Sistema inteligente para o apoio ao diagnóstico do câncer de mama usando imagens termográficas e redes neurais artificiais profundas

• Ano de defesa: 2022
• Autor(a) principal: SILVA, Anderson Felix da
• Orientador(a): SANTOS, Wellington Pinheiro dos
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Pernambuco
• Programa de Pós-Graduação: Programa de Pos Graduacao em Engenharia Biomedica
• País: Brasil
• Palavras-chave em Português: Engenharia biomédica; Diagnóstico do câncer de mama; Extração de atributos; Seleção de atributos; Termografia da mama; Redes neurais profundas
• Link de acesso: https://repositorio.ufpe.br/handle/123456789/46333

O câncer de mama é a forma mais mortal de câncer entre mulheres, tanto em países desenvolvidos quanto em países subdesenvolvidos e em desenvolvimento. A mortalidade do câncer de mama está ligada diretamente a estratégias de prevenção da doença, como campanhas educativas e tecnologias de apoio ao diagnóstico precoce do câncer. A técnica mais utilizada no apoio ao diagnóstico do câncer de mama por imagem é a mamografia por Raios-X. No entanto, a mamografia tem suas desvantagens, como o custo, o uso de raios ionizantes (que podem estar relacionados a fatores causadores de câncer), além do desconforto na obtenção da imagem por meio da compressão da mama. Uma técnica complementar à mamografia, e que vem sendo testada, é a termografia de mama, a qual baseia-se nas mudanças metabólicas resultantes do surgimento de células alteradas no tecido mamário, que resultam em modificações da distribuição de temperatura. A termogra- fia vem sendo proposta como técnica complementar à mamografia, sendo mais vantajosa quando comparada ao toque da mama e que pode servir como sistema de triagem, per- mitindo a detecção precoce de lesões da mama e diminuindo a mortalidade. O presente trabalho tem como objetivo analisar o uso de redes neurais profundas juntamente com diferentes técnicas de classificação, para o reconhecimento de lesões em imagens ter- mográficas utilizando o software de aprendizado de máquina Weka. Pretende também, fundamentar um modelo que possa ser explorado em aplicações de apoio ao diagnóstico do câncer de mama para classificação de lesões em imagens de termografia. Inicialmente, na etapa de extração de atributos, foram utilizadas diferentes redes profundas da biblioteca DeepLearning4j do Weka: LeNet, ResNet50, NASNetMobile, SqueezeNet e Inception v3. Em seguida, foi realizada a seleção dos melhores atributos utilizando PSO. Em seguida, na etapa de classificação e treinamento, foram gerados 30 experimentos para os seguintes classificadores: Naive Bayes, Bayes Net, Random Tree, Árvore de Decisão J48, Random Forest, Máquina de Vetor de Suporte SVM e Rede Perceptron Multicamadas MLP. Os resultados foram comparados utilizando gráficos boxplots e tabelas para as métricas de Acurácia, Índice Kappa, Sensibilidade, Especificidade, Área Sob a Curva ROC e Tempo de Treinamento (ms). Por fim, foram analisados os melhores desempenhos entre as redes neurais profundas e os classificadores utilizados. Além disso, também foi analisado o de- sempenho antes e após a seleção de atributos, com o objetivo de determinar o modelo mais eficiente a ser utilizado. Como resultados, a rede profunda Inception V3 combinada com o classificador SVM com kernel polinomial de 3o teve a maior taxa de acurácia para a abordagem sem a seleção de atributos, obtendo 79,92%. Porém, utilizando a seleção de atributos, a CNN Inception V3 combinada com o classificador SVM com kernel polinomial de 4o, obteve uma acurácia de 78,55% com um tempo de treinamento duas vezes menor. Portanto, a seleção de atributos pode ser realizada sem perder muito em acurácia quando comparada ao conjunto completo de atributos, colaborando assim, para aplicações que visem otimizar o tempo de classificação e o custo computacional. Diante disso, o uso de modelos de redes neurais profundas e classificadores para auxiliar no diagnóstico do câncer de mama usando imagens termográficas, mostrou-se como uma ferramenta interessante a ser explorada em futuras aplicações e que pode contribuir para o diagnóstico precoce dessa doença.