Classificação da densidade mamária em mamografias utilizando redes neurais convolucionais
Resumo
Neste estudo, avaliou-se o potencial das redes neurais convolucionais na classificação de texturas para diagnóstico de câncer de mama na escala BI-RADS de quatro níveis. A base de dados foi constituída de 5024 exames mamográficos, com recortes de 128x128 pixels. As escalas foram avaliadas em dois conjuntos, o primeiro agrupando as escalas não-densas e densas, e o segundo avaliando os níveis individualmente. Os métodos apresentaram acurácia de 89% e 70%, para o primeiro e o segundo conjuntos, respectivamente, mostrando-se competitivos com trabalhos da literatura.
Palavras-chave:
Aprendizado de máquina, Redes profundas, Redes neurais convolucionais, Densidade mamária.
Referências
INCA, “Instituto nacional de cânser josé alencar gomes da silva." 2018, acesso em: 02/03/2019. [Online]. Available: https://www.inca.gov.br
C. D’Orsi and Acr, 2013 ACR BI-RADS Atlas: Breast Imaging Reporting and Data System . American College of Radiology, 2014.
D. Spak, J. Plaxco, L. Santiago, M. Dryden, and B. Dogan, “Bi-rads fifth edition: A summary of changes,” Diagnostic and Interventional Imaging , vol. 98, 01 2017.
J. N. Wolfe, “Breast patterns as an index of risk for developing breast cancer,” Am J Roentgenology, vol. 126, pp. 1130–7, 1976.
M. Mustra, P. M. Grgié, and K. Delac, “Breast density classification using multiple feature selection,” Automatika , vol. 53, no. 4, pp. 362–372, 2012.
F. Chollet, Deep Learning with Python. New York: Manning Publications Co., 2018.
A. A. Mohamed, Y. Luo, H. Peng, R. C. Jankowitz, and S. Wu, “Understanding clinical mammographic breast density assessment: a deep learning perspective,” Journal of Digital Imaging, vol. 31, no. 4, pp. 387–392, 2018.
O. Russakovsky, J. Deng, H. Su, J. Krause, S. Satheesh, S. Ma, Z. Huang, A. Karpathy, A. Khosla, M. Bernstein, A. C. Berg, and L. Fei-Fei, “ImageNet Large Scale Visual Recognition Challenge,” International Journal of Computer Vision (IJCV), vol. 115, no. 3, pp. 211–252, 2015.
H. A. Rungue, “Classificação de imagens mamográficas na escala de densidade bi-rads utilizando descritores de textura,” Master’s thesis, Pontifícia Universidade Católica de Minas Gerais, 2018.
J. E. Oliveira, M. O. Gueld, A. d. A. Araújo, B. Ott, and T. M. Deserno, “Toward a standard reference database for computer-aided mammography,” in Medical Imaging 2008: Computer-Aided Diagnosis, vol. 6915, 2008, p. 69151Y.
C. D. Lehman, A. Yala, T. Schuster, B. Dontchos, M. Bahl, K. Swanson, and R. Barzilay, “Mammographic breast density assessment using deep learning: Clinical implementation,” Radiology, vol. 290, no. 1, pp. 52–58, 2019.
K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” in 2016 IEEE CVPR, 2016, pp. 770–778.
C. D’Orsi and Acr, 2013 ACR BI-RADS Atlas: Breast Imaging Reporting and Data System . American College of Radiology, 2014.
D. Spak, J. Plaxco, L. Santiago, M. Dryden, and B. Dogan, “Bi-rads fifth edition: A summary of changes,” Diagnostic and Interventional Imaging , vol. 98, 01 2017.
J. N. Wolfe, “Breast patterns as an index of risk for developing breast cancer,” Am J Roentgenology, vol. 126, pp. 1130–7, 1976.
M. Mustra, P. M. Grgié, and K. Delac, “Breast density classification using multiple feature selection,” Automatika , vol. 53, no. 4, pp. 362–372, 2012.
F. Chollet, Deep Learning with Python. New York: Manning Publications Co., 2018.
A. A. Mohamed, Y. Luo, H. Peng, R. C. Jankowitz, and S. Wu, “Understanding clinical mammographic breast density assessment: a deep learning perspective,” Journal of Digital Imaging, vol. 31, no. 4, pp. 387–392, 2018.
O. Russakovsky, J. Deng, H. Su, J. Krause, S. Satheesh, S. Ma, Z. Huang, A. Karpathy, A. Khosla, M. Bernstein, A. C. Berg, and L. Fei-Fei, “ImageNet Large Scale Visual Recognition Challenge,” International Journal of Computer Vision (IJCV), vol. 115, no. 3, pp. 211–252, 2015.
H. A. Rungue, “Classificação de imagens mamográficas na escala de densidade bi-rads utilizando descritores de textura,” Master’s thesis, Pontifícia Universidade Católica de Minas Gerais, 2018.
J. E. Oliveira, M. O. Gueld, A. d. A. Araújo, B. Ott, and T. M. Deserno, “Toward a standard reference database for computer-aided mammography,” in Medical Imaging 2008: Computer-Aided Diagnosis, vol. 6915, 2008, p. 69151Y.
C. D. Lehman, A. Yala, T. Schuster, B. Dontchos, M. Bahl, K. Swanson, and R. Barzilay, “Mammographic breast density assessment using deep learning: Clinical implementation,” Radiology, vol. 290, no. 1, pp. 52–58, 2019.
K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” in 2016 IEEE CVPR, 2016, pp. 770–778.
Publicado
28/10/2019
Como Citar
CARVALHO, Marcos Felipe Vendramini; MACHADO, Alexei Manso Correa.
Classificação da densidade mamária em mamografias utilizando redes neurais convolucionais. In: WORKSHOP DE TRABALHOS DA GRADUAÇÃO - CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI), 32. , 2019, Rio de Janeiro.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2019
.
p. 184-187.
DOI: https://doi.org/10.5753/sibgrapi.est.2019.8325.
