Sistema de Anlise Computadorizada para Auxlio Deteco de Leses de Mama Baseado em Redes Neurais Artificiais

Fernando Aparecido Glingani1, Paulo Eduardo Ambrsio2

1,2

Centro Universitrio Baro de Mau (CeUBM), Brasil

Resumo As redes neurais artificiais so mecanismos que se fundamentam nas teorias que se conhecem sobre o crebro humano, objetivando a reproduo de comportamentos computacionalmente inteligentes, como o reconhecimento de padres. O intuito desse trabalho consistiu na implementao de um sistema utilizando dois tipos de redes neurais artificiais, uma rede extratora de caractersticas e uma classificadora de padres do tipo perceptron multicamadas. No treinamento das redes neurais foram utilizadas imagens digitais de mamografias classificadas como suspeitas e no suspeitas. Os algoritmos usados no treinamento da rede foram o de competitividade e o algoritmo de retropropagao de erro. O desempenho do sistema foi avaliado com um teste de generalizao, utilizando a tcnica leave one out (deixando um de fora), que demonstrou a capacidade das redes neurais artificiais de aprender, generalizar e classificar coisas para as quais foram escolhidas, conforme visto na literatura. Palavras-chave: Auxlio ao diagnstico por computador, Redes Neurais Artificiais, Microcalcificaes. Abstract The artificial neural networks are mechanisms based in the known theories about human brain, aiming the behaviors reproduction, as the recognition of patterns. The intention of this work consist of the implementation of a system using two types of artificial neural networks: one of them is net extracted of characteristics and the other one is net classifying patterns of the type multilayer perceptron. In the neural networks training, were used digital images of mammograms classified in suspects and not suspects. The algorithms used in the training were the one of competitiveness and the algorithm of backpropagation. The acting of the system was evaluated with a generalization test, using the technique leave one out, that it demonstrated the capacity of the artificial neural nets to learn, to generalize and to classify things for which were chosen, as seen in the literature. Key-words: Computer aided diagnosis, Artificial Neural Networks, Microcalcification.

Introduo A mamografia convencional uma forma bem conhecida para a deteco precoce do cncer de mama, o que ajuda a diminuir a mortalidade entre as mulheres por causa desse mal. Contudo, o nmero de radiologistas experientes capazes de interpretar os sinais mamogrficos limitado [2]. Estudos prvios demonstram que tanto para os radiologistas experientes como para os iniciantes, a fadiga visual resultante da anlise de um grande nmero de mamografias num mesmo perodo de trabalho, faz com que alguns sinais de microcalcificaes passem despercebidos [2]. O observador pode hesitar, talvez sem saber, ou at demonstrar interesse apenas em determinada rea do mamograma onde as microcalcificaes so mais evidentes [2].

Cerca de 70% a 80% das microcalcificaes encontradas nas mamografias correspondem a estruturas benignas. Por essa razo indispensvel uma anlise rigorosa de suas caractersticas para evitar a realizao de bipsias desnecessrias [2]. Essa anlise envolve o estudo da forma, do tamanho, da densidade, da distribuio e da quantidade de microcalcificaes. A partir dessa anlise podem-se classificar os achados como processos benignos, malignos ou indeterminados [2]. Sistemas computadorizados conhecidos como CADs (Computer Aided Diagnosis) possibilitam a realizao dessas anlises em duas fases: na varredura de imagens pelo computador e no auxlio ao diagnstico mdico atravs das caractersticas obtidas na varredura. Assim, um sistema computadorizado capaz de exibir imagens mamogrficas cujos sinais de

