Académique Documents
Professionnel Documents
Culture Documents
net/publication/321904220
CITATIONS READS
0 24
6 authors, including:
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Wellington Pinheiro Dos Santos on 19 December 2017.
Resumo: Este trabalho propõe uma metodologia risco de radiação ionizante e a queixas dos pacientes
para classificação do tipo da lesão na mama presentes sobre desconforto devido à compressão dos seios.
nas imagens termográficas utilizando classificador Na busca por outras térmicas de imagens
ELM. As imagens que alimentam o sistema são complementar a mamografia, a termografia começou a
provenientes de imagens termográficas que foram ser utilizada na mastologia em 1959, porém a
adquiridas no Hospital das Clínicas (HC) – UFPE, onde tecnologia existente na época fizeram com que o
são selecionadas classes cisto, maligno e benigno. Para método fosse desacreditado e não recomendado para o
a etapa de pré-processamento das imagens foi realizado diagnóstico de doenças das mamas. Com o avanço
a conversão de RGB-JET para níveis de cinza e a etapa tecnológico das novas câmeras termográficas,
de pós processamento foi realizado o balanceamento das metodologias utilizando técnicas de processamento e
classes. O momento Zernike e Haralick são utilizados análise de imagens podem ser desenvolvidas para
para a extração dos atributos baseado na geometria e na facilitar a detecção de alterações da mama por imagens
textura. A etapa seguinte realiza o treinamento e termográficas, com o intuito de verificar as
posterior classificação com a máquina de aprendizado possibilidades do uso da termografia como exame de
extremo. Por fim, o desempenho do sistema e avaliado triagem na mastologia.
através da acurácia e índice Kappa. A metodologia O objetivo deste trabalho é classificar o tipo de
apresentou 72,94% de acurácia e índice Kappa 0,59408 lesão na mama presentes nas imagens termográficas
considerado concordância moderada. usando extratores de atributos de textura e geometria,
com o uso do classificador ELM com diversas
Palavras-chave: Câncer de mama, Termografia, configurações.
Classificação, ELM. Na seção 2 é mostrado trabalhos anteriores e
seus resultados; na seção 3, a apresentada metodologia
Abstract: Articles submitted in Portuguese or Spanish proposta; na seção 4, são apresentados os resultados
must also include a version of the ‘Resumo’ in English. obtidos e na Conclusão, busca-se avaliar os resultados
Please follow these instructions to format and submit obtidos e discutir trabalhos futuros.
your article to the XXIV Brazilian Congress of
Biomedical Engineering. Documents must be submitted Trabalhos relacionados
in MSWord® format (*.docx/doc). Abstracts should
contain up to 250 words, in a single paragraph, to allow Nesta seção focará nos trabalhos mais recentes
for uniform reproduction in the Proceedings and in the que utilizam a classificação da lesão de mama através
Conference Program Booklet. da tormografia de mama.
Keywords: Three to five keywords, separated by Resmini et al. (2012), que realiza diversas ex-
commas. tração de características. Estas características foram
analisadas utilizando classificadores, SVM, KNN e
Introdução Naïve Bayes. Neste trabalho, os autores chegam a obter
acurácia próxima de 90% e área abaixo da curva ROC
O câncer de mama tem sido há décadas o tipo mais próxima de 0,9 [1].
comum entre as mulheres. No Brasil, as taxas de Aguiar et al. (2013) relatam várias característi-
mortalidade por câncer de mama continuam elevadas, cas extraídas e o classificador foi usado perceptron
devido a doença ainda ser diagnosticada em estágios multicamadas. Este trabalho apresentou 75% das regi-
avançados. A mamografia e o exame clínico das mamas ões classificadas corretamente [2].
(ECM) são os métodos indicados e mais utilizados, Belfort et al. (2014), realiza extração de carac-
contudo não é tão eficaz para mulheres com mamas terísticas através do modelo dos Artificial Crawlers. O
densas, cirurgicamente alteradas ou com menos de 40 classificador utilizado foi o SVM e o processo apresen-
anos. E também, existe uma preocupação em relação ao
1
I Simpósio de Inovação em Engenharia Biomédica– SABIO 2017
tou 78% de acurácia, 50% de sensibilidade e 84% ´ de também comprovada por biópsia. A Classe Cisto inclui
especificidade [3]. os casos com este diagnóstico comprovado por punção
aspirativa com agulha fina (PAAF) ou ultrassonografia
Materiais e métodos [5].
A classe normal foi retirada do banco de imagens,
A figura 1 é um fluxograma do sistema proposto. As pois o objetivo foi a classificação da lesão existente.
imagens que alimentam o sistema são provenientes de Sendo assim, só foram utilizados as três classes
imagens termográficas que foram adquiridas no Hospi- Maligno, Benigno e Cisto.
tal das Clínicas (HC) – UFPE, onde são selecionadas Pré-Processamento – Sabemos que as imagens
classes cisto, maligno e benigno. Para a etapa de pré- temrograficas utiliza técnicas de pseudo-coloração que
processamento das imagens foi realizado a conversão de neste caso foi utilizada na aquisição a paleta de cor JET.
