Discriminação de classes fundamentada em técnicas de otimização não linear e combinatória associadas a funções de base radias: um estudo de caso em mamografia.

• Ano de defesa: 2005
• Autor(a) principal: Espírito-Santo, Rafael do
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Breast neoplasms (Diagnosis); Combinatorial optimization; Mammography; Mamografia; Neoplasias mamárias (Diagnóstico); Nonlinear optimization; Otimização combinatória; Otimização não linear
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3142/tde-30072024-104512/

Investigamos neste trabalho diversas abordagens de classificação, utilizando como estudo de caso calcificações e massas momográficas (benignas ou malignas): O Multi-Layer Perceptron (MLP), um classificador de duplo estágio (ART2LDA), fundamentado na Teoria da Ressonância Adaptativa - Adaptive Resonance Theory (ART) e Discriminação Linear (LDA) - que aceita treinamentos supervisionados e não supervisionados, e um discriminador de classes implementado segundo técnicas de otimização não linear e combinatória associadas à capacidade de classificação das Funções de Bases Radiais (RBF\'s). Os classificadores são treinados com uma base de dados constituída de 143 calcificações (79 malignas e 64 benignas), representadas por fatores de forma. Os classificadores também são treinados com uma base de dados contendo 57 regiões de interesse (37 malignas e 20 benignas) que descrevem as complexidades das massas e tumores a partir de fatores de forma, transição de bordas e medidas de textura. Adotamos o procedimento leave-one-out nos treinamentos. Os desempenhos dos classificadores em discriminar casos benignos e malignos são comparados em termos da área sob curva Receiver Operating Characteristic (Az). Quanto maior o valor de Az, melhor é o desempenho do classificador. Os experimentos com calcificações mostram que o melhor resultado é o obtido com RBF-Simulated Annealing (Az = 0,97), pois o valor de Az encontrado tem maior magnitude que os valores computados para os classificadores MLP (Az = 0,70) e ART2LDA (Az = 0,71). Nos experimentos com massas e tumores, nota-se que os desempenhos dependem da dimensão dos casos exemplos empregados nos treinamentos dos classificadores. O melhor desempenho observado em casos exemplos de três dimensões é o do MLP (Az = 0,994), pois o valor de Az desse classificador é maior que os valores de Az obtidos com o RFF-Simulated Annealing (Az = 0,912) e o ART2LDA (Az = 0,901). ) Com casos exemplos de oito dimensões o RBF-Simulated Annealing. (Az = 0,999) teve melhor desempenho que o MLP (Az = 0.982) e o ART2LDA (Az = 0.885).