Seleção de atributos de imagem baseada em algoritmo genético e inteligência computacional para o diagnóstico do câncer de mama utilizando mamografias digitais

Detalhes bibliográficos
Ano de defesa: 2017
Autor(a) principal: CRUZ, Thaís Nayara da
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
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.