Seleção de atributos de imagem baseada em algoritmo genético e inteligência computacional para o diagnóstico do câncer de mama utilizando mamografias digitais
Ano de defesa: | 2017 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | |
Tipo de documento: | Dissertação |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Universidade Federal de Pernambuco
UFPE Brasil Programa de Pos Graduacao em Engenharia Biomedica |
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: | |
Link de acesso: | https://repositorio.ufpe.br/handle/123456789/28107 |
Resumo: | O câncer de mama é um grande problema de saúde pública mundial, onde o exame mais utilizado para realizar os diagnósticos é a mamografia. Nas últimas décadas vêm surgindo ao redor do mundo sistemas de apoio ao diagnóstico e a detecção de câncer de mama. Tendo como objetivo desenvolver um sistema de apoio ao diagnóstico do câncer de mama por análise de mamogramas a partir de classificadores baseados em redes neurais artificiais do tipo Máquinas de Aprendizado Extremo e de atributos estatísticos e de forma, reduzidos a partir da aplicação de técnicas de seleção de atributos, com enfoque em algoritmos genéticos. Esse estudo é baseado em processamento de imagens médicas que foi dividido em 4 etapas: Criação da base de dados IRMA modificada; preparação e pré processamento das imagens; seleção de atributos/redução de atributos e processo de classificação, com os classificadores SMO, MLP, IBK e RBF. Como resultados têm-se que o banco de dados construído possui um total de 505 imagens (222 de mama adiposa e 283 de mama fibroglandular) distribuídas por classificação e por tipo de lesão. Quanto ao número de atributos reduzidos, tem-se que na maioria ele se mostrou eficaz, mas que quando a redução era inferior a 50 atributos, houve uma brusca queda na taxa de acerto. Os classificadores que obtiveram melhores taxas de acertos foram respectivamente, SMO (92,86%), MLP (92,86%), IBK (75%) e RBF (51,43%). Conclui-se assim, que os resultados desse estudo fornecem informações valiosas sobre os sistemas de apoio ao diagnóstico e que o classificador de melhor escolha é o SMO. |