Neste conjunto de imagens, também foi possível extrair duas área para análise, como
mostra o Quadro 8.
Teste 1 Teste 2
DF = 1,172 DF = 1,243
Quadro 8 – Resultado da Dimensão Fractal do segundo conjunto de imagens.

4.3.3 Análise dos Níveis de Risco
Em relação a classificação pela temperatura adimensional, é possível notar que há uma

variação maior de temperatura, comparado com o teste anterior. Conforme a Tabela 4, as imagens
apresentam um risco muito baixo.

Temperatura adimensional - Mama Direita Grau 1 - Muito baixo.
4.4 TERCEIRO CONJUNTO DE IMAGENS
Este conjunto de imagens, Figura 35, apresenta apenas uma pequena região com tem-
peratura mais elevada na mama direita. A elipse A, representa o teste 1 realizado na subseção
de dimensão fractal.
58
Figura 35 – Terceiro conjunto de imagens.



Neste conjunto de imagens, foi possível extrair apenas uma área para análise, como
mostra o Quadro 9.
Teste 1 DF = 1,228
Quadro 9 – Resultado da Dimensão Fractal do terceiro conjunto de imagens.

59
4.4.3 Análise dos Níveis de Risco dos Tumores

apresentam um risco muito baixo.

4.5 QUARTO CONJUNTO DE IMAGENS
Este conjunto de imagens, Figura 36, apresenta apenas duas regiões com temperatura
mais elevada na mama direita e na mama esquerda. Porém, foi possível selecionar uma região
(Elipses A) para o cálculo da dimensão fractal.
Figura 36 – Quarto conjunto de imagens.

60


Neste conjunto de imagens, também foi possível extrair uma área para análise, como
mostra o Quadro 10.
Teste 1 DF = 1,151
Quadro 10 – Resultado da Dimensão Fractal do quarto conjunto de imagens.


apresentam risco muito baixo de possuir câncer em ambas as mamas.

Temperatura adimensional - Mama Direita Grau 2 - Baixo.
Temperatura adimensional - Mama Esquerda Grau 2 - Baixo.
Teste 1 Tumor benigno.
61
4.6 QUINTO CONJUNTO DE IMAGENS
Este conjunto de imagens, Figura 37, também existem poucos indícios de temperaturas
alterada nas mamas. Porém, foi possível selecionar uma região (elipse A) para aplicar o método
da dimensão fractal.
Figura 37 – Quinto conjunto de imagens.



62
Neste conjunto de imagens, foi possível extrair uma área para análise, como mostra o
Quadro 11.
Teste 1 DF = 1,161
Quadro 11 – Resultado da Dimensão Fractal do quinto conjunto de imagens.


variação maior de temperatura, comparado com o teste anterior. Conforme a Tabela 10, as ima-
gens apresentam um risco muito baixo de câncer em ambas as mamas.

Teste 1 Tumor benigno.
4.7 OUTROS TESTES EM IMAGENS FRONTAIS
Os testes dispostos nesta seção, consiste de imagens que foram adquiridas considerando
apenas a imagem frontal. No total, são dez imagens, e em todos os casos, foi aplicado pelo menos
uma técnica, cálculo da dimensão fractal ou temperatura média cutânea e temperatura média
adimensional.
O Quadro 12 mostra dez testes realizados, utilizando a dimensão fractal, com regiões
de interesse selecionadas de oito imagens que estão no Apêndice A deste documento. É possível
verificar ainda, qual a elipse que foi utilizada para a seleção da ROI, o valor de irregularidade
da borda e a classificação do tumor (benigno ou maligno).
63
No do Teste (Elipse) DF Classificação

1 (A) 1,250 Tumor benigno.
6 (B) 1,172 Tumor benigno.
8 (B) 1,271 Tumor benigno.
Quadro 12 – Classificação dos testes realizados através da dimensão fractal.

