See

discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/239611582

ANÁLISE DA VARIAÇÃO DE TEXTURA EM

IMAGENS MAMOGRÁFICAS PARA
CLASSIFICAÇÃO DE MASSAS SUSPEITAS

Article

CITATIONS READS

0 40

4 authors, including:

P. B. Ribeiro Roseli A. F. Romero

16 PUBLICATIONS 30 CITATIONS University of São Paulo
150 PUBLICATIONS 824 CITATIONS
SEE PROFILE

SEE PROFILE

All content following this page was uploaded by Roseli A. F. Romero on 18 September 2014.

The user has requested enhancement of the downloaded file.

 ANÁLISE DA VARIAÇÃO DE TEXTURA EM IMAGENS
MAMOGRÁFICAS PARA CLASSIFICAÇÃO DE MASSAS SUSPEITAS

P. B. Ribeiro1, H. Schiabel1, A.C. Patrocinio2 e R. A. F. Romero3

1
USP/Departamento de Engenharia Elétrica, São Carlos, Brasil
2
UNIFESP/Departamento de Diagnóstico de Imagem, São Paulo, Brasil
3
USP/Departamento de Ciências Matemáticas e Computação, São Carlos, Brasil
bellin@sel.eesc.usp.br

Abstract analisados de acordo com o tamanho, contorno, limites e

densidade, Figura 1[1].
In this paper, a method for the classification of
mammary mass is proposed aiming to help the specialists
as a second opinion. For this, initially the texture, very
important for analyze of the mass, intensity and
geometric descriptors have been extracted from Regions
of Interest. Next, some methods of selection of attributes Figura 1: Formato típico dos Nódulos mamários.
have been considered. They are Self-Organizing Map
(SOM), Gaussian funcitons. Finally, the selected Segundo Kopans [1] a margem entre uma lesão e o
attributes have been used for training of neural tecido circunvizinho, Figura 2, é um dos fatores mais
networks: Multi-Layer Perceptron (MLP) for classifying importantes na determinação da benignidade ou
2 and 5 different kinds of breast masse. malignidade de uma massa. As bordas da massa, segundo
a American College