Classificação de nódulos mamográficos utilizando um comitê de redes neurais artificiais.

• Ano de defesa: 2005
• Autor(a) principal: Silva, Leandro Augusto da
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Breast masses; Diagnóstico por imagens; Image processing; Mammography; Mamografia; Neoplasias mamárias; Neural network; Pattern recognition; Processamento de imagens; Reconhecimento de padrões; Redes neurais
• Link de acesso: http://www.teses.usp.br/teses/disponiveis/3/3142/tde-05092006-203231/

Este trabalho apresenta uma nova estratégia computacional para classificar nódulos mamográficos, que podem ser identificados por radiologistas nos exames de mamografia, em benignos ou malignos. Para a realização dos experimentos computacionais, foram utilizados 57 regiões suspeitas de câncer (ROIs) encontrados pelo radiologista nos exames de mamografia. Das 57 ROIs, 37 foram identificadas como nódulos benignos e 20 identificadas como nódulos malignos, após o exame de biópsia. Com base nestas 57 ROIs são aplicadas técnicas de processamento de imagens para extrair determinadas características que possibilitam classificar um nódulo como benigno ou maligno. Estas características são separadas em três conjuntos: três características de forma, quatorze características de textura e três características de nitidez da borda. A estratégia computacional usada para classificar esses três conjuntos de características foi o classificador Máquina de Comitê. A Máquina de Comitê é formado por um grupo de classificadores, usados para resolver uma tarefa difícil. Os membros do comitê são tipicamente Redes Neurais Artificiais. Nesse trabalho foram usados Perceptrons de Múltiplas Camadas (MLP) como classificador da Máquina de Comitê. O resultado da classificação é dado pela combinação das respostas de cada classificador. Experimento envolvendo alteração na configuração da Máquina de Comitê também foi realizado. A precisão da classificação foi avaliada utilizando o cálculo da área sob a curva Receiver Operating Characteristics (ROC), designada por Az. O resultado de Az apresentado pela Máquina de Comitê é comparado com o resultado de outros classificadores neurais, como MLPs e Perceptrons de Camada Simples (SLP). Os resultados são apresentados pela média e desvio padrão de 20 experimentos. Para concluir se o resultado apresentado por um classificador é melhor que o outro, foram realizados testes de hipóteses utilizando a distribuição de Student t.