Um Estudo sobre Características Extraídas de Imagens Infravermelhas para Detecção de Anormalidades de Mama
Resumo
O câncer de mama é o segundo tipo de câncer mais comum no mundo. O diagnóstico e o tratamento em estágios iniciais aumentam as chances de cura da paciente. A temperatura de tecidos cancerosos é geralmente mais alta do que a de tecidos vizinhos saudáveis, tornando a termografia uma opção a ser considerada em estratégias de rastreamento deste tipo de câncer. Este artigo propõe um conjunto de características extraídas de imagens obtidas por Termografia Infravermelha Dinâmica com o objetivo de detectar anomalias da mama, entre elas o câncer, utilizando técnicas de aprendizagem de máquina não supervisionada. índices de validação de agrupamento são aplicados para avaliar os grupos formados de séries temporais de temperatura para vários valor de k aplicados no algoritmo k-means, gerando valores tratados como características. As análises revelam que o índice Streh gera as características mais significativas.
Referências
Amalu,W. C. (2004). Nondestructive testing of the human breast: The validity of dynamic stress testing in medical infrared breast imaging. Engineering in Medicine and Biology Society, 1:1174–1177.
Bolshakova, N. and Azuaje, F. (2003). Cluster validation techniques for genome expression data. Signal Processing, 83(4):825–833.
Bolshakova, N. and Azuaje, F. (2006). Estimating the number of clusters in dna microarray data. Methods of Information in Medicine, 45(2):153–157.
Borchartt, T. B., Conci, A., Lima, R. C. F., Resmini, R., and Sanchez, A. (2013). Breast thermography from an image processing viewpoint: A survey. Signal Processing, 93:2785–2803.
Calínski, T. and Harabasz, J. (1974). A dendrite method for cluster analysis. Communications in Statistics, 3(1):1–27.
Chen, G., Jaradat, S. A., Banerjee, N., Tanaka, T. S., Ko, M. S. H., and Zhang, M. Q. (2002). Evaluation and comparison of clustering algorithms in anglying es cell gene expression data. Statistica Sinica, 12:241–262.
Davies, D. L. and Bouldin, D. W. (1979). A cluster separation measure. Pattern Analysis and Machine Intelligence, IEEE Transactions on, PAMI-1(2):224–227.
Galvão, S. S. L., Conci, A., Galvão, S. S. L., and Silva, L. F. (2013). Registro de imagens afim para o protocolo dinâmico de aquisição de imagens térmicas da mama. In IV Encontro Nacional de Engenharia Biomecânica: ENEBI 2013, pages 158–159, Vitória, ES, Brazil.
Gavriloaia, G. V., Hurduc, A., Ghimigean, A.-M., and Fumarel, R. (2009). Spatialtemperature high resolution map for early cancer diagnosis. Proc. SPIE, 7171:71710W–71710W–8.
Gerasimova, E., Audit, B., Roux, S., Khalil, A., Gileva, O., Argoul, F., Naimark, O., and Arneodo, A. (2014). Wavelet-based multifractal analysis of dynamic infrared thermograms to assist in early breast cancer diagnosis. Frontiers in Physiology, 5(176).
Gerasimova, E., Audit, B., Roux, S. G., Khalil, A., Argoul, F., Naimark1, O., and Arneodo, A. (2013). Multifractal analysis of dynamic infrared imaging of breast cancer. EPL (Europhysics Letters), 104(6):68001–p1–68001–p6.
Han, J. and Kamber, M. (2006). Data Mining: Concepts and Techniques. Morgan Kaufmann Publishers, Burlington, MA 01803, USA, 2rd ed edition.
Hartigan, J. (1985). Statistical theory in clustering. Journal of Classification, 2(1):63–76.
Herman, C. (2013). The role of dynamic infrared imaging in melanoma diagnosis. Expert Review of Dermatology, 8(2):177–184.
Krzanowski,W. J. and Lai, Y. T. (1988). A criterion for determining the number of groups in a data set using sum-of-squares clustering. Biometrics, 44(1):23–34.
MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. In Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, Volume 1: Statistics, pages 281–297, Berkeley, Calif. University of California Press.
Rousseeuw, P. J. (1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20(0):53–65.
Saniei, E., Setayeshi, S., Akbari, M. E., and Navid, M. (2015). A vascular network matching in dynamic thermography for breast cancer detection. Quantitative InfraRed Thermography Journal, 12(1):24–36.
Silva, L. F. (2015). Uma Análise Híbrida para Detecção de Anomalias da Mama usando Séries Temporais de Temperatura. PhD thesis, Universidade Federal Fluminense, Instituto de Computação, Niterói, RJ, Brasil.
