See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/321904220

MÉTODO PARA CLASSIFICAÇÃO DO TIPO DA LESÃO NA MAMA PRESENTES

NAS IMAGENS TEMOGRÁFICAS UTILIZANDO CLASSIFICADOR ELM

Conference Paper · August 2017

CITATIONS READS

0 24

6 authors, including:

Maíra A. Santana Nigel Mendes de Lima

Federal University of Pernambuco Federal University of Pernambuco
3 PUBLICATIONS   1 CITATION    3 PUBLICATIONS   1 CITATION   

SEE PROFILE SEE PROFILE

Felipe Nunes de Sousa Wellington Pinheiro Dos Santos

3 PUBLICATIONS   1 CITATION    Federal University of Pernambuco
105 PUBLICATIONS   207 CITATIONS   
SEE PROFILE
SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Nonlinear Signal Analysis View project

Prediction of Protein Secondary Structure by using Computational Intelligence View project

All content following this page was uploaded by Wellington Pinheiro Dos Santos on 19 December 2017.

The user has requested enhancement of the downloaded file.

I Simpósio de Inovação em Engenharia Biomédica– SABIO 2017
MÉTODO PARA CLASSIFICAÇÃO DO TIPO DA LESÃO NA MAMA
PRESENTES NAS IMAGENS TEMOGRÁFICAS UTILIZANDO
CLASSIFICADOR ELM
J M.S. Pereira*, M. A. Santana**, N. M. Lima**, F. N. Sousa**, R. C. F. de Lima** e
W. P. dos Santos **
* UNINASSAU, Recife, Brasil
** Universidade Federal de Pernambuco, Recife, Brasil
e-mail: jessiane.silva1995@gmail.com
Resumo: Este trabalho propõe uma metodologia
para classificação do tipo da lesão na mama presentes
nas imagens termográficas utilizando classificador
ELM. As imagens que alimentam o sistema são
provenientes de imagens termográficas que foram
adquiridas no Hospital das Clínicas (HC) – UFPE, onde
são selecionadas classes cisto, maligno e benigno. Para
a etapa de pré-processamento das imagens foi realizado
a conversão de RGB-JET para níveis de cinza e a etapa
de pós processamento foi realizado o balanceamento das
classes. O momento Zernike e Haralick são utilizados
para a extração dos atributos baseado na geometria e na
textura. A etapa seguinte realiza o treinamento e
posterior classificação com a máquina de aprendizado
extremo. Por fim, o desempenho do sistema e avaliado
através da acurácia e índice Kappa. A metodologia
apresentou 72,94% de acurácia e índice Kappa 0,59408
considerado concordância moderada.
Palavras-chave: Câncer de mama, Termografia,
Classificação, ELM.
Abstract: Articles submitted in Portuguese or Spanish
must also include a version of the ‘Resumo’ in English.
Please follow these instructions to format and submit
your article to the XXIV Brazilian Congress of
Biomedical Engineering. Documents must be submitted
in MSWord® format (*.docx/doc). Abstracts should
contain up to 250 words, in a single paragraph, to allow
for uniform reproduction in the Proceedings and in the
Conference Program Booklet.
Keywords: Three to five keywords, separated by
commas.
Introdução
O câncer de mama tem sido há décadas o tipo mais
comum entre as mulheres. No Brasil, as taxas de
mortalidade por câncer de mama continuam elevadas,
devido a doença ainda ser diagnosticada em estágios
avançados. A mamografia e o exame clínico das mamas
(ECM) são os métodos indicados e mais utilizados,
contudo não é tão eficaz para mulheres com mamas
densas, cirurgicamente alteradas ou com menos de 40
anos. E também, existe uma preocupação em relação ao
1
risco de radiação ionizante e a queixas dos pacientes
sobre desconforto devido à compressão dos seios.
Na busca por outras térmicas de imagens
complementar a mamografia, a termografia começou a
ser utilizada na mastologia em 1959, porém a
tecnologia existente na época fizeram com que o
método fosse desacreditado e não recomendado para o
diagnóstico de doenças das mamas. Com o avanço
tecnológico das novas câmeras termográficas,
metodologias utilizando técnicas de processamento e
análise de imagens podem ser desenvolvidas para
facilitar a detecção de alterações da mama por imagens
termográficas, com o intuito de verificar as
possibilidades do uso da termografia como exame de
triagem na mastologia.
O objetivo deste trabalho é classificar o tipo de
lesão na mama presentes nas imagens termográficas
usando extratores de atributos de textura e geometria,
com o uso do classificador ELM com diversas
configurações.
Na seção 2 é mostrado trabalhos anteriores e
seus resultados; na seção 3, a apresentada metodologia
proposta; na seção 4, são apresentados os resultados
obtidos e na Conclusão, busca-se avaliar os resultados
obtidos e discutir trabalhos futuros.
Trabalhos relacionados
Nesta seção focará nos trabalhos mais recentes
que utilizam a classificação da lesão de mama através
da tormografia de mama.
Resmini et al. (2012), que realiza diversas ex-
tração de características. Estas características foram
analisadas utilizando classificadores, SVM, KNN e
Naïve Bayes. Neste trabalho, os autores chegam a obter
acurácia próxima de 90% e área abaixo da curva ROC
próxima de 0,9 [1].
Aguiar et al. (2013) relatam várias característi-
cas extraídas e o classificador foi usado perceptron
multicamadas. Este trabalho apresentou 75% das regi-
ões classificadas corretamente [2].
Belfort et al. (2014), realiza extração de carac-
terísticas através do modelo dos Artificial Crawlers. O
classificador utilizado foi o SVM e o processo apresen-
I Simpósio de Inovação em Engenharia Biomédica– SABIO 2017
