Segmentação de Imagens Infravermelhas Para Detecção do Câncer de Mama Utilizando U-NET CNN

• Matheus de Freitas Oliveira Baffa USP
• Alessandra Martins Coelho IF SudesteMG
• Aura Conci UFF

DOI: https://doi.org/10.5753/sbcas.2021.16058

Resumo

O câncer de mama é o principal tipo de câncer entre as mulheres. De acordo com o World Cancer Research Fund, em 2018, mais de 2 milhões de novos casos foram detectados em todo o mundo. Apesar de sua alta ocorrência, a detecção precoce proporciona um melhor prognóstico e auxilia no aumento da sobrevida do paciente oncológico. Avanços significativos nas técnicas de rastreamento, como as imagens infravermelhas, forneceram uma maneira barata e menos invasiva forma de detectar a doença. Além disso, ferramentas computacionais podem ser utilizadas para auxiliar os médicos a fornecerem um melhor diagnóstico. Assim, este artigo apresenta um método de segmentação baseado em Redes Neurais Convolucionais U-Net. Em contraste com o estado da arte, as abordagens de aprendizado de máquina têm se mostrado eficientes para a segmentação da região de interesse deste trabalho, atingindo uma acurácia de 98,24% e uma Intersecção-Sobre-União de 94,38%. O uso deste método de segmentação pode ser muito útil para tarefas de classificação, uma vez que a região de interesse é bem delimitada para extração de características.

Referências

Amalu, W., Hobbins, W., Head, J., and Elliot, R. (2006). Infrared imaging of the breast— an overview. The Biomedical Engineering Handbook, 3rd ed., Medical Devices and Systems. CRC Press, Baton Rouge.

Baffa, M., Cheloni, D., and Lattari, L. (2016). Segmentação automática de imagens térmicas das mamas utilizando limiarização com refinamento adaptativo. In Anais do XVI Workshop de Informática Médica, pages 39–48. SBC.

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

Conci, A., Azevedo, E., and Leta, F. (2008). Computação Gráfica: Teoria e Prática, volume 2. Elsevier Editora.

Gore, J. P. and Xu, L. X. (2003). Thermal imaging for biological and medical diagnostics. Biomedical Photonics Handbook, 17:1–12.

IFF/Fiocruz. (2021). Câncer de mama: a importância do diagnóstico precoce. Disponível em: <http://www.iff.fiocruz.br/index.php/8-noticias/274-cancerdemama>. Acesso em: 05 abr. 2021.

Instituto Nacional do Câncer. (2021). Câncer de mama. Disponível em: <https://www.inca.gov.br/tipos-de-cancer/cancer-de-mama>. Acesso em: 05 abr. 2021.

Ismael, A. M. and Sengür, A. (2021). Deep learning approaches for covid-19 detection based on chest x-ray images. Expert Systems with Applications, 164:114054.

Marques, R. S. (2012). Segmentação automática das mamas em imagens térmicas. Master’s thesis, Instituto de Computação, Universidade Federal Fluminense, Niterói, RJ, Brasil.

Marques, R. S., Conci, A., Perez, M. G., Andaluz, V. H., and Mejia, T. M. (2016). An approach for automatic segmentation of thermal imaging in computer aided diagnosis. IEEE Latin America Transactions, 14(4):1856–1865.

Melo, R. H. C., Conci, A., and Vasconcelos, C. N. (2017). On the use of fully convolutional networks on evaluation of infrared breast image segmentations. In Anais do XVII Workshop de Informática Médica. SBC.

Motta, L. S. (2010). Obtenção automática da regi˜ao de interesse em termogramas frontais da mama para o auxílio à detecção precoce de doenças. Master’s thesis, Instituto de Computação, Universidade Federal Fluminense, Niterói, RJ, Brasil.

Rehman, A., Khan, M. A., Saba, T., Mehmood, Z., Tariq, U., and Ayesha, N. (2021). Microscopic brain tumor detection and classification using 3d cnn and feature selection architecture. Microscopy Research and Technique, 84(1):133–149.

Ronneberger, O., Fischer, P., and Brox, T. (2015). U-net: Convolutional networks for biomedical image segmentation. In International Conference on Medical image computing and computer-assisted intervention, pages 234–241. Springer.

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.

U.S. National Cancer Institute. (2021). Breast cancer screening (pdq) - patient version. Disponível em: <https://www.cancer.gov/types/breast/patient/breast-screening-pdq>. Acesso em: 05 abr. 2021.

Zuluaga-Gomez, J., Zerhouni, N., Al Masry, Z., Devalland, C., and Varnier, C. (2019). A survey of breast cancer screening techniques: thermography and electrical impedance tomography. Journal of medical engineering & technology, 43(5):305–322