Clasificación de las lesiones de la mama en las categorías 4 y 5 del estándar BI-RADS® mediante redes neuronales
DOI:
https://doi.org/10.33448/rsd-v11i9.31305Palabras clave:
Cáncer de mama; Clasificación BI-RADS®; Procesamiento de imágenes; Redes neuronales.Resumen
El cáncer de mama es la enfermedad con mayor incidencia entre las mujeres en todo el mundo, con una estimación para Brasil en el bienio 2020-2021 de unos 66.280 nuevos casos de cáncer de mama, lo que corresponde a una tasa del 29,7% de los casos en la población femenina y cerca de 15.000 muertes de la enfermedad La mamografía es una de las pruebas más utilizadas para la detección precoz de este tipo de neoplasias. Sin embargo, se producen errores en la lectura e interpretación de los informes, incluso un profesional bien capacitado tiene una tasa de éxito entre el 65% y el 75% con una cantidad de falsos negativos que varía entre el 15 % y el 30 % y un falso positivo del 7 % al 10 %, lo que da como resultado una cantidad innecesaria de biopsias, del 65 % al 90 % de las biopsias de tejido con sospecha de cáncer son benignas, lo que causa problemas emocionales y físicos. repercusiones para los pacientes. Se pueden desarrollar sistemas informáticos para ayudar en el diagnóstico médico. Este artículo aplicó técnicas de redes neuronales para desarrollar una herramienta computacional capaz de clasificar lesiones de las categorías 4 y 5 del estándar BI-RADS®. Los resultados adquiridos por el software, observaron que el mejor clasificador en cuanto a la tasa de precisión fue Deep Learning, alcanzando un porcentaje de 82,60%, la Máquina de Vectores de Soporte - SVM tuvo un porcentaje de 73,97%. Esto demuestra que las técnicas de redes neuronales utilizadas en el diseño del software muestran una eficiencia en la tarea de clasificación de lesiones.
Citas
Alves-Ribeiro, F. A., Costa-Silva, D. R., Escórcio-Dourado, C. S., da Silva-Neto, O. P., de Castro-Gonçalves, M. E., de Ribeiro, V. O., ... & da Silva, B. B. (2017). Masse detection in mammographic images using texture feature extraction and neural networks. Journal of Computational and Theoretical Nanoscience, 14(4), 2064-2068.
AMERICAN COLLEGE OF RADIOLOGY (ACR) (2016). Atlas BI-RADS do ACR: sistema de laudos e registro de dados de imagem da mama / American College of Radiology; [tradução Angela Caracik] Colégio Brasileiro de Radiologia. 2. ed. - São Pàulo
Balas, N., Yun, H., Jaeger, B. C., Aung, M., & Jolly, P. E. (2020). Factors associated with breast cancer screening behaviors in a sample of Jamaican women in 2013. Women & health, 60(9), 1032-1039.
Batista, G. V., Moreira, J. A., Leite, A. L., & Moreira, C. I. H. (2020). Câncer de mama: fatores de risco e métodos de prevenção. Research, Society and Development, 9(12), e15191211077-e15191211077.
Boser, B. E., Guyon, I. M., & Vapnik, V. N. (1992, July). A training algorithm for optimal margin classifiers. In Proceedings of the fifth annual workshop on Computational learning theory (pp. 144-152).
Costa, F., & Ferreira, D. D. (2020, December). Classificação de nódulos mamários com máquina de vetores de suporte. In Congresso Brasileiro de Automática-CBA (Vol. 2, No. 1).
El Atlas, N., El Aroussi, M., & Wahbi, M. (2014, November). Computer-aided breast cancer detection using mammograms: A review. In 2014 Second World Conference on Complex Systems (WCCS) (pp. 626-631). IEEE.
Fernandes, I., & dos Santos, W. (2014). Classificação de mamografias utilizando extração de atributos de textura e redes neurais artificiais. In Congresso Brasileiro de Engenharia Biomédica (Vol. 8).
Ganesan, K., Acharya, U. R., Chua, C. K., Min, L. C., Abraham, K. T., & Ng, K. H. (2012). Computer-aided breast cancer detection using mammograms: a review. IEEE Reviews in biomedical engineering, 6, 77-98.
Giess, C. S., Frost, E. P., & Birdwell, R. L. (2012, August). Difficulties and errors in diagnosis of breast neoplasms. In Seminars in Ultrasound, CT and MRI (Vol. 33, No. 4, pp. 288-299). WB Saunders.
Giger, M. L. (2000). Computer-aided diagnosis of breast lesions in medical images. Computing in Science & Engineering, 2(5), 39-45.
International Agency for Research on Cancer. (2020). Global cancer observatory: cancer today. 2020.
Gonçalves, C. B. (2017). Detecção de câncer de mama utilizando imagens termográficas.
Gonzalez, R. C., Woods, R. E., & Eddins, S. L. (2010). Morphological reconstruction. Digital image processing using MATLAB, MathWorks.
Guimaraes, M. D., Bitencourt, A. G., Marchiori, E., Chojniak, R., Gross, J. L., & Kundra, V. (2014). Imaging acute complications in cancer patients: what should be evaluated in the emergency setting?. Cancer Imaging, 14(1), 1-12.
Haralick, R. M., Shanmugam, K., & Dinstein, I. H. (1973). Textural features for image classification. IEEE Transactions on systems, man, and cybernetics, (6), 610-621.
Heath, M. D., & Bowyer, K. W. (2000, June). Mass detection by relative image intensity. In Proceedings of the 5th International Workshop on Digital Mammography (IWDM-2000) (pp. 219-225).
Huynh, B. Q., Li, H., & Giger, M. L. (2016). Digital mammographic tumor classification using transfer learning from deep convolutional neural networks. Journal of Medical Imaging, 3(3), 034501.
INCA National Cancer Institute. Controle do Cancer de Mama, (2019) [Online]. Available: https://www.inca.gov.br/controle-do-cancer-de-mama/dados-e-numeros/incidencia. [Accessed: 12/09/2021].
Justo, N., Wilking, N., Jönsson, B., Luciani, S., & Cazap, E. (2013). A review of breast cancer care and outcomes in Latin America. The oncologist, 18(3), 248-256.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436-444.
Moore, K. L., Dalley, A. F., & ARTHUER, F. (2018). AgurAMR. Anatomia orientada para a clínica. Guanabara 2014.
Neto, O. P. S., Silva, A. C., Paiva, A. C., & Gattass, M. (2017). Automatic mass detection in mammography images using particle swarm optimization and functional diversity indexes. Multimedia Tools and Applications, 76(18), 19263-19289.
Otsu, N. (1979). A threshold selection method from gray-level histograms. IEEE transactions on systems, man, and cybernetics, 9(1), 62-66.
Pacífico, L. (2020, October). Agrupamento de imagens baseado em uma abordagem híbrida entre a otimização por busca em grupo e k-means para a segmentação automática de doenças em plantas. In Anais do XVII Encontro Nacional de Inteligência Artificial e Computacional (pp. 152-163). SBC.
Pavan, A. L. M., Vacavant, A., Trindade, A. P., & de Pina, D. R. (2017). Fibroglandular tissue quantification in mammography by optimized fuzzy C-means with variable compactness. Irbm, 38(4), 228-233.
Prado, N., Loiola, P., Guimarães, T., Ohara, E. C. C., & Oliveira, L. D. R. (2020). Gestante com diagnóstico de câncer de mama: prevenção, diagnóstico e assistência. Brazilian Journal of Health Review, 3(1), 1109-1131.
Reese, H. (2017). Understanding the differences between AI, machine learning, and deep learning. URL: https://www. techrepublic. com/article/understandingthedifferencesbetweenaimachine learninganddeeplearning.
Sala, D. C. P. (2021). Rastreamento mamográfico no Brasil: determinantes à implementação no Sistema Único de Saúde e contribuições da Atenção Primária à Saúde (Doctoral dissertation, Universidade de São Paulo).
Santos, T. A., & Gonzaga, M. F. N. (2018). Fisiopatologia do câncer de mama e os fatores relacionados. Revista Saúde em Foco, 10, 359-366.
Schaeffer, S. E. (2007). Graph clustering. Computer science review, 1(1), 27-64.
Tilman, D. (2001). Functional diversity. Encyclopedia of biodiversity, 3(1), 109-120.
Tortora, G. J., & Derrickson, B. (2016). Corpo Humano-: Fundamentos de Anatomia e Fisiologia. Artmed Editora.
Van Den Bergh, F. (2007). An analysis of particle swarm optimizers (Doctoral dissertation, University of Pretoria).
Vapnik, V. N. (1999). An overview of statistical learning theory. IEEE transactions on neural networks, 10(5), 988-999.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 Elmo de Jesus Nery Júnior; Otílio Paulo da Silva Neto; Francisco Adelton Alves Ribeiro; Francisco das Chagas Alves Lima; Larysse Maira Cardoso Campos Verdes; Danylo Rafhael Costa Silva; Maria da Conceição Barros Oliveira; Pedro Henrique Bandeira Diniz; Anselmo Cardoso de Paiva; Aristófanes Corrêa Silva
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