microcalcificaes tenham sido detectados, destacados, parametrizados e classificados de acordo com o processo que representam, facilitaria a percepo e o diagnstico por parte do observador dos exames, ajudando e diminuindo o problema. Com foco nesse problema, o objetivo desse trabalho foi a realizao de um estudo sobre a aplicabilidade das redes neurais artificiais (RNAs) em um sistema computacional de apoio ao diagnstico de leses encontradas em mamografias, classificando-as em suspeitas (mamografias com leses malignas) e no suspeitas (mamografias com leses benignas). Metodologia A proposta desse trabalho foi implementar um sistema para deteco e classificao de leses de mama aplicando dois tipos de RNA [3]: redes de uma camada treinadas pelo algoritmo competitivo no supervisionado (SOM), para a deteco das leses, e redes com trs camadas do tipo multilayer perceptron (MLP), treinadas pelo algoritmo supervisionado de retropropagao, para a classificao das leses. A organizao fsica do sistema construdo composta por um pr-levantamento de dados pela rede SOM que so armazenados em arquivos, para mais tarde serem disponibilizados para o treinamento do MLP. As imagens utilizadas no trabalho representam regies extradas de mamografias previamente analisadas por especialistas, indicadas como suspeitas em conter microcalcificaes. Tais regies foram previamente segmentadas por um software especialista na deteco de microcalcificaes [4], sendo os pontos brancos as partes identificadas como microcalcificaes (Figura 1).

divididas em quadros de 20x20 pixels, resultando em 144 quadros por imagem. Esses quadros foram organizados em uma matriz da ordem de 12x12, sendo 12 linhas com 12 quadros cada. A implementao da rede SOM teve como papel classificar os quadros das imagens, gerando padres distintos. Definido o tamanho do quadro a ser apresentado rede SOM, passou-se ao seu treinamento. Para cada quadro de 20x20 pixels, o padro de entrada fornecido foi o valor de cada pixel constante no quadro apresentado. Esses valores foram armazenados em um vetor de 400 posies (tamanho total de cada quadro), tornando-se a camada de entrada da rede. Os treinamentos so realizados da seguinte maneira: do conjunto de imagens, so apresentadas separadamente as suspeitas e as no suspeitas, escolhidas aleatoriamente 15 imagens de cada. Feito o sorteio das imagens que participaro do treinamento, so dadas posies aos quadros a serem extrados, chamando-as de quadrantes, conforme ilustra a Figura 2.

Figura 2 Diviso da imagem em quadrantes. Com um determinado nmero de pocas e de quadro a quadro, o treinamento iniciado, partindo-se do quadrante 0x0 at o quadrante 11x11. Para cada um dos quadrantes, a rede tem seus pesos inicializados aleatoriamente e treinada pelo algoritmo de competitividade. Aps treinar um quadro, o neurnio que venceu mais vezes escolhido e seu valor armazenado em um arquivo gerado e atualizado automaticamente, contendo os valores de sada do neurnio vencedor de cada quadrante. Terminado o processo de treinar cada quadro, em um determinado nmero de pocas, de todas as 15 imagens selecionadas, o arquivo final completado com todos os dados obtidos de cada quadrante e o sistema passa a escolher mais 15 imagens do total, aleatoriamente, para repetir todo o processo, at o nmero de arquivos de dados atingir 20 unidades.

Figura 1 Imagem apresentando microcalcificaes, previamente segmentadas. Por serem imagens relativamente grandes em termos de quantidade de pixels, elas foram