Silva, L. F., Marques, R. S., Carvalho, G. S., Santos, M. L. O., Fontes, C. A. P., Santos, A. A. S. M. D., and Conci, A. (2013). Protocolo de captura de imagens térmicas da mama para construção de um banco público de exames. In IV Encontro Nacional de Engenharia Biomecânica: ENEBI 2013, pages 104–105, Vitória, ES, Brazil.
Silva, L. F., Olivera, G. O. S., Borchartt, T. B., Resmini, R., Santos, A. A. S. M. D., Fontes, C. A. P., Muchaluat-Saade, D. C., and Conci, A. (2015a). Uma análise hibrida para identificação de cancer de mama usando sinais térmicos. WIM-XV Workshop de Informática Médica-Anais CSBC.
Silva, L. F., Olivera, G. O. S., Galvão, S. S. L., Silva, J. B., Santos, A. A. S. M. D., Muchaluat-Saade, D. C., and Conci, A. (2014a). Análise de séries temporais de sinais térmicos da mama para detecção de anomalias. WIM-XIV Workshop de Informática Médica-Anais CSBC, pages 1818–1827.
Silva, L. F., Saade, D. C. M., Sequeiros, G. O., Silva, A. C., Paiva, A. C., Bravo, R. S., and Conci, A. (2014b). A new database for breast research with infrared image. Journal of Medical Imaging and Health Informatics, 4(1):92–100.
Silva, L. F., Santos, A. A. S., Bravo, R. S., Silva, A. C., Muchaluat-Saade, D. C., and Conci, A. (2016). Hybrid analysis for indicating patients with breast cancer using temperature time series. Computer Methods and Programs in Biomedicine, 130:142– 153.
Silva, L. F., Sequeiros, G., Santos, M. L., Fontes, C., Muchaluat-Saade, D. C., and Conci, A. (2015b). Thermal signal analysis for breast cancer risk verification. MEDINFO 2015: eHealth-enabled Health, Ebook Series: Studies in Health Technology and Informatics, 216:746–750.
Strehl, A. and Ghosh, J. (2000). Value-based customer grouping from large retail datasets. Proc. SPIE Conf. Data Mining Knowl. Discov., pages 33–42.
Thornton, C., Hutter, F., Hoos, H. H., and Leyton-Brown, K. (2013). Auto-WEKA: Combined selection and hyperparameter optimization of classification algorithms. Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining, pages 847–855.
Bolshakova, N. and Azuaje, F. (2003). Cluster validation techniques for genome expression data. Signal Processing, 83(4):825–833.
Bolshakova, N. and Azuaje, F. (2006). Estimating the number of clusters in dna microarray data. Methods of Information in Medicine, 45(2):153–157.
Borchartt, T. B., Conci, A., Lima, R. C. F., Resmini, R., and Sanchez, A. (2013). Breast thermography from an image processing viewpoint: A survey. Signal Processing, 93:2785–2803.
Calínski, T. and Harabasz, J. (1974). A dendrite method for cluster analysis. Communications in Statistics, 3(1):1–27.
Chen, G., Jaradat, S. A., Banerjee, N., Tanaka, T. S., Ko, M. S. H., and Zhang, M. Q. (2002). Evaluation and comparison of clustering algorithms in anglying es cell gene expression data. Statistica Sinica, 12:241–262.
Davies, D. L. and Bouldin, D. W. (1979). A cluster separation measure. Pattern Analysis and Machine Intelligence, IEEE Transactions on, PAMI-1(2):224–227.
Galvão, S. S. L., Conci, A., Galvão, S. S. L., and Silva, L. F. (2013). Registro de imagens afim para o protocolo dinâmico de aquisição de imagens térmicas da mama. In IV Encontro Nacional de Engenharia Biomecânica: ENEBI 2013, pages 158–159, Vitória, ES, Brazil.
Gavriloaia, G. V., Hurduc, A., Ghimigean, A.-M., and Fumarel, R. (2009). Spatialtemperature high resolution map for early cancer diagnosis. Proc. SPIE, 7171:71710W–71710W–8.
Gerasimova, E., Audit, B., Roux, S., Khalil, A., Gileva, O., Argoul, F., Naimark, O., and Arneodo, A. (2014). Wavelet-based multifractal analysis of dynamic infrared thermograms to assist in early breast cancer diagnosis. Frontiers in Physiology, 5(176).
