Análise Comparativa de Métodos de Aprendizagem de Máquina para Classificação de Massas em Mamografias

• Matheus Cordeiro de Melo UFPB
• Andy Anand Gajadhar UFPB
• Leonardo Vidal Batista UFPB

Resumo

O câncer de mama é um tipo de câncer comum entre as mulheres, e o exame mamográfico é importante para detectar a doença em fase inicial. O presente trabalho apresenta uma análise comparativa da classificação, em malignos ou benignos, de massas encontradas em imagens mamográficas. A metodologia consiste na, construção de uma base de testes, segmentação de massas, extração de atributos e classificação a partir de algoritmos de aprendizagem de máquina, utilizando a ferramenta Weka. Testes resultaram em uma taxa de acerto de 85,09%, atingida com o algoritmo Multilayer Perceptron.

Referências

INCA (Instituto Nacional do Câncer) (2014). Disponível em: [link]. Acessado em: 28 de Março de 2014.

Shah, N. N.; Ratanpara, T. V.; Bhensdadia, C. K. Early Breast Cancer Tumor Detection on Mammogram Images. International Journal of Computer Applications, v. 87, n. 14, pp. 14-18, 2014.

Duarte, Y. A. S.; Nascimento, M. Z.; Oliveiras, D. L. L. Algoritmo de Extração de Textura Baseado em Wavelet e CLBP para Classificação de Lesões em Mamogramas. XIII Workshop de Informática Médica, pp. 174-183, Maceió, Brasil, 2013.

Martí, R.; Oliver, A.; Raba, D.; Freixenet, J. Breast Skin-Line Segmentation Using Contour Growing. 3rd Iberian Conference on Pattern Recognition and Image Analysis, pp. 564-571, Girona, Spain: Springer-Verlag, 2007.

Barbosa Filho, J. R. B. Segmentação Automática de Massas Mamográficas Através do Crescimento de Regiões e Árvore de Decisão. 2010. 27 f. Monografia (Bacharelado em Ciência da Computação) – Departamento de Informática, Universidade Federal da Paraíba, João Pessoa. 2010.

Menechelli, R. C.; Ribeiro, P. B.; Schiabel, H. Desenvolvimento de Um Software Classificador da Forma de Nódulos Mamográficos Segmentados Utilizando A Rede Neural Artificial Multilayer Perceptron(MLP). VI Workshop de Visão Computacional. Presidente Prudente, Brasil, 2010.

Poel, J. K. D.; Mascena, E. N.; Pires, G. M.; Honório, T. C. S.; Medeiros, T. F. L.; Batista, L. V. Um Sistema Para Diagnóstico Auxiliado por Computador Voltado Para Imagens Mamográficas: Desempenho da Busca Baseada em Conteúdo na Recuperação de Achados. VII Workshop de Informática Médica. Porto de Galinhas, Brasil, 2007.

Witten, I. H.; Frank, E. Data Mining: Practical Machine Learning Tools and Techniques. 2 ed. San Francisco: Elsevier, 2005. Cap. 9, p. 366.

Zhu, M.; Xu, C.; Yu, J.; Wu, Y.; Li, C.; Zhang, M.; Jin, Z.; Li, Z. Differentiation of Pancreatic Cancer and Chronic Pancreatitis Using Computer-Aided Diagnosis of Endoscopic Ultrasound (EUS) Images: A Diagnostic Test. Plos One, v. 8, 2013.