No Quadro 13 é possível verificar os resultados dos testes realizados através do cálculo

da temperatura média cutânea e temperatura média adimensional. Foram utilizadas dez imagens
que estão dispostas no Apêndice A deste documento. Pode-se observar ainda, em cada teste, o
grau de risco de cada mama (direita e esquerda) e a diferença entre as temperaturas
64
No do Teste T. Média Cutânea T. Média Adimensional Grau de risco

Mama direita: 33,21 Mama direita: 0,757 1 - Muito baixo
1 Mama Esquerda: 33,22 Mama Esquerda: 0,771 2 - Baixo
∆𝑇 ∘ 𝐶 : 0,01 T adimensional: 0,010
Mama direita: 33,59 Mama direita:0,791 2 - Baixo
Mama direita: 32,50 Mama direita:0,821 3 - Médio
3 Mama Esquerda: 32,51 Mama Esquerda: 0,825 3 - Médio
Mama direita: 33,61 Mama direita: 0,791 2 - Baixo
5 Mama Esquerda:33,40 Mama Esquerda: 0,815 2 - Baixo
6 Mama Esquerda: 33,39 Mama Esquerda: 0,757 1 - Muito baixo
Quadro 13 – Resultados das imagens sem conjuntos definidos.

Este capítulo apresentou os resultados que foram obtidos em cada etapa do método
proposto. Utilizando alguns conjuntos de imagens que serviram para mostrar o protocolo de
aquisição que foi definido e também para mostrar que todo método desenvolvido é válido. Ou-
tras imagens também foram utilizadas como um complemento considerando apenas as imagens
frontais.
No próximo capítulo, será analisado os resultados obtidos, assim como dificuldades,
contribuições e trabalhos futuros.
65
5 CONCLUSÃO
Este capítulo apresenta uma conclusão referente ao método proposto, levando em con-
sideração a análise dos resultados obtidos. As dificuldades encontradas durante o desenvolvi-
mento, as contribuições à comunidade e sugestões para trabalhos futuros também são apresen-
tadas.
5.1 ANÁLISE DOS RESULTADOS
O software desenvolvido pode auxiliar profissionais da área da saúde, permitindo obter

mais informações a respeito do diagnóstico de câncer de mama através de imagens infraverme-
lhas.
Os resultados obtidos neste sistema não são conclusivos para o diagnóstico final da
doença, mas fornecem informações relevantes de como está a situação das mamas do paciente.
O resultado desta análise é um procedimento diagnóstico complementar e todos os resultados
conclusivos devem ser correlacionados com as manifestações clínicas. Assim, é indispensável a
realização de outros exames já consagrados na área da medicina para um diagnóstico conclusivo,
de acordo com a orientação e avaliação médica.
5.1.1 Temperatura Média Adimensional
Para a análise dos resultados, considerando apenas a classificação do grau de risco,

que podem se encaixar em 5 grupos diferentes (Grau 1 - muito baixo, Grau 2 - baixo, Grau 3 -
Médio, Grau 4 - Alto, Grau 5 - Altíssimo), é possível observar no Quadro 14 a quantidade que
cada grupo recebeu de classificação da mama, sendo esquerda ou direita.
Quantidade de regiões classificadas em cada grau de risco

Grau 1 - Muito baixo 17
Grau 2 - Baixo 11
Grau 3 - Médio 2
Grau 4 - Alto 0
Grau 5 - Altíssimo 0
Quadro 14 – Classificação - Grau de risco.