tou 78% de acurácia, 50% de sensibilidade e 84% ´ de
especificidade [3].
Materiais e métodos
A figura 1 é um fluxograma do sistema proposto. As
imagens que alimentam o sistema são provenientes de
imagens termográficas que foram adquiridas no Hospi-
tal das Clínicas (HC) – UFPE, onde são selecionadas
classes cisto, maligno e benigno. Para a etapa de pré-
processamento das imagens foi realizado a conversão de
RGB-JET para níveis de cinza e a etapa de pós proces-
samento foi realizado o balanceamento das classes. O
momento Zernike e Haralick são utilizados para a extra-
ção dos atributos baseado na geometria e na textura. A
etapa seguinte realiza o treinamento e posterior classifi-
cação com a máquina de aprendizado extremo. Por fim,
o desempenho do sistema e avaliado através da acurácia
e índice Kappa.
• Aquisição de imagens termografica de mama:
1 • Protocolo Oliveira(2012)
• Criar Base de imagens termograficas da mama
2
• Pré-Processamento:
3 • Conversão de (RGB-JET) para niveis de cinza
• Extração de atributos:
4 • Zernike ; Haralick
• Pós-Processamento:
5 • Balanceamento das classes
• Classificação:
6 • ELM - Máquinas de Aprendizado Extremo
• Avaliação de Desempenho:
7 • Acurácia e Índice Kappa
Figura 1: Fluxograma do sistema
Aquisição das imagens - As imagens termográficas
usadas neste trabalho foram adquiridas no Hospital das
Clínicas (HC) – UFPE, seguem o protocolo de aquisição
de imagens definido [4]. Segundo [5] as imagens
termograficas foram obtidas através da através da
utilização de uma câmera de infravermelho Flir S45 e o
método adotado para a aquisição de imagens foi o
estático e a partir disso foram realizadas as imagens T1
(frontal com as mãos na cintura), T2 (frontal com as
mãos levantadas segurando uma barra localizada acima
da cabeça, lateral interna da mama direita (LIMD),
lateral interna da mama esquerda (LIME), lateral
externa da mama direita (LEMD) e lateral externa da
mama esquerda (LEME).
Criação da Base de imagens termografica da
mama - Neste trabalho foram usadas a imagens T1, T2,
LIMD, LIME, LEMD e LEME. Estas imagens tiveram
diagnóstico concluido e foram divididas em quatro
classes: Maligno, Benigno, Cisto e normal. A Classe
Maligno compreende todos os casos de câncer de
mama, comprovados por biópsia. A Classe Benigno
refere-se aos casos de tumores com benignidade,
2
também comprovada por biópsia. A Classe Cisto inclui
os casos com este diagnóstico comprovado por punção
aspirativa com agulha fina (PAAF) ou ultrassonografia
[5].
A classe normal foi retirada do banco de imagens,
pois o objetivo foi a classificação da lesão existente.
Sendo assim, só foram utilizados as três classes
Maligno, Benigno e Cisto.
Pré-Processamento – Sabemos que as imagens
temrograficas utiliza técnicas de pseudo-coloração que
neste caso foi utilizada na aquisição a paleta de cor JET.
Diante disso foi necessário usar a conversão da RGB-
JET para tons de cinza.
Extração de atributos - A definição do método de
extração de características é um dos fatores mais
importantes para desempenho do sistema
computacionais de apoio ao Diagnóstico [6].
De acordo com as características, os atributos foram
baseado em intensidade, na geometria ou na textura.
Utilizamos os extratores de atributos momento Zernike
baseado na extração de geometria e o momento Haralick
baseado na extração de caracterisitcas de texturas. O
primeiro são projeções da função imagem em funções
bases ortogonais e são invariantes apenas a rotação[x].
Já o segundo é um valor calculado a partir da matriz co-
coorrência da imagem, que quantifica algumas
características da variação dos níveis de cinza dessas
imagens [6,7].
Pós-Processamento – Após a extração dos atributos
realizamos um balanceameto de classe, pois a base das
imagens possuem quantidades diferentes de imagens nas
classes, foi necessário utilizar a técnica de
balanceamento linear.
Classificação – Após a extração dos atributos e o
balanceamento das classes. Esses atributos são usados
como entrada para os classificadores que serão treinados
e posteriormente deverá realizar a classificação das
lesões de mama (maligna, benigna e cisto). O C Classi-
ficador utilizado foi O Extreme Learning Machine (Má-
quina de Aprendizado Extremo – ELM) uma abordagem
de treinamento para Redes Neurais com camada inter-
mediária única. Essa técnica aprendizado proposta para
o treinamento de redes neurais feedfoward de única
camada oculta que acelera a aprendizado através da
geração aleatória dos pesos de entrada e dos bias da
camada oculta.[8].
Nas redes ELM os pesos da camada escondida são
determinados aleatoriamente e possuem função de ati-
vação não-linear, enquanto os pesos da camada de saída
são de terminados analiticamente. Dessa forma a ELM
possui simples implementação e redução temporal [8].
O treinamento foi realizado com 66% da base de da-
dos e 75% da base de dados. As redes ELM utilizaram
as seguintes configurações: 100, 200, 300, 400 e 500
neurônios, utilizando kernel linear, polinomial de grau
2, polinomial de grau 3, polinomial de grau 4 e polino-
mial de grau 5.
Avaliação do Desempenho - Por fim, o desempenho
do sistema e avaliado através da acurácia e índice Kap-
pa. Acurácia é percentual de dados classificadas de
I Simpósio de Inovação em Engenharia Biomédica– SABIO 2017

