Detecção do Câncer de Mama em Imagens Infravermelhas Utilizando Características Radiômicas

• Elisson C. Carvalho IF Sudeste MG
• Alessandra M. Coelho IF Sudeste MG
• Matheus F. O. Baffa USP

DOI: https://doi.org/10.5753/ercas.2021.17433

Resumo

O câncer de mama é o segundo tipo mais frequente de câncer no mundo. Quando diagnosticado precocemente, o paciente pode apresentar um melhor prognóstico e aumentar suas chances de cura. Neste trabalho é proposto o desenvolvimento de um método de classificação de imagens infravermelhas para o auxílio no diagnóstico do câncer de mama. Para isso, utilizou-se características baseadas em radiômicas para representar o conteúdo da imagem em conjunto com uma Rede Neural Profunda para detecção de padrões e construção do modelo de classificação. Avaliado seguindo o procolo de Validação Cruzada, o método proposto atingiu uma taxa de acerto de 97,27% e uma sensibilidade de 96,33%. Novas modalidades de imagens médicas têm se mostrado eficazes na detecção precoce do câncer de mama.

Referências

Baffa, M. F. O., Conci, A., and Coelho, A. M. (2021). Segmentação de imagens infravermelhas para detecção do câncer de mama utilizando u-net cnn. In XXI Simpósio Brasileiro de Computação Aplicada à Saúde (SBCAS). No Prelo.

Baffa, M. F. O. and Lattari, L. G. (2018). Convolutional neural networks for static and dynamic breast infrared imaging classication. In 2018 31st SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI), pages 174–181.

Instituto Nacional do Cancer. (2021). Câncer de mama. Disponível em: <https://www.inca.gov.br/tipos-de-cancer/cancer-de-mama>. Acessado em: 25 mai. 2021.

Ng, E.-K. (2009). A review of thermography as promising non-invasive detection modality for breast tumor. International Journal of Thermal Sciences, 48(5):849–859.

Poggio, T., Torre, V., and Koch, C. (1987). Computational vision and regularization theory. Readings in computer vision, pages 638–643.

Rasti, R., Rabbani, H., Mehridehnavi, A., and Hajizadeh, F. (2017). Macular oct classication using a multi-scale convolutional neural network ensemble. IEEE transactions on medical imaging, 37(4):1024–1034.

Roslidar, R., Rahman, A., Muharar, R., Syahputra, M. R., Arnia, F., Syukri, M., Pradhan, B., and Munadi, K. (2020). A review on recent progress in thermal imaging and deep learning approaches for breast cancer detection. IEEE Access, 8:116176–116194.

Silva, L., Saade, D., Sequeiros, G., Silva, A., Paiva, A., Bravo, R., and Conci, A. (2014). A new database for breast research with infrared image. Journal of Medical Imaging and Health Informatics, 4(1):92–100.

Silva, L. F., Santos, A. A. S., Bravo, R. S., Silva, A. C., Muchaluat-Saade, D. C., and Conci, A. (2016). Hybrid analysis for indicating patients with breast cancer using temperature time series. Computer methods and programs in biomedicine, 130:142– 153.