O processo de treinamento para a rede SOM utilizado foi o mesmo para os dois tipos de imagens, suspeitas e no suspeitas. Aps o treinamento, os 40 arquivos de sada provindos da rede SOM, sendo 20 extrados de imagens consideradas suspeitas e 20 de imagens consideradas no suspeitas, formam a camada de entrada da rede multilayer perceptron (MLP). Para essa rede, foi proposta uma arquitetura disposta em 3 camadas, sendo a camada de entrada, a camada de sada e a camada oculta. A camada de entrada foi definida em funo das sadas fornecidas pela rede SOM, totalizando 144 neurnios. A camada de sada foi fixada em um neurnio, suficiente para a separao dos dois padres distintos de imagens. A camada oculta foi implementada para ser configurada conforme a escolha do usurio, a qualquer incio de treinamento, para que o mesmo possa observar a convergncia da rede. O neurnio de sada foi treinado para apresentar 0 (zero) no caso de imagens no suspeitas e 1 (um) no caso de imagens suspeitas. Com a utilizao do algoritmo de backpropagation, todos os valores de sada da rede SOM so apresentados em ordem aleatria camada de entrada da rede MLP, com seus pesos de conexo inicializados randomicamente entre 0 (zero) e 1 (um). Nos treinamentos das redes SOM e MLP, alguns parmetros foram alterados vrias vezes, por tentativa e erro, para que se atingisse resultados satisfatrios. Para avaliar a capacidade do sistema em identificar leses de mama, passou-se ao treinamento das redes implementadas no mesmo. Os melhores resultados foram obtidos com a configurao da rede SOM composta por oito neurnios, sendo treinada por 50 pocas, com a taxa de aprendizado estipulada em 0,4. Os valores de entrada usados foram 0,1 (para os pixels pretos) e 0,9 (para os brancos). As sadas da rede SOM, que funcionam como entrada para a rede classificadora (MLP), foram normalizadas em 1 (para sadas com valores reais superiores a 0,5) e 0 (para as sadas com valores reais menores ou iguais a 0,5). A rede MLP ficou configurada com 144 neurnios na camada de entrada, um neurnio na camada de sada e quatro neurnios na camada intermediria. Resultados A rede treinada com a configurao descrita apresentou uma taxa de acerto na ordem de

92,5%, acertando todos os casos apresentados como suspeitos, porm errando em cerca de 15% dos casos no suspeitos. Discusso e Concluses Como se pode perceber pelos valores apresentados nos resultados, o sistema se mostrou extremamente eficiente para detectar os padres anormais nas mamografias, auxiliando os profissionais da rea como uma segunda leitura. Com a utilizao de ferramentas semelhantes, o profissional pode dispor de um importante aliado, principalmente em servios que apresentam um alto volume de exames. O fato de o sistema apresentar um ndice de erro relativamente alto ao considerar imagens classificadas como no suspeitas pelo especialista como casos suspeitos, necessita de melhores estudos, tanto em relao aos mtodos utilizados como tambm na etapa de prprocessamento das imagens. Agradecimentos Ao Laboratrio de Anlise e Digitalizao de Imagens (LADI-SEL), da Escola de Engenharia de So Carlos (EESC), Universidade de So Paulo (USP), pelas imagens, j segmentadas, cedidas para a realizao desse trabalho. Referncias Andr, T.C.S.S. (1999), Diagnstico Computadorizado de Cncer de Mama Atravs de Redes Neurais, Dissertao de Mestrado, Programa de Fsica Aplicada Medicina e Biologia, FFCLRP / USP, Ribeiro Preto, 71p. [1] Dellani, P.R., Borges, P.S., Wangenhein, A. (2001), Implementao de um mtodo para classificaes pleomrficas invariante a posio, escala e orientao com rede neural de Kohonen em mamografia convencional, I Workshop de Informtica Aplicada Sade. Itaja. [2] Haykin, S. (2001), Redes Neurais: Princpios e Prtica, 2.ed. Porto Alegre: Bookman. [3] Patrocnio, A.C. (2000), Esquema Classificador de Agrupamentos de Microcalcificaes Mamrias Utilizando Redes Neurais Artificiais. Dissertao de Mestrado, Escola de Engenharia de So Carlos, Universidade de So Paulo, So Carlos. [4] Azevedo-Marques, P.M. (2001), Diagnstico Auxiliado por Computador na Radiologia, Radiol. Bras., v. 34, n. 5, p. 285-293. [5]

Contato MSc. Paulo Eduardo Ambrsio Professor Universitrio (CeUBM) Doutorando em Cincias Mdicas (FMRP/USP) Av. Portugal, 2800 Apto. 431 CEP 14020-380 Ribeiro Preto SP peambrosio@baraodemaua.br