forma correta considerando as classes utilizadas corre-

tamente considerando as classes utilizadas [9]. Índice
Kappa método estatístico para avaliar o nível de con-
cordância ou reprodutibilidade entre dois conjuntos de
dados, o mesmo pode variar entre -1 e 1. A interpretação
do índice Kappa é avaliada através da tabela 1 [9].

Tabela 1: Interpretação do Índice Kappa

Valores de Kappa Concordância

0 Pobre
0 - 0,20 Ligeira
0,21 - 0,40 Considerável
0,41 - 0,60 Moderada Gráfico 3: Percentual da Acurácia com classificador
0,61 - 0,80 Substancial
ELM, treinado com 66% da base e extrator de atributos
0,81 – 1,0 Excelente Zernike.
Resultados e Discussão

Para avaliar o desempenho dos experimentos,

utilizou-se acurácia e índice Kappa, método estatístico
para avaliar o nível de concordância ou
reprodutibilidade entre dois conjuntos de dados.
A partir dos gráficos de 1 a 9, verificamos que a
classificação apresentou melhores resultados para as 3
clases foi com o classificador ELM (500 neurônios),
com os extratores de atributos de Haralick e Zernike,
com kernel linear e treinamento usando 75% da base de
dados que obteve um porentagem de acurácia de
72,94% e o indice kappa de 0,59408, conforme gráfico
6 e 12. o índice Kappa encontra-se no intervalo
Concordância Moderada conforme a tabela 1. Gráfico 4: Percentual da Acurácia com classificador
Como podemos observar na tabela 2 os ELM, treinado com 75% da base e extrator de atributos
melhores resultados foram obtidos com kernel linear e Zernike.
usando 500 neurônios. Vimos ainda a utilização do
momento Zernike para extração de atributos apresentou
resultado melhor comparado com o momento de
Haralick. Desta forma notamos que os momentos de
Zernike apresentam bons resultados na extração de
atributos de imagens termográfica de mama.um único
método de extração de atributos não a quando a
extração de atributos.

Gráfico 1: Percentual da Acurácia com classificador

ELM, treinado com 66% da base e extrator de atributos
Haralick.

Gráfico 5: Percentual da Acurácia com classificador

ELM, treinado com 66% da base e extrator de atributos
Zernike e Haralick.

Gráfico 2: Percentual da Acurácia com classificador

ELM, treinado com 75% da base e extrator de atributos
Haralick.

3
I Simpósio de Inovação em Engenharia Biomédica– SABIO 2017

Gráfico 6: Percentual da Acurácia com classificador

ELM treinado com 75% da base e extrator de atributos
Zernike e Haralick.

Gráfico 10: Percentual da Acurácia com classificador

ELM treinado com 75% da base e extrator de atributos
Zernike.

Gráfico 7: Percentual da Acurácia com classificador

ELM treinado com 66% da base e extrator de atributos
Haralick.

Gráfico 11: Percentual da Acurácia com classificador

ELM treinado com 66% da base e extrator de atributos
Haralick e Zernike.

Gráfico 8: Percentual da Acurácia com classificador

ELM treinado com 75% da base e extrator de atributos
Haralick.