Os resultados mostram uma concentração dos diagnósticos de risco nos graus mais bai-
xos (Grau 1 e 2). Quando uma mama é classificada como grau 1, significa dizer que seu resultado
de temperatura média adimensional foi menor de 0,760. Quando uma mama é classificada como
66
grau 2, significa dizer que o seu resultado de temperatura média adimensional está entre 0,760
e 0,820. Assim, para uma mama ser classificada como grau 3 a temperatura média adimensio-
nal deve estar entre 0,820 até 0,880, para grau 4 deve estar entre 0,880 até 0,940 e finalmente
para grau 5 deve estar entre 0,940 até 1,00. Conforme Brioschi (2011) em tumores malignos
a temperatura média adimensional é de aproximadamente 0,89. Portanto, a partir de 0,880 são
classificados como de grau de risco 4 ou 5.
Para comparar os três resultados obtidos (Grau 1, Grau 2 e Grau 3), é possível obser-
var a diferença entre as imagens na região das mamas. Em alguns casos, as imagens utilizadas
demonstravam um alto grau de temperatura em pequenas regiões e não em uma grande área. As-
sim, quando cálculo era realizado selecionando a ROI, essa região de temperatura mais elevada
não prevalecia entre as outras regiões de menor temperatura, dificultando a classificação em por
exemplo, grau alto ou altíssimo.
A Figura 38 mostra uma imagem cuja a classificação foi, em ambas as mamas, de grau
1 (Muito baixo).
Figura 38 – Imagem classificada em ambas as mamas como grau 1.

Já a Figura 39 mostra uma imagem cuja a classifica foi, em ambas as mamas, de grau
2 (Baixo).

67
E na Figura 40 é possível ver a imagem que possuí a maior classificação entre as ima-
gens, sendo classificada como de grau 3 (Médio).

5.1.2 Dimensão Fractal
No Quadro 15 é possível verificar que os 17 casos analisados pelo método Box-Counting

são considerados como tumor benigno.
Quantidade de mamas classificadas como tumor benigno ou tumor maligno

Tumor benigno 17
Tumor maligno 0
Quadro 15 – Classificação - Dimensão fractal.

Como comparação, a Figura 41 mostra um exemplo de região que seria classificada

como tumor maligno, neste caso a dimensão fractal através do método Box-Counting é de 1,3628.
Assim, comparando essa região de interesse com as demais regiões selecionadas para os resul-
tados do trabalho, é possível verificar que a irregularidade da borda é bem maior.
Figura 41 – Exemplo de um região que seria classificado como tumor maligno.

68
Neste estudo, não foi possível determinar um grau de precisão, de sensibilidade e es-
pecificidade pois os conjuntos de imagens não possuem laudos médicos. Esses laudos seriam
importantes para julgar realmente a eficiência do estudo, onde duas técnicas (temperatura mé-
dia e dimensão fractal) podem ser utilizadas para auxiliar no diagnóstico médico. Na literatura,
existem trabalhos que tratam as técnicas separadamente, por isso, neste estudo foi proposto que
as duas técnicas fossem utilizadas juntas.
Este trabalho busca auxiliar profissionais engajados em sempre melhorar e facilitar a

vida de seus pacientes. Com o auxílio de imagens termográficas, que podem ser adquiridas por
câmeras infravermelhas, esse software faz uso de algumas técnicas que fornecem informações
sobre a análise das mamas. As imagens termográficas, demonstram ser uma importante ferra-
menta para ser utilizada na avaliação de várias doenças. Pelo fato do corpo humano ser termi-
camente simétrico, o uso da temperatura adimensional foi essencial para o resultado, pois o uso
de uma temperatura normalizada inibe todo fator externo que possa prejudicar o resultado. O
cálculo da dimensão fractal demonstra que existem várias técnicas que podem auxiliar nas mais
variadas tarefas. O Box-Counting é um método simples, porém se mostra eficiente para o estudo
de caso que foi proposto.
Os resultados foram satisfatórios devido ao uso de duas técnicas em conjunto. Foi pos-
sível obter classificações em 3 graus diferentes quando aplicado o cálculo da temperatura média
adimensional, sendo que os 2 graus mais alto não obtiveram nenhuma classificação. Quanto ao
uso da dimensão fractal, todos os testes foram classificados como tumor benigno. Seria impor-
tante fornecer um grau de especificidade e sensibilidade para esses resultados, porém não foi
possível devido a falta de laudos médicos conclusivos das imagens utilizadas nos testes.
É preciso salientar que buscar a criação de métodos para o auxílio da humanidade,
nas mais variadas tarefas, é muito importante para que a sociedade continue em crescimento
contínuo.
5.3 TRABALHOS FUTUROS
Como proposta para trabalhos futuros, é possível considerar os seguintes itens:

