Redução de falsos positivos em imagens de mamografias digitais usando os índices phylogenetic species variability, phylogenetic species richness e múltiplos classificadores
Resumo
Os sistemas CADx têm ganhado cada vez mais atenção devido sua importância na área médica, tornando o diagnóstico por parte dos especialistas mais preciso. Para criação dessas ferramentas são utilizados métodos computacionais, processamento digital de imagens e conhecimentos sobre a doença. Neste trabalho utilizam-se índices de diversidade filogenética para extração de características baseada na textura. Tais índices são utilizados como características para os classificadores: Support Vector Machine, Random Forest, Random Basis Function e MultiLayer Perceptron identificando em tecidos de mamografias a presença de massa e não massa, perfazendo assim parte de um Computer-Aided Diagnosis. Para validação da metodologia, foram utilizadas 200 imagens de mamografia, onde 100 contêm massa e as demais não massa. Os resultados mostram-se promissores, pois os melhores resultados alcançam uma acurácia de 91,5%, sensibilidade de 89,5%, especificidade de 94% e uma taxa de falsos positivos de 0,085 por exame.
Referências
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