Gráfico 12: Percentual da Acurácia com classificador

ELM treinado com 75% da base e extrator de atributos
Haralick e Zernike.

Gráfico 9: Percentual da Acurácia com classificador

ELM treinado com 66% da base e extrator de atributos
Zernike.

4
 I Simpósio de Inovação em Engenharia Biomédica– SABIO 2017

Tabela 2: Melhores resultados utilizando classificador [2] Aguiar Junior, P. S. ; Belfort, C. N. S. ; Silva, A. C. ;
ELM e com extratores Haralick, Zernike e Haralick e Diniz, P. H. B. ; Lima, R. C. F. ; Conci, A. ; Paiva, A.
Zernike. C. . Detecção de regiões suspeitas de lesão na mama
em imagens térmicas utilizando Spatiogram e redes
Índice neurais. Cadernos de pesquisa (UFMA) , 2013.
Classificador (ELM) Acurácia(%)
Kappa [3] Belfort, C. N. S. ; SILVA, A. C. ; PAIVA, A. C. .
Extrator de atributos Haralick , Detecção de lesões em imagens termograficas da
500 neurônios e kernel linear e mama utilizando Índice de Similaridade de Jaccard e
64,42% 0,4623
treinamento usando 66% da base Artificial Crawlers. In: XV Workshop de Informáti-
de dados ca Médica, 2015, Recife - PE. XXXV CONGRES-
Extrator de atributos Haralick , SO DA SOCIEDADE BRASILEIRA DE COMPU-
500 neurônios e kernel linear e
65,95% 0,4892 TAÇÃO, 2015.
treinamento usando 75% da base
de dados [4] Oliveira, M. M. Desenvolvimento de protocolo e
Extrator de atributos Zernike , construção de um aparato mecânico para padroniza-
500 neurônios e kernel linear e ção da aquisição de imagens teográficas de mama.
67,72% 0,5158
treinamento usando 66% da base 94 p. Dissertação de mestrado, Departamento de En-
de dados genharia Mecânica, Universidade Federal de Per-
Extrator de atributos Zernike , nambuco, Recife, PE, 2012.
500 neurônios e kernel linear e [5] Silva, A. S. V.Classificação e segmentação de ter-
70,43% 0,5564
treinamento usando 75% da base mogramas de mama para triagem de pacientes resi-
de dados dentes em regiões de poucos recursos médicos. Dis-
Extratores de atributos Haralick
sertação de mestrado, Departamento de Engenharia
e Zernike , 500 neurônios e
72,22% 0,5833 Mecânica, Universidade Federal de Pernambuco,
kernel linear e treinamento
usando 66% da base de dados Recife, PE, 2015.
Extratores de atributos [6] Cheng HD,Shi XJ, Min R, HuL M, Cai XP e Du
Haralick e Zernike , 500 HN. Approaches for automated detection and
neurônios e kernel linear e 72,94% 0,594 classification of masses in mammograms. Pattern
treinamento usando 75% da Recognition, vol. 39, 2006.
base de dados [7] Shanthu S, Bhaskaran AV. A Novel Approach for
detecting and Classifying Breast Cancer. In: Interna-
Conclusão tional Journal of Intelligent Information Technolo-
gies (IJIIT) 2013; 9(1), 21-39.
A Este trabalho apresenta uma proposta de um [8] Huang GB, Zhu QY, Siew CK. Extreme learning
método classificação de lesão de mama utilizando machine: Theory and applications. Neurocomputing, v.
características extraídas da textura e geometria de 70, n. 1-3, p. 489–501, dez. 2006. ISSN 09252312.
imagens térmicas. Utilizando-se classificador ELM com [9] Landis, J.R. e Koch, G.G. The measurement of ob-
diversa configurações. server agreement for categorical data. Biometrics,
Conforme foi visto anteriormente, o v.33, n.1, p. 159-174, 1977.
classificador ELM obteve seu melhor desempenho na
utilização do momento Zernike e Haralick para extração
de atributos. E quando utilizando 75% da base dados
para treinamento, configuração de 500 neurônio e kernel
linear. Apresentando uma acurácia de 72,94% e índice
Kappa 0,59408 considerado concordância moderada.
Para trabalhos futuros sugere-se o uso de outros
classificadores que por ventura possam apresentar me-
lhores resultados.

Agradecimentos

Agradecemos a Fapema e CNPq e a FACEPE pelo

apoio financeiro.

Referências

[1] Resmini, R. ; Conci, A. ; Borchartt, T. B. ; Lima, R.

C. F. ; Montenegro, A. A. ; Pantaleão, C. A. . Diag-
nóstico precoce de doenças mamárias usando ima-
gens térmicas e aprendizado de máquina. In: Revista
eletrônica do alto vale do Itajaí, 2012.

View publication stats