∙ Validar os resultados com laudos médicos, para que seja possível realmente chegar
a melhores conclusões a cerca da eficiência do software;
∙ Necessidade de aperfeiçoar o sistema como um todo, pois sempre existem módulos
ou tarefas que podem ser melhoradas;
∙ Realizar pesquisas para descobrir a real necessidade dos usuários do sistema, pois os
69
mesmos tem muito a contribuir com a construção de um software eficiente;

∙ Utilizar ferramentas e técnicas de mineração de dados para procurar padrões consis-
tentes na análise das informações, explorando um conjunto de dados.
70
REFERÊNCIAS
AAT. Guidelines for Breast Thermology. The American Academy of Ther-

mology, 2012. Disponível em: <http://aathermology.org/organization/guidelines/
guidelines-for-breast-thermology/>. Acesso em: 10-05-2015.
ACHARYA, U. R. et al. Thermography based breast cancer detection using texture features
and support vector machine. J. Med. Syst., Plenum Press, New York, NY, USA, v. 36, n. 3, p.
1503–1510, jun 2012. ISSN 0148-5598.
AMBRÓSIO, P. E.; OLIVEIRA, F. B. S.; GOES JUNIOR, E. S. Utilizando box-counting

para calcular a dimensão fractal de nódulos mamários. In: XXIV Congresso Brasileiro de
Engenharia Biomédica (CBEB). Uberlândia - MG: [s.n.], 2014. p. 405–408.
BACKES, A. R.; MARTINEZ, O. B. Técnicas de estimativa da dimensão fractal: Um estudo

comparativo. Journal of Computer Science (INFOCOMP), Universidade de São Paulo, v. 4,
n. 3, p. 50–58, 2005.
BEZERRA, L. A. Uso de Imagens Termográficas em Tumores Mamários para Validação de

Simulação Computacional. Dissertação (Mestrado) — Universidade Federal de Pernambuco,
Recife - PE, 2007.
BORCHARTT, T. B. Análise de Imagens Termográficas Para a Classificação de Alterações

na Mama. Tese (Doutorado) — Universidade Federal Fluminense, Niterói-RJ, 2013.
BRAZ, J. R. C. Fisiologia da termorregulação normal. Revista Neurociências, Universidade

Estadual de São Paulo - UNESP, v. 13, n. 3, p. 12–17, 2005.
BRIOSCHI, M. L. Metodologia de Normalização de Análise do Campo de Temperaturas

em Imagem Infravermelha Humana. Tese (Doutorado) — Departamento de Engenharia
Mecânica, Universidade Federal do Paraná, Curitiba-PR, 2011.
CAMPELLO, M. S. Técnicas de Processamento Digital de Imagens com Aplicação no

Setor das Rochas Ornamentais. Tese (Doutorado) — Universidade Federal de Minas Gerais,
Minas Gerais, 2006.
CHERUBINI NETO, R.; BORENSTEIN, D. Fundamentando e apresentando um conjunto de

hipóteses para embasar a elaboração de dois algoritmos de mineração fractal de dados para a
detecção de fraudes. In: XXXV Encontro da ANPAD. Rio de Janeiro - RJ: [s.n.], 2011. p.
1–27.
FDA. Thermogram No Substitute for Mammogram. Food and Drug Administration,