Gerasimova, E., Audit, B., Roux, S. G., Khalil, A., Argoul, F., Naimark1, O., and Arneodo, A. (2013). Multifractal analysis of dynamic infrared imaging of breast cancer. EPL (Europhysics Letters), 104(6):68001–p1–68001–p6.
Han, J. and Kamber, M. (2006). Data Mining: Concepts and Techniques. Morgan Kaufmann Publishers, Burlington, MA 01803, USA, 2rd ed edition.
Hartigan, J. (1985). Statistical theory in clustering. Journal of Classification, 2(1):63–76.
Herman, C. (2013). The role of dynamic infrared imaging in melanoma diagnosis. Expert Review of Dermatology, 8(2):177–184.
Krzanowski,W. J. and Lai, Y. T. (1988). A criterion for determining the number of groups in a data set using sum-of-squares clustering. Biometrics, 44(1):23–34.
MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. In Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, Volume 1: Statistics, pages 281–297, Berkeley, Calif. University of California Press.
Rousseeuw, P. J. (1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20(0):53–65.
Saniei, E., Setayeshi, S., Akbari, M. E., and Navid, M. (2015). A vascular network matching in dynamic thermography for breast cancer detection. Quantitative InfraRed Thermography Journal, 12(1):24–36.
Silva, L. F. (2015). Uma Análise Híbrida para Detecção de Anomalias da Mama usando Séries Temporais de Temperatura. PhD thesis, Universidade Federal Fluminense, Instituto de Computação, Niterói, RJ, Brasil.
Silva, L. F., Marques, R. S., Carvalho, G. S., Santos, M. L. O., Fontes, C. A. P., Santos, A. A. S. M. D., and Conci, A. (2013). Protocolo de captura de imagens térmicas da mama para construção de um banco público de exames. In IV Encontro Nacional de Engenharia Biomecânica: ENEBI 2013, pages 104–105, Vitória, ES, Brazil.
Silva, L. F., Olivera, G. O. S., Borchartt, T. B., Resmini, R., Santos, A. A. S. M. D., Fontes, C. A. P., Muchaluat-Saade, D. C., and Conci, A. (2015a). Uma análise hibrida para identificação de cancer de mama usando sinais térmicos. WIM-XV Workshop de Informática Médica-Anais CSBC.
Silva, L. F., Olivera, G. O. S., Galvão, S. S. L., Silva, J. B., Santos, A. A. S. M. D., Muchaluat-Saade, D. C., and Conci, A. (2014a). Análise de séries temporais de sinais térmicos da mama para detecção de anomalias. WIM-XIV Workshop de Informática Médica-Anais CSBC, pages 1818–1827.
Silva, L. F., Saade, D. C. M., Sequeiros, G. O., Silva, A. C., Paiva, A. C., Bravo, R. S., and Conci, A. (2014b). A new database for breast research with infrared image. Journal of Medical Imaging and Health Informatics, 4(1):92–100.
Silva, L. F., Santos, A. A. S., Bravo, R. S., Silva, A. C., Muchaluat-Saade, D. C., and Conci, A. (2016). Hybrid analysis for indicating patients with breast cancer using temperature time series. Computer Methods and Programs in Biomedicine, 130:142– 153.
Silva, L. F., Sequeiros, G., Santos, M. L., Fontes, C., Muchaluat-Saade, D. C., and Conci, A. (2015b). Thermal signal analysis for breast cancer risk verification. MEDINFO 2015: eHealth-enabled Health, Ebook Series: Studies in Health Technology and Informatics, 216:746–750.
Strehl, A. and Ghosh, J. (2000). Value-based customer grouping from large retail datasets. Proc. SPIE Conf. Data Mining Knowl. Discov., pages 33–42.
Thornton, C., Hutter, F., Hoos, H. H., and Leyton-Brown, K. (2013). Auto-WEKA: Combined selection and hyperparameter optimization of classification algorithms. Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining, pages 847–855.
Publicado
04/07/2016
Como Citar
SILVA, Lincoln; RESMINI, Roger; SILVA, Aristófanes; PAIVA, Anselmo; BRAVO, Renato; SANTOS, Alair; MUCHALUAT-SAADE, Débora; CONCI, Aura.
Um Estudo sobre Características Extraídas de Imagens Infravermelhas para Detecção de Anormalidades de Mama. In: SIMPÓSIO BRASILEIRO DE COMPUTAÇÃO APLICADA À SAÚDE (SBCAS), 16. , 2016, Porto Alegre.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2016
.
p. 2509-2518.
ISSN 2763-8952.
DOI: https://doi.org/10.5753/sbcas.2016.9897.
