Muitos procedimentos vêm sendo desenvolvidos para auxiliar no diagnóstico precoce do câncer de mama. Nesse âmbito, a ultrassonografia tornou-se uma ferramenta indispensável na distinção entre lesões benignas e malignas. Devido a subjetividade na interpretação de imagens, os esquemas CAD têm oferecido ao especialista uma segunda opinião mais precisa e confiável. Nesse propósito, essa pesquisa apresenta uma metodologia para a detecção e caracterização automática de achados ultrassonográficos da mama. Os ensaios tiveram por base a utilização de imagens obtidas por simuladores e, a partir de resultados consideráveis, foram aplicados sobre exames clínicos. O processo teve início com o emprego de um pré-processamento (filtro de wiener, equalização e filtro da mediana) para a minimização do ruído. Em seguida, cinco técnicas de segmentação foram averiguadas a fim de determinar a representação mais concisa. Dentre elas, a rede neural SOM mostrou-se como a mais relevante. Após a delimitação do objeto, foram definidas as características mais expressivas para a descrição morfológica do achado. Esses dados serviram de entrada para o classificador neural MLP. A acurácia alcançada durante o treinamento em imagens simuladas foi de 94,2%, produzindo um Az de 0,92. Para avaliar a generalização dos dados, foi efetuada a classificação com imagens desconhecidas ao sistema, tanto em simuladores quanto em exames clínicos, nesses casos a acurácia foi de 90% e 81%, respectivamente. O classificador proposto apresentou-se como uma importante ferramenta de auxílio ao diagnóstico em ultrassonografias de mama.

Many procedures have been developed to assist in the early diagnosis of breast cancer. In this context, ultrasound has become an indispensable tool to distinguish benign and malignant lesions. Due to the subjectivity on interpreting images, CAD schemes have provided to the specialist a second opinion more accurate and reliable. Thus, this research presents a methodology for the automatic detection and characterization of breast sonographic findings. The tests were based the use of images obtained by simulators and, as considerable results, were applied to clinical examinations. The process was started employing of a preprocessing (wiener filter, equalization and median filter) to minimize noise. Then, five segmentation techniques were investigated to determine the most concise representation of the lesion contour, enabling to consider the neural network SOM the most relevant. After the delimitation of the object, the most expressive features were defined to the morphological description of the finding, generating the input data to the neural classifier MLP. The accuracy achieved during training with simulated images was 94.2%, producing an Az of 0.92. To evaluating the data generalization, the classification was performed with a group of unknown images to the system, both to simulators as to clinical trials, resulting in an accuracy of 90% and 81%, respectively. The proposed classifier proved to be an important tool for the diagnosis in ultrasonography breast.