RGB-JET para níveis de cinza e a etapa de pós proces- Diante disso foi necessário usar a conversão da RGB-
samento foi realizado o balanceamento das classes. O JET para tons de cinza.
momento Zernike e Haralick são utilizados para a extra- Extração de atributos - A definição do método de
ção dos atributos baseado na geometria e na textura. A extração de características é um dos fatores mais
etapa seguinte realiza o treinamento e posterior classifi- importantes para desempenho do sistema
cação com a máquina de aprendizado extremo. Por fim, computacionais de apoio ao Diagnóstico [6].
o desempenho do sistema e avaliado através da acurácia De acordo com as características, os atributos foram
e índice Kappa. baseado em intensidade, na geometria ou na textura.
Utilizamos os extratores de atributos momento Zernike
• Aquisição de imagens termografica de mama: baseado na extração de geometria e o momento Haralick
1 • Protocolo Oliveira(2012) baseado na extração de caracterisitcas de texturas. O
primeiro são projeções da função imagem em funções
• Criar Base de imagens termograficas da mama bases ortogonais e são invariantes apenas a rotação[x].
2
• Pré-Processamento: Já o segundo é um valor calculado a partir da matriz co-
3 • Conversão de (RGB-JET) para niveis de cinza coorrência da imagem, que quantifica algumas
• Extração de atributos: características da variação dos níveis de cinza dessas
4 • Zernike ; Haralick imagens [6,7].
• Pós-Processamento: Pós-Processamento – Após a extração dos atributos
5 • Balanceamento das classes realizamos um balanceameto de classe, pois a base das
• Classificação: imagens possuem quantidades diferentes de imagens nas
6 • ELM - Máquinas de Aprendizado Extremo classes, foi necessário utilizar a técnica de
• Avaliação de Desempenho:
balanceamento linear.
7 • Acurácia e Índice Kappa Classificação – Após a extração dos atributos e o
balanceamento das classes. Esses atributos são usados
como entrada para os classificadores que serão treinados
Figura 1: Fluxograma do sistema e posteriormente deverá realizar a classificação das
lesões de mama (maligna, benigna e cisto). O C Classi-
Aquisição das imagens - As imagens termográficas ficador utilizado foi O Extreme Learning Machine (Má-
usadas neste trabalho foram adquiridas no Hospital das quina de Aprendizado Extremo – ELM) uma abordagem
Clínicas (HC) – UFPE, seguem o protocolo de aquisição de treinamento para Redes Neurais com camada inter-
de imagens definido [4]. Segundo [5] as imagens mediária única. Essa técnica aprendizado proposta para
termograficas foram obtidas através da através da o treinamento de redes neurais feedfoward de única
utilização de uma câmera de infravermelho Flir S45 e o camada oculta que acelera a aprendizado através da
método adotado para a aquisição de imagens foi o geração aleatória dos pesos de entrada e dos bias da
estático e a partir disso foram realizadas as imagens T1 camada oculta.[8].
(frontal com as mãos na cintura), T2 (frontal com as Nas redes ELM os pesos da camada escondida são
mãos levantadas segurando uma barra localizada acima determinados aleatoriamente e possuem função de ati-
da cabeça, lateral interna da mama direita (LIMD), vação não-linear, enquanto os pesos da camada de saída
lateral interna da mama esquerda (LIME), lateral são de terminados analiticamente. Dessa forma a ELM
externa da mama direita (LEMD) e lateral externa da possui simples implementação e redução temporal [8].
mama esquerda (LEME). O treinamento foi realizado com 66% da base de da-
Criação da Base de imagens termografica da dos e 75% da base de dados. As redes ELM utilizaram
mama - Neste trabalho foram usadas a imagens T1, T2, as seguintes configurações: 100, 200, 300, 400 e 500
LIMD, LIME, LEMD e LEME. Estas imagens tiveram neurônios, utilizando kernel linear, polinomial de grau
diagnóstico concluido e foram divididas em quatro 2, polinomial de grau 3, polinomial de grau 4 e polino-
classes: Maligno, Benigno, Cisto e normal. A Classe mial de grau 5.
Maligno compreende todos os casos de câncer de Avaliação do Desempenho - Por fim, o desempenho
mama, comprovados por biópsia. A Classe Benigno do sistema e avaliado através da acurácia e índice Kap-
refere-se aos casos de tumores com benignidade, pa. Acurácia é percentual de dados classificadas de
2
I Simpósio de Inovação em Engenharia Biomédica– SABIO 2017
3
I Simpósio de Inovação em Engenharia Biomédica– SABIO 2017
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
Referências