EfficientEnsemble: Diagnóstico de câncer de mama em imagens de ultrassom utilizando processamento de imagens e Ensemble de EfficientNets

• João O. B. Diniz IFMA / UFMA
• Domingos A. Dias Jr UFCA
• Luana B. da Cruz UFCA
• Ricardo C. S. Marques UFMA
• Daniel L. Gomes Jr IFMA
• Omar A. C. Cortês IFMA
• Antônio O. de Carvalho Filho UFPI
• Darlan B. P. Quintanilha UFMA

DOI: https://doi.org/10.5753/sbcas.2024.2155

Resumo

O diagnóstico de câncer de mama por meio de ultrassom é desafiador devido à complexidade das imagens e à variação nas características. O objetivo deste trabalho é propor um método que combina pré-processamento, aumento de dados balanceados e um Ensemble de EfficientNet para melhorar a precisão do diagnóstico. Os resultados mostram métricas de validação robustas, alcançando uma acurácia de 96,67%, uma especificidade de 97,67%, uma sensibilidade de 94,12%, um F1-score de 94,96%, e uma AUC-ROC de 0,95896. A abordagem proposta pode ser uma ferramenta valiosa para auxiliar no diagnóstico de câncer de mama em imagens de ultrassom, potencialmente aumentando a eficiência do tratamento e melhorando os resultados clínicos.

Referências

Al-Dhabyani, W., Gomaa, M., Khaled, H., and Fahmy, A. (2020). Dataset of breast ultrasound images. Data in brief, 28:104863.

Alpaydin, E. (2020). Introduction to machine learning. MIT press.

Cao, Z., Yang, G., Chen, Q., Chen, X., and Lv, F. (2020). Breast tumor classification through learning from noisy labeled ultrasound images. Medical Physics, 47(3):1048–1057.

Cheng, H.-D., Shan, J., Ju, W., Guo, Y., and Zhang, L. (2010). Automated breast cancer detection and classification using ultrasound images: A survey. Pattern recognition, 43(1):299–317.

Chougrad, H., Zouaki, H., and Alheyane, O. (2018). Deep convolutional neural networks for breast cancer screening. Computer methods and programs in biomedicine, 157:19–30.

Diniz, J., Quintanilha, D., Filho, A. C., Jr, D. G., Silva, A., Jr, G. B., Paiva, A., and Luz, D. (2023). Detecção de covid-19 em imagens de raio-x de tórax através de seleção automática de pré-processamento e de rede neural convolucional. In Anais do XXIII Simpósio Brasileiro de Computação Aplicada à Saúde, pages 162–173, Porto Alegre, RS, Brasil. SBC.

Diniz, J. O. B., Diniz, P. H. B., Valente, T. L. A., Silva, A. C., de Paiva, A. C., and Gattass, M. (2018). Detection of mass regions in mammograms by bilateral analysis adapted to breast density using similarity indexes and convolutional neural networks. Computer methods and programs in biomedicine, 156:191–207.

Diniz, J. O. B., Ferreira, J. L., Cortes, O. A. C., Silva, A. C., and de Paiva, A. C. (2022a). An automatic approach for heart segmentation in ct scans through image processing techniques and concat-u-net. Expert Systems with Applications, 196:116632.

Diniz, J. O. B., Ferreira, J. L., Diniz, P. H. B., Silva, A. C., and de Paiva, A. C. (2020). Esophagus segmentation from planning ct images using an atlas-based deep learning approach. Computer Methods and Programs in Biomedicine, 197:105685.

Diniz, J. O. B., Ferreira, J. L., Diniz, P. H. B., Silva, A. C., and Paiva, A. C. (2022b). A deep learning method with residual blocks for automatic spinal cord segmentation in planning ct. Biomedical signal processing and control, 71:103074.

Eroğlu, Y., Yildirim, M., and Çinar, A. (2021). Convolutional neural networks based classification of breast ultrasonography images by hybrid method with respect to benign, malignant, and normal using mrmr. Computers in biology and medicine, 133:104407.

Figueredo, W., Silva, I., Diniz, J., Silva, A., Paiva, A., Salomão, A., and Oliveira, M. (2023). Abordagem computacional baseada em deep learning para o diagnóstico de endometriose profunda através de imagens de ressonância magnética. In Anais do XXIII Simpósio Brasileiro de Computação Aplicada à Saúde, pages 138–149, Porto Alegre, RS, Brasil. SBC.

Gonzalez, R. and Woods, R. (2008). Digital image processing. Pearson, Prentice Hall.

He, K., Sun, J., and Tang, X. (2012). Guided image filtering. IEEE transactions on pattern analysis and machine intelligence, 35(6):1397–1409.

Júnior, D. A. D., da Cruz, L. B., Diniz, J. O. B., da Silva, G. L. F., Junior, G. B., Silva, A. C., de Paiva, A. C., Nunes, R. A., and Gattass, M. (2021). Automatic method for classifying covid-19 patients based on chest x-ray images, using deep features and pso-optimized xgboost. Expert Systems with Applications, 183:115452.

Júnior, D. D., Cruz, L., Diniz, J., Júnior, G. B., and Silva, A. (2021). Classificação automática de glóbulos brancos usando descritores de forma e textura e extreme gradient boosting. In Anais do XXI Simpósio Brasileiro de Computação Aplicada à Saúde, pages 95–106, Porto Alegre, RS, Brasil. SBC.

Kılıçarslan, G., Koç, C., Özyurt, F., and Gül, Y. (2023). Breast lesion classification using features fusion and selection of ensemble resnet method. International Journal of Imaging Systems and Technology, 33(5):1779–1795.

Matos, C., Oliveira, M., Diniz, J., Fernandes, A., Junior, G. B., and Paiva, A. (2023). Ppmdeeplab: Módulo de pirâmide de pooling como codificador da rede deeplabv3+ para segmentação de rins, cistos e tumores renais. In Anais do XXIII Simpósio Brasileiro de Computação Aplicada à Saúde, pages 210–221, Porto Alegre, RS, Brasil. SBC.

Moon, W. K., Lee, Y.-W., Ke, H.-H., Lee, S. H., Huang, C.-S., and Chang, R.-F. (2020). Computer-aided diagnosis of breast ultrasound images using ensemble learning from convolutional neural networks. Computer methods and programs in biomedicine, 190:105361.

Pang, T., Wong, J. H. D., Ng, W. L., and Chan, C. S. (2021). Semi-supervised ganbased radiomics model for data augmentation in breast ultrasound mass classification. Computer Methods and Programs in Biomedicine, 203:106018.

Santos, P., Brito, V., Filho, A. C., Sousa, A., Diniz, J., and Luz, D. (2023). Efficientbacillus: uma arquitetura profunda para detecção dos bacilos de koch. In Anais do XXIII Simpósio Brasileiro de Computação Aplicada à Saúde, pages 198–209, Porto Alegre, RS, Brasil. SBC.

Shan, J., Alam, S. K., Garra, B., Zhang, Y., and Ahmed, T. (2016). Computer-aided diagnosis for breast ultrasound using computerized bi-rads features and machine learning methods. Ultrasound in medicine & biology, 42(4):980–988.

Sirjani, N., Oghli, M. G., Tarzamni, M. K., Gity, M., Shabanzadeh, A., Ghaderi, P., Shiri, I., Akhavan, A., Faraji, M., and Taghipour, M. (2023). A novel deep learning model for breast lesion classification using ultrasound images: A multicenter data evaluation. Physica Medica, 107:102560.

Tan, M. and Le, Q. (2019). Efficientnet: Rethinking model scaling for convolutional neural networks. In International conference on machine learning, page 6105. PMLR.

Zhuang, Z., Yang, Z., Raj, A. N. J., Wei, C., Jin, P., and Zhuang, S. (2021). Breast ultrasound tumor image classification using image decomposition and fusion based on adaptive multi-model spatial feature fusion. Computer methods and programs in biomedicine, 208:106221.