TexVar: Um Autoencoder Variacional para representação e interpretação de texturas mamográficas

• Lucca Lemos Lago PUC Minas
• Alexei Manso Correa Machado PUC Minas / UFMG

DOI: https://doi.org/10.5753/sbcas.2023.229644

Resumo

A classificação da densidade mamária através de exames de raio X ainda é considerado o principal mecanismo para detecção precoce do câncer de mama, uma vez que o tecido fibroglandular pode esconder tumores iniciais. O objetivo deste artigo é propor um modelo interpretável para a classificação de densidades mamárias em imagens mamográficas. A arquitetura proposta é constituída por um autoencoder variacional (VAE) de camadas convolucionais e densas com espaço latente de 32 variáveis. O modelo permite examinar o significado das variáveis através da transição de textura entre as 4 classes da escala Breast Image Reporting and Data System (BI-RADS). Experimentos utilizando a base de dados pública IRMA composta de 5024 imagens demonstraram a capacidade do VAE em reduzir a dimensionalidade do problema para um espaço onde as variáveis mais discriminantes podem ser interpretadas de forma visual, fundamentando o processo de diagnóstico.

Referências

Habaragamuwa, H., Oishi, Y., e Tanaka, K. (2021). Achieving explainability for plant disease classification with disentangled variational autoencoders. CoRR, abs/2102.03082. Retrieved from https://arxiv.org/abs/2102.03082

INCA. (2021, Set). Estatísticas de câncer. https://www.inca.gov.br/numeros-de-cancer. (acessado em: 15/10/2021)

Kingma, D. P., e Welling, M. (2013). Auto-encoding variational bayes. arXiv. Retrieved from https://arxiv.org/abs/1312.6114 doi: 10.48550/ARXIV.1312.6114

Liu, W., Li, R., Zheng, M., Karanam, S., Wu, Z., Bhanu, B., . . . Camps, O. (2020). Towards Visually Explaining Variational Autoencoders. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 8639–8648.

Oliveira, J. E., Gueld, M. O., Araújo, A. d. A., Ott, B., e Deserno, T. M. (2008). Toward a standard reference database for computer-aided mammography. In Medical imaging 2008: Computer-aided diagnosis (Vol. 6915, p. 69151Y).

Picard, R., Graczyk, C., Mann, S., Wachman, J., Picard, L., Negroponte, N., e Campbell, L. (1995, Mar). Retrieved from https://vismod.media.mit.edu/pub/VisTex/

Schockaert, C., Macher, V., e Schmitz, A. (2020). VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven Model Interpretability Applied to the Ironmaking Industry.

Utkin, L., Drobintsev, P., Kovalev, M., e Konstantinov, A. (2021). Combining an auto encoder and a variational autoencoder for explaining the machine learning model predictions. Conference of Open Innovation Association, FRUCT , 2021-Janua. doi: 10.23919/FRUCT50888.2021.9347612

Uzunova, H., Ehrhardt, J., Kepp, T., e Handels, H. (2019). Interpretable explanations of black box classifiers applied on medical images by meaningful perturbations using variational autoencoders. In E. D. Angelini e B. A. Landman (Eds.), Medical imaging 2019: Image processing (Vol. 10949, pp. 264 – 271). SPIE. Retrieved from https://doi.org/10.1117/12.2511964 doi: 10.1117/12.2511964

Wei, R., e Mahmood, A. (2021). Recent advances in variational autoencoders with representation learning for biomedical informatics: A survey. IEEE Access, 9, 49394956. doi: 10.1109/ACCESS.2020.3048309