Escolar Documentos
Profissional Documentos
Cultura Documentos
PONTA GROSSA
2015
JONAS VIEIRA DE ASSIS
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
por
__________________________________
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
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.
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
DF Dimensão Fractal
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
3.7 CONSIDERAÇÕES FINAIS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
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
4.3.1 Análise de Temperatura Média Cutânea e Temperatura Média Adimensional . . . . . . 56
4.3.2 Análise da Dimensão Fractal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.3.3 Análise dos Níveis de Risco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.4 TERCEIRO CONJUNTO DE IMAGENS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.4.1 Análise de Temperatura Média Cutânea e Temperatura Média Adimensional . . . . . . 58
4.4.2 Análise da Dimensão Fractal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.4.3 Análise dos Níveis de Risco dos Tumores. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.5 QUARTO CONJUNTO DE IMAGENS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.5.1 Análise de Temperatura Média Cutânea e Temperatura Média Adimensional . . . . . . 60
4.5.2 Análise da Dimensão Fractal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.5.3 Análise dos Níveis de Risco dos Tumores. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.6 QUINTO CONJUNTO DE IMAGENS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.6.1 Análise de Temperatura Média Cutânea e Temperatura Média Adimensional . . . . . . 61
4.6.2 Análise da Dimensão Fractal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.6.3 Análise dos Níveis de Risco dos Tumores. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.7 OUTROS TESTES EM IMAGENS FRONTAIS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.8 CONSIDERAÇÕES FINAIS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5 CONCLUSÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.1 ANÁLISE DOS RESULTADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.1.1 Temperatura Média Adimensional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.1.2 Dimensão Fractal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.2 CONSIDERAÇÕES FINAIS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.3 TRABALHOS FUTUROS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
APÊNDICE A – IMAGENS FRONTAIS UTILIZADAS PARA TESTES . . . . . . . . . . . . . 73
15
1 INTRODUÇÃO
1.1 OBJETIVOS
Nesta seção, será apresentado o objetivo geral e os objetivos específicos deste trabalho.
1.2 JUSTIFICATIVA
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.
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).
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.
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.
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).
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.
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.
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
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.
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.
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).
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
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.
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).
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
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
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).
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
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.
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.
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).
Fonte: Autoria Própria.
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
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.
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∞
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
𝑙𝑜𝑔(3)
𝐷𝐹 = 1 = 1, 58496 (2.3)
𝑙𝑜𝑔( 1/2 )
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 20 – Exemplo do cálculo da DF. (a) Etapa 1. (b) Etapa 2. (c) Etapa 3.
Fonte: Wahl (1995).
38
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
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).
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).
√
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)
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)
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)
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.
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
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.
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
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.
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
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.
Fonte: Autoria Própria
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
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.
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.
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.
O Quadro 6 apresenta outras imagens que foram utilizadas nos teste e que não foram
definidas com um conjunto de imagens.
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
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.
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
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
Neste conjunto de imagens, foi possível extrair apenas uma área para análise, como
mostra o Quadro 9.
Teste 1 DF = 1,228
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.
Neste conjunto de imagens, também foi possível extrair uma área para análise, como
mostra o Quadro 10.
Teste 1 DF = 1,151
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.
Neste conjunto de imagens, foi possível extrair uma área para análise, como mostra o
Quadro 11.
Teste 1 DF = 1,161
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
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.
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).
Já a Figura 39 mostra uma imagem cuja a classifica foi, em ambas as mamas, de grau
2 (Baixo).
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).
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.
REFERÊNCIAS
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.
GONZALEZ, R.; WOODS, R. Processamento de imagens digitais. 3o . ed. São Paulo: Person,
2010.
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.
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.
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.
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.
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.
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.
Fonte: Autoria Própria
A Figura 43 mostra a imagem que foi utilizado no segundo teste que não possui um
conjunto definido. A Elipse (A) mostra a região de interesse utilizada para aplicar a dimensão
fractal.
Figura 43 – Teste 2.
Fonte: Autoria Própria
74
A Figura 44 mostra a imagem que foi utilizado no terceiro teste que não possui um
conjunto definido. A Elipse (A) mostra a região de interesse utilizada para aplicar a dimensão
fractal.
Figura 44 – Teste 3.
Fonte: Autoria Própria
A Figura 45 mostra a imagem que foi utilizado no quarto teste que não possui um
conjunto definido. A Elipse (A) mostra a região de interesse utilizada para aplicar a dimensão
fractal.
Figura 45 – Teste 4.
Fonte: Autoria Própria
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.
Figura 46 – Teste 5.
Fonte: Autoria Própria
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.
Figura 47 – Teste 6.
Fonte: Autoria Própria
76
A Figura 48 mostra a imagem que foi utilizado no sétimo teste que não possui um
conjunto definido.
Figura 48 – Teste 7.
Fonte: Autoria Própria
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.
Figura 49 – Teste 8.
Fonte: Autoria Própria
77
A Figura 50 mostra a imagem que foi utilizado no nono teste que não possui um con-
junto definido.
Figura 50 – Teste 9.
Fonte: Autoria Própria
A Figura 51 mostra a imagem que foi utilizado no décimo teste que não possui um
conjunto definido. A Elipse (A) mostra a região de interesse utilizada para aplicar a dimensão
fractal.