Segmentação automática de lesões de mama em imagens de ultrassom utilizando redes neurais convolutivas

• Ano de defesa: 2018
• Autor(a) principal: Mendes, João Paulo Campos
• Outros Autores: http://lattes.cnpq.br/1662388222619097
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Amazonas; Faculdade de Tecnologia; Brasil; UFAM; Programa de Pós-graduação em Engenharia Elétrica
• Palavras-chave em Português: Lesões de mama - Segmentação automática; Aprendizado profundo; Redes neurais convolutivas; Ultrassonografia mamária; Câncer de mama; ENGENHARIAS: ENGENHARIA ELÉTRICA
• Link de acesso: https://tede.ufam.edu.br/handle/tede/6865

O diagnóstico precoce é um fator crucial para aumentar as chances de tratamento do câncer de mama. A mamografia é atualmente a melhor forma de se detectar lesões de mama em fases iniciais, contudo, em alguns casos, ela é inconclusiva, necessitando assim, de exames auxiliares com intuito de obter um diagnóstico diferencial. Com isso, a ultrassonografia mamária surge como o principal adjunto devido ao seu custo e acessibilidade. A ultrassonografia de mama tem potencial de diferenciar lesões malignas de benignas através da análise de características como formato e contorno, no entanto, a análise não é uma tarefa trivial, o que pode se tornar muito custosa e conter variabilidade. Devido a isso, métodos computacionais têm sido criados para auxiliar os especialistas nesta tarefa. Esta dissertação desenvolve um método computacional, baseado em redes neurais convolutivas, para segmentar lesões de mama em imagens de ultrassom. São desenvolvidas três arquiteturas (BUS-CNN1, BUS-CNN2, BUS-CNN3) com diferentes topologias com o objetivo de se analisar a melhor arquitetura para esta tarefa. A base de dados utilizada contem 387 imagens de ultrassom de mama e foi dividida em conjuntos de treinamento e teste, com 255 e 132 imagens, respectivamente. Foram utilizados seis métricas de desempenho para análise quantitativa, são elas: Acurácia, Acurácia Global, Interseção sobre União (IOU), IOU ponderada, Taxa Boudary F1 (BF) e Coeficiente Dice de Similaridade. As três arquiteturas foram treinadas e testadas com os mesmos conjuntos. Após os testes, evidenciou-se que a arquitetura BUS-CNN3 obteve os melhores resultados em cinco das seis métricas utilizadas, com uma Acurácia Global de 95,93%, IOU de 87,92%, IOU ponderada de 92,36%, Taxa BF de 68,77% e Coeficiente Dice de 89,11%.