Diferenciação de padrões de benignidade e malignidade em tecidos da mama baseado na diversidade taxonômica
Resumo
O câncer de mama é uma doença resultante da multiplicação de células anormais da mama, formando as massas. O rastreamento por meio da mamografia é o meio mais promissor para o diagnóstico precoce. Este trabalho apresenta um método de classificação de tecidos da mama em maligno e benigno em exames de mamografia. Neste método foram usados descritores de textura baseado em índices filogenéticos para extração de características, em seguida feita uma classificação usando os classificadores: J48, RandomForest, J48Consolidated e LMT. Os resultados alcançaram uma acurácia de 94,8%, sensibilidade de 92,9%, especificidade de 96,5% e uma curva ROC de 0,988. O uso dos índices filogenéticos para descrever padrões em regiões de imagens de mamografias mostrou-se eficiente na categorização de maligno e benigno.
Referências
Braz Júnior, G. (2014). Detecção de regiões de massas em mamografias usando ídices de diversidade, geoestatística e geometria côncava. Tese de Doutorado. Programa de Pós-Graduaçao em Ciência da Computação da Universidade Federal do Maranhão. São Luís - MA.
Breiman, L. (2001). “Random forests”. Machine Learning, v. 45, n. 1, p. 5-32.
Fahssi, K. E., Elmoufidi, A., Abenaou, A., Jai-Andaloussi, S., e Sekkaki, A. (2015). Benign or malignant lesion classification in mammography images using the adaptive orthogonal transformation and the coefficients of the correlation matrix. Recent Advances in Electrical Engineering, ISBN: 978-1-61804-351-1.
Heath, M., Bowyer, K., e Kopans, D. (2000). The digital database for screening mammography. Citeseer, Proceedings of the 5th international workshop on digital mammography. p. 212-218.
INCA (2016). Tipos de câncer: mama. Disponível em: [link]. Acesso em: 11/11/2016.
Landwehr, N., Hall, M., e Frank, E. (2005). Logistic model trees. Machine Learning, 95(1-2):161-205.
Magurran, A. E. (2004). Measuring biological diversity. African Journal of Aquatic Science; v. 29, n. 2, p. 285-286.
Melo, M. C., Gajadhar, A., e Batista, L. V. (2014). Análise comparativa de métodos de aprendizagem de máquina para classificação de massas em mamografias. In: Congresso da Sociedade Brasileira de Computação - Workshop de Informática Médica, 2014, Brasília. Anais do XXXIV Congresso da Sociedade Brasileira de Computação - XIV Workshop de Informática Médica. Brasília: Universidade de Brasília. v. 1. p. 1772-1775.
Oliveira, F. S. S. (2013). Classificação de tecidos da mama em massa e não-massa usando Índice de diversidade taxonômico e máquina de vetores de suporte. Dissertação de Mestrado. Curso de Pós-Graduação em Engenharia de Eletricidade da Universidade Federal do Maranhão. São Luís - MA.
Pérez, J. M., Maguerza, J., Arbelaitz, O., Gurrutxaga, I., e Martín, J. I. (2007). Combining multiple class distribution modified subsamples in a single tree. Pattern Recognition Letters, 28(4): 414-422.
Quinlan, R. (1993). C4.5: programs for machine learning. Morgan Kaufmann Publishers, San Mateo, CA.
Rocha, S. V. (2014). Diferenciação do padrão de malignidade e benignidade de massas em imagens de mamografias usando padrões locais binários, geoestatística e Índice de diversidade. Tese de Doutorado. Curso de Pós-Graduação em Engenharia de Eletricidade da Universidade Federal do Maranhão. São Luís - MA.
Silva, T. F. (2016). Diferenciação do padrão de malignidade e benignidade de massas em mamografias utilizando caracteríticas geométricas e máquina de vetor de suporte. Dissertação de Mestrado. Programa de Pós-Graduaçao em Ciência da Computação da Universidade Federal do Maranhão. São Luís - MA.
Webb, C. O. (2000). Exploring the phylogenetic structure of ecological communities: an example for rain forest trees. The American Naturalist 156.2, p. 145-155.
WEKA (2017). Machine learning group at the university of waikato. Disponível em: [link]. Acesso em: 15 de Março de 2017.
Breiman, L. (2001). “Random forests”. Machine Learning, v. 45, n. 1, p. 5-32.
Fahssi, K. E., Elmoufidi, A., Abenaou, A., Jai-Andaloussi, S., e Sekkaki, A. (2015). Benign or malignant lesion classification in mammography images using the adaptive orthogonal transformation and the coefficients of the correlation matrix. Recent Advances in Electrical Engineering, ISBN: 978-1-61804-351-1.
Heath, M., Bowyer, K., e Kopans, D. (2000). The digital database for screening mammography. Citeseer, Proceedings of the 5th international workshop on digital mammography. p. 212-218.
INCA (2016). Tipos de câncer: mama. Disponível em: [link]. Acesso em: 11/11/2016.
Landwehr, N., Hall, M., e Frank, E. (2005). Logistic model trees. Machine Learning, 95(1-2):161-205.
Magurran, A. E. (2004). Measuring biological diversity. African Journal of Aquatic Science; v. 29, n. 2, p. 285-286.
Melo, M. C., Gajadhar, A., e Batista, L. V. (2014). Análise comparativa de métodos de aprendizagem de máquina para classificação de massas em mamografias. In: Congresso da Sociedade Brasileira de Computação - Workshop de Informática Médica, 2014, Brasília. Anais do XXXIV Congresso da Sociedade Brasileira de Computação - XIV Workshop de Informática Médica. Brasília: Universidade de Brasília. v. 1. p. 1772-1775.
Oliveira, F. S. S. (2013). Classificação de tecidos da mama em massa e não-massa usando Índice de diversidade taxonômico e máquina de vetores de suporte. Dissertação de Mestrado. Curso de Pós-Graduação em Engenharia de Eletricidade da Universidade Federal do Maranhão. São Luís - MA.
Pérez, J. M., Maguerza, J., Arbelaitz, O., Gurrutxaga, I., e Martín, J. I. (2007). Combining multiple class distribution modified subsamples in a single tree. Pattern Recognition Letters, 28(4): 414-422.
Quinlan, R. (1993). C4.5: programs for machine learning. Morgan Kaufmann Publishers, San Mateo, CA.
Rocha, S. V. (2014). Diferenciação do padrão de malignidade e benignidade de massas em imagens de mamografias usando padrões locais binários, geoestatística e Índice de diversidade. Tese de Doutorado. Curso de Pós-Graduação em Engenharia de Eletricidade da Universidade Federal do Maranhão. São Luís - MA.
Silva, T. F. (2016). Diferenciação do padrão de malignidade e benignidade de massas em mamografias utilizando caracteríticas geométricas e máquina de vetor de suporte. Dissertação de Mestrado. Programa de Pós-Graduaçao em Ciência da Computação da Universidade Federal do Maranhão. São Luís - MA.
Webb, C. O. (2000). Exploring the phylogenetic structure of ecological communities: an example for rain forest trees. The American Naturalist 156.2, p. 145-155.
WEKA (2017). Machine learning group at the university of waikato. Disponível em: [link]. Acesso em: 15 de Março de 2017.
Publicado
02/07/2017
Como Citar
CARVALHO, Edson Damasceno; DE C. FILHO, Antônio Oseas; DE SOUSA, Alcilene D.; BARROS, Patricia Vieira da S.; DRUMOND, Patrícia Medyna L. de L..
Diferenciação de padrões de benignidade e malignidade em tecidos da mama baseado na diversidade taxonômica. In: SIMPÓSIO BRASILEIRO DE COMPUTAÇÃO APLICADA À SAÚDE (SBCAS), 17. , 2017, São Paulo.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2017
.
p. 1911-1920.
ISSN 2763-8952.
DOI: https://doi.org/10.5753/sbcas.2017.3703.
