Neste trabalho, propõe-se a utilização da técnica Enhanced ICA Misture Model (EICAMM) para a segmentação automática de nódulos mamários em imagens mamográficas digitais. Com o objetivo de compará-la com outros métodos de segmentação encontrados na literatura correlata, como as técnicas Watershed, Self-Organizing Map (SOM), K-Means e Fuzzy C-Means, utiliza-se a métrica Area Overlap Measure (AOM) ou medida de similaridade de Jaccard, para medir a semelhança entre o resultado obtido na segmentação e o recorte efetuado por um especialista (ground truth). Os resultados obtidos mostram um bom desempenho do modelo EICAMM, que foi a única técnica capaz de detectar massas em regiões de interesse de mama densa. Resultados mais precisos produzidos por tal modelo foram aplicados na elaboração de um módulo classificador de nódulos para um esquema CADx (de Computer-aided Diagnosis) em mamografia digital. O módulo utiliza técnicas de extração e seleção de características e técnicas inteligentes, como Redes Neurais Artificiais, para indicar a existência ou não de nódulos em regiões de interesse, bem como avalia seu contorno/margem, forma e densidade, a fim de indicar a pertinência do achado a um caso maligno ou benigno. Para isso, utiliza-se uma base de regras, criada com o auxílio de um especialista e da combinação de diferentes classificações, conhecida como ensemble, para gerar uma única saída. Testes utilizando várias regiões de interesse selecionadas de duas bases de imagens mamográficas disponíveis resultaram numa precisão média de 46,71% na segmentação dos nódulos pela EICAMM (20,72% melhor que a média das demais técnicas comparadas) e um nível de acerto médio de 80,5% na classificação dos nódulos, o que permite considerar o módulo desenvolvido como uma útil ferramenta para auxílio ao diagnóstico desse tipo de estrutura em esquemas CADx.

This work describes the use of a technique called Enhanced ICA Misture Model (EICAMM) for automated segmentation of breast nodules in digital mammography images. Aiming to compare it with other segmentation methods, like Watershed transformation, Self-organizing Map (SOM), K-Means and Fuzzy C-Means, metrics such as Area Overlap Map (AOM) or Jaccard similarity measure are used in order to measure the similarity between the result from the segmentation and the profile determined by a spectialist (ground truth). Results show a good performance for the EICAMM method, the unique able to detect masses in regions of interest from dense breasts. More accurate results from such a model were applied to the development of a nodules classifier module for a CADx scheme in digital mammography. This module uses techniques for features extraction and selection, and intelligent techniques, as artificial neural networks, to determine the existence or not of a nodule, as well as to evaluate its contour/border, shape and radiographic density, in order to point out its pertinency to a malignant or benign case. With this purpose, a rules database known as ensemble, created with help of a specialist and different classifications combination, is used in order to produce only one output. Tests with several regions of interest selected from two available mammographic images databases have resulted in an average accuracy of 46.71% for nodules segmentation by EICAMM (20.72% better than the average of the other compared techniques), as well as an average accuracy of 80.5% in nodules classification, which allows to consider the developed module as an useful tool in aiding the diagnosis of such a structure in CADx schemes.