2011. Disponível em: <http://www.fda.gov/downloads/ForConsumers/ConsumerUpdates/
UCM257649.pdf>. Acesso em: 10-05-2015.
FELIPUSSI, S. C.; JANTSCH, G. E. Estudo de técnicas de pseudocoloração aplicadas a

imagens radiográficas – uma abordagem aprimorada. SCIENTIA PLENA, Universidade
Federal de São Carlos, v. 8, n. 11, 2012.
FRAZÃO, A.; VARGAS, M. M. F. Mulheres com câncer de mama: as expressões da

questão social durante o tratamento de quimioterapia neoadjuvante. Revista Brasileira de
Cancerologia, v. 59, n. 3, p. 427–435, 2013.
71
GONSCHOROWSKI, J. S. Processamento de Sinais e Reconhecimento de Padrões de

Resposta de Sensores de Gases Através da Geometria Fractal. Dissertação (Mestrado) —
Escola Politécnica da Universidade de São Paulo, São Paulo-SP, 2007.
GONZALEZ, R.; WOODS, R. Processamento de imagens digitais. 3o . ed. São Paulo: Person,
2010.
HADDAD, D. S. Correlação Clínica e Termográfica do Ponto Gatilho Miofascial nos

Músculos da Mastigação. Dissertação (Mestrado) — Universidade de São Paulo, São
Paulo-SP, 2011.
INCA. Estimativa 2014: Incidência de Câncer no Brasil. Instituto Nacional de Câncer

José Alencar Gomes da Silva/Ministério da Saúde. Rio de Janeiro - RJ: [s.n.], 2014.
LAWSON, R. N. Implications of surface temperatures in the diagnosis of breast. Canadiam

Medical Association Journal, v. 13, p. 309–310, 1956.
MAFRA, A. et al. Acolhimento com Classificação de Risco no Pronto Socorro do Hospital

Municipal Odilon Behrens em Belo Horizonte. Belo Horizonte - MG: Hospital Municipal
Odilon Behrens, 2006. Disponível em: <http://www.gbacr.com.br/images/stories/Documentos/
revista_hob_mai06_versao_5.pdf>. Acesso em: 10-05-2015.
MAHNAZ, E. T.; LUCAS, C.; SADRI, S. Analysis of breast thermography using fractal
dimension to establish possible difference between malignant and benign patterns. Journal of
Healthcare Engineering, Isfahan University of Technology, v. 1, n. 1, p. 27–43, 2010.
MANDELBROT, B. How long is the coast of britain? statistical self-similarity and fractional
dimension. Science, v. 156, n. 3775, p. 636–638, 1967.
MARQUES FILHO, O.; VIEIRA NETO, H. Processamento digital de imagens. Rio de

Janeiro: BRASPORT, 1999. (Série Acadêmica). ISBN 9788574520094.
PINHEIRO, A. B. et al. Câncer de mama em mulheres jovens: Análise de 12.689 casos. Revista
Brasileira de Cancerologia, v. 59, n. 3, p. 351–359, 2013.
PLOTZE, R. O.; MARTINEZ, O. Dimensão Fractal Multiescala e suas Aplicações na

Taxonomia de Espécies Vegetais. Universidade de São Paulo: [s.n.], 2005. 64-67 p.
QUEIROZ, J. E. R.; GOMES, H. M. Introdução ao processamento digital de imagens. Revista

RITA, UFCG, v. 8, n. 1, p. 1–31, 2001.
RESMINI, R. Análise de Imagens Térmicas da Mama Usando Descritores de Textura.

Dissertação (Mestrado) — Universidade Federal Fluminense, Niteró - RJ, 2011.
RESMINI, R. et al. Diagnóstico precoce de doenças mamárias usando imagens térmicas e

aprendizado de máquina. Revista eletrônica do Alto Vale do Itajaí, Universidade Federal
Fluminense, v. 1, n. 1, p. 55–67, 2012.
SANCHES, I. J. Sobreposição de Imagens de Termografia e Ressonância Magnética:

Uma Nova Modalidade de Imagem Médica Tridimensional. Tese (Doutorado) — Programa
de Pós-Graduação em Engenharia Elétrica e Informática Industrial (CPGEI), Universidade
Tecnológica Federal do Paraná (UTFPR), Curitiba-PR, 2009.
72
SANCHES, I. J. et al. Level of breast cancer risk assessment using a standardization

methodology of cutaneous thermal images. ICGMT2011 - International Consensus and
Guidelines on Medical Thermography, Thermology International Journal, v. 21, p. 139,
Novembro 2011.
SAVARI, J.; RAVI. Breast cancer detection on thermogram at preliminary stage by using fuzzy
inferences system. Journal of Theoretical and Applied Information Technology, Shri JJT
University, v. 68, n. 3, p. 381–391, 2014.
SOBIN, L. H.; WITTEKIND, C. TNM Classification of Malignant Tumours. 6o . ed. New

Jersey, US: John Wiley, INC., 2002. 1–253 p. ISBN 0-471-22288-7.
SOUZA, G. A. G. R. Análise e Triagem de Tumor Benigno de Mamas a Partir de Imagem

Infravermelha. Dissertação (Mestrado) — Universidade Federal do Paraná, Curitiba-PR,
2014.
SYSTEMS, I. F. Users Manual Flir T6xx series. 2013. Disponível em: <http://www.
instrumart.com/assets/FLIR-T620-T640-Manual.pdf>. Acesso em: 10-12-2014.
WAHL, B. Exploring Fractals on the Macintosh. Addison-Wesley Publishing Company,

1995. ISBN 9780201626308. Disponível em: <http://books.google.com.br/books?id=
y27vAAAAMAAJ>.
WIECEK, B. et al. Advanced thermal image processing for medical and biological applications.
In: Proceedings of the 23 Annual EMBS International Conference of the IEEE. Turkey:
[s.n.], 2001. p. 2805–2807.
WIKIMEDIA, C. Espectro Visible Por El Ojo Humano (Luz). 2012. Disponível em:
<http://commons.wikimedia.org/wiki/File:Electromagnetic\_spectrum-es.svg>. Acesso em:
10-12-2014.
WINSLOW, T. Medical and scientific illustration. 2013. Disponível em: <http:

//www.teresewinslow.com/>. Acesso em: 15-12-2014.
73
APÊNDICE A – IMAGENS FRONTAIS UTILIZADAS PARA TESTES
A Figura 42 mostra a imagem que foi utilizado no primeiro teste que não possui um
conjunto definido. A Elipse (A) mostra a região de interesse utilizada para aplicar a dimensão
fractal.
Figura 42 – Teste 1.
A Figura 43 mostra a imagem que foi utilizado no segundo teste que não possui um
fractal.
74
A Figura 44 mostra a imagem que foi utilizado no terceiro teste que não possui um
fractal.
A Figura 45 mostra a imagem que foi utilizado no quarto teste que não possui um
fractal.
75
A Figura 46 mostra a imagem que foi utilizado no quinto teste que não possui um
conjunto definido. As Elipse (A) e (B) mostram as regiões de interesse utilizadas para aplicação
da dimensão fractal.
A Figura 47 mostra a imagem que foi utilizado no sexto teste que não possui um con-
junto definido. As Elipse (A) e (B) mostram as regiões de interesse utilizadas para aplicação da
dimensão fractal.
76
A Figura 48 mostra a imagem que foi utilizado no sétimo teste que não possui um
conjunto definido.
A Figura 49 mostra a imagem que foi utilizado no oitavo teste que não possui um con-
junto definido. A Elipse (A) mostra a região de interesse utilizada para aplicar a dimensão fractal.
77
A Figura 50 mostra a imagem que foi utilizado no nono teste que não possui um con-
junto definido.
A Figura 51 mostra a imagem que foi utilizado no décimo teste que não possui um
fractal.


ESTUDODOGRAUDERISCODECÂNCERDEMAMA

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

ESTUDODOGRAUDERISCODECÂNCERDEMAMA

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ

DEPARTAMENTO ACADÊMICO DE INFORMÁTICA

JONAS VIEIRA DE ASSIS

ESTUDO DO GRAU DE RISCO DE CÂNCER DE MAMA

TRABALHO DE CONCLUSÃO DE CURSO

ESTUDO DO GRAU DE RISCO DE CÂNCER DE MAMA

Trabalho de Conclusão de Curso apresentado

Orientador: Dr. Ionildo José Sanches

ESTUDO DO GRAU DE RISCO DE CÂNCER DE MAMA UTILIZANDO A

JONAS VIEIRA DE ASSIS

Este Trabalho de Conclusão de Curso foi apresentado em 27 de maio de 2015

- O Termo de Aprovação assinado encontra-se na Coordenação do Curso -

Primeiramente а Deus qυе permitiu qυе tudo isso acontecesse, não

O câncer de mama é um tumor maligno que se desenvolve como consequência de alterações

Palavras-chaves: Imagens termográficas. Câncer de mama. Processamento de imagens. Dimen-

Figura 1 – Estrutura da mama. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

Tabela 1 – Resultados da temperatura média cutânea e adimensional. . . . . . . . . . . . . . . . . . . . 54

Quadro 1 – Classificação clínica do câncer de mama pelo sistema TNM. . . . . . . . . . . . . . . . 20

AAT American Academy of Thermology

ANS Agência Nacional de Saúde Complementar

FDA Food and Drug Administration

FPF FLIR Public Format (Formato Público FLIR)

HSI Hue, Saturation, Intensity (Matiz, Saturação, Intensidade)

IDE Integrated Development Environment (Ambiente de Desenvolvimento Inte-

INCA Instituto Nacional do Câncer

KNN K-Nearest Neighbors

LUT Look-Up Table

PDI Processamento Digital de Imagens

RGB Red, Green, Blue (Vermelho, Verde, Azul)

ROI Region of Interest (Região de Interesse)

SUS Sistema Único de Saúde

SVM Support Vector Machine (Máquina de Vetor de Suporte)

TNM Tumor, Lymph Nodes, Metastasis (Tumor, Linfonodos, Metástase)

UICC Union for International Cancer Control

O câncer de mama é um tumor maligno que se desenvolve como consequência de alte-

O processamento digital de imagens é uma forma de processamento de dados, utilizada

1.1.1 Objetivo Geral

Desenvolver um método para análise do nível de risco de câncer de mama utilizando

1.1.2 Objetivos Específicos

Os objetivos específicos deste trabalho são:

∙ Calcular a irregularidade da borda de possíveis tumores utilizando a dimensão frac-

O câncer de mana vem, há décadas, se consolidando como o mais comum entre as

1.3 ORGANIZAÇÃO DO TRABALHO

No capítulo 2 é apresentada uma revisão bibliográfica sobre temas relacionados ao tra-

2.1 CÂNCER DE MAMA

O câncer de mama é um tumor maligno que se desenvolve como consequência de alte-

Figura 1 – Estrutura da mama.

A formação das glândula mamária (mama) se dá devido a composição de tecidos conec-

2.1.1 Nódulo Mamário

2.1.2 Estadiamento do Câncer de Mama

Atualmente, os tratamentos do câncer de mama são definidos principalmente pelo es-

Quadro 1 – Classificação clínica do câncer de mama pelo sistema TNM.

Estágio 0 Tis, N0, M0.

Quadro 2 – Estadiamento do câncer de mama pelo sistema TNM.

2.2 PROCESSAMENTO DE IMAGENS

2.2.1 Imagens Digitais

Figura 2 – Representação de uma imagem digital.

Figura 3 – Representação de uma imagem digital com matriz bidimensional.

2.2.1.1 Imagens em escala de cinza

O processo de limiarização consiste em separar regiões de uma imagem, produzindo

2.2.1.3 Detecção de bordas

2.2.2 Fundamentos do Processamento de Imagens

Processar uma imagem digital abrange hardwares, softwares e fundamentos teóricos. A

Figura 4 – Passos fundamentais em processamento de imagens digitais.