Os Esquemas CAD ("Computer - Aided Diagnosis") têm mostrado bons resultados no auxílio ao diagnóstico precoce do câncer de mama. A classificação, nesses esquemas, é algo complexo e abrange investigações não só de técnicas computacionais, mas também das caracterizações citológicas dos achados de interesse clínico. Por isso, o presente trabalho objetivou o desenvolvimento de um esquema classificador visando a indicação de cada caso como "suspeito" e "não-suspeito", com base em investigações de imagens mamográficas digitalizadas. Nessa investigação em particular, o foco de análise foram agrupamentos de microcalcificações detectadas por técnicas de processamento de imagens. A técnica de classificação utilizada no esquema baseou-se em redes neurais artificiais (RNA) supervisionadas, empregando algoritmo de aprendizagem "backpropagation". O esquema classificador usando RNA, mostrou a eficiência dos descritores de forma na caracterização dos agrupamentos de microcalcificações e também a influência de atributos extraídos dos laudos das imagens como a idade e a "densificação". Os melhores resultados obtidos - apresentados aqui em forma de porcentagens e também de curvas ROC - mostraram 92% de acerto total com Az = 0,96 aproximadamente, índices compatíveis aos dos melhores classificadores descritos pela literatura.

Computer-aided diagnosis (CAD) schemes have shown good results in aiding the early diagnosis of breast câncer. In such schemes, the classification is usually complex and it in uses not only computer techniques, but also cythologycal characterization of the clinical findings. Thus, this work has aimed to develop a classifier scheme regarding to indicate each case as "suspected" or "non-suspected", based upon digitized mammographic images investigation. This analysis focus was clustered microcalcifications detected by image processing techniques. The classification technique used in the scheme was based on supervised artificial neural networks (ANN), with backpropagation as learning algorithm. The classifier using ANN has shown the geometric descriptors efficiency for characterizing microcalcifications clusters as well as the influence of features extracted from images reports, as "age" and "density". The best data - presented here by percentage values and also by ROC curves - have shown 92% of conect results, with Az = 0,96, which are comparable to the values from the best classifiers describeb by literature.