Redução de falsos positivos em imagens de mamografias digitais usando os índices phylogenetic species variability, phylogenetic species richness e múltiplos classificadores

• Laércio Mesquita UFPI
• Antônio de C. Filho UFPI
• Alcilene de Sousa UFPI
• Patrícia Drumond UFPI

DOI: https://doi.org/10.5753/sbcas.2016.9895

Abstract

The CADx systems has gained more attention because of his importance in the medicinal area, making the diagnosis by the experts more accurate. For the creation of these tools are used computational methods, digital image processing and knowledge about the disease. In this work we are using indices of phylogenetic diversity for extraction of features based on texture. Such indexes are used as features for the classifiers: Support Vector Machine, Random Forest, Random Basis Function and MultiLayer Perceptron, identifying in mammograms tissues the presence of mass and not mass, making thus part of a Computer-Aided Diagnosis. For the validation of the methodology, was used 200 mammography images, where 100 contain mass and the others not mass. The results showed promising, because the best results reach an accuracy of 91.5%, sensitivity of 89.5%, specificity of 94% and a false positives rate of 0.085 per examination.

References

Breiman, L. (2001) “Random forests”. Machine Learning, v. 45, n. 1, p. 5-32. Carvalho, P. M. S. (2012) “Classificação de Tecidos da Mama a partir de imagens mamográficas em massa e não massa usando índices de diversidade de McIntosh e Máquina de Vetores de Suporte”. Dissertação de Mestrado na área de Ciência da Computação, (Programa de Pós-Graduação em Engenharia de Eletricidade), Universidade Federal do Maranhão, São Luís.

Digital Database for Screening Mammography. DDSM (2016). Disponível em:http://marathon.csee.usf.edu/Mammography/Database.html. Acesso em 29 de fevereiro de 2016.

Helmus MR, Bland TJ, Williams CK, Ives AR (2007) “Phylogenetic measures of biodiversity”. American Naturalist, 169, E68–E83.

Heath, M .; B owyer, K.; Kopans, D.; et al. The digital database for screening mammography. Citeseer, Proceedings of the 5th international workshop on digital mammography. p. 212–218, 2000.

Haykin, S. (2008) “Neural Networks and Learning Machines”. 3ª ed. New Jersey: Prentice Hall, 936 p.

Instituto Nacional do Câncer – INCA (2015), Mistério da Saúde, Estimativa 2016. Incidência do Câncer no Brasil, http://www2.inca.gov.br/wps/wcm/connect/tiposdecancer/site/home/mama, março, 2016.

Instituto Nacional do Câncer – INCA (2016), Mistério da Saúde, Câncer de mama, http://www.inca.gov.br/conteudo_view.asp?id=1932, março, 2016.

Landis, J. Richard, and Gary G. Koch. "The measurement of observer agreement for categorical data." biometrics (1977): 159-174.

Lima, B. V. A. (2014) “Rotulação de Dados com Aprendizado Semi-Supervisionado”, Dissertação de Mestrado na área de Ciência da Computação, (Programa de Pós- Graduação em Ciência da Computação), Universidade Federal do Piauí, Teresina.

Martinez E. Z; Louzada-Neto F; Pereira B. B (2003). “A curva ROC para testes diagnósticos”. Cadernos Saúde Coletiva 11 (1): 7-31.

Metz C. E. (1986). ” ROC methodology in radiologic imaging”. Invest. Radiol, v. 21(9), p. 720-33.

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 na área de Ciência da Computação, (Programa de Pós-Graduação em Engenharia de Eletricidade), Universidade Federal do Maranhão, São Luís.

Sampaio, W. B. (2015) “Detecção de massas de imagens mamográficas usando uma metodologia adaptada à densidade da mama”. Tese de Doutorado na área de Ciência da Computação, (Programa de Pós-Graduação em Engenharia de Eletricidade), Universidade Federal do Maranhão, São Luís.

Sousa, U. S. (2011) “Classificação de massas na mama a partir de imagens mamográficas usando o índice de diversidade de shannon-wiener”. Dissertação de Mestrado na área de Ciência da Computação, (Programa de Pós-Graduação em Engenharia de Eletricidade), Universidade Federal do Maranhão, São Luís.

Vapnik. N, “Statistical Learning Theory”. New York: John Wiley & Sons, 1998.

Webb, Campbell O. "Exploring the phylogenetic structure of ecological communities: an example for rain forest trees." The American Naturalist 156.2 (2000): 145-155.

WEKA - Machine Learning Group at the University of Waikato. Disponível em:http://www.cs.waikato.ac.nz/ml/weka/. Acesso em 26 de fev. de 2016