Classificação de lesões mamárias das categorias 4 e 5 do padrão BI-RADS® utilizando redes neurais
DOI:
https://doi.org/10.33448/rsd-v11i9.31305Palavras-chave:
Câncer de mama; Classificação BI-RADS®; Processamento de imagem; Redes neurais.Resumo
O câncer de mama é a doença com mais incidência entre as mulheres em todo mundo, estimativa para Brasil no biênio de 2020-2021 cerca de 66.280 novos casos de câncer de mama que corresponde a uma taxa 29,7% dos casos na população feminina e cerca de 15.000 mortes pela doença. A mamografia é um dos exames mais utilizado para detecção precoce desde tipo de neoplasia. No entanto, erros acontecem na leitura e interpretação dos laudos, mesmo um profissional bem treinado apresenta uma taxa de acertos entre 65% a 75% com uma quantidade de falso negativo variando entre 15% a 30% e um falso positivo de 7% a 10%, resultando em quantidade desnecessária de biópsia, de 65% a 90% das biópsias de tecido com suspeita de câncer apresentam-se benigna, causando repercussão emocional e física para as pacientes. Sistemas computacionais podem ser desenvolvidos para auxiliar no diagnóstico médico. Este artigo aplicou as técnicas de redes neurais para desenvolver uma ferramenta computacional capaz de classificar lesões das categorias 4 e 5 do padrão BI-RADS®. Os resultados adquiridos pelo software, observaram que o melhor classificador no que diz respeito à taxa de acerto acurácia, foi o Deep Learning, atingindo um percentual de 82,60%, o Support Vectors Machine - SVM teve um percentual de 73,97%. Isto demostra que as técnicas de redes neurais utilizadas no projeto do software mostram uma eficácia na tarefa de classificação das lesões.
Referências
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.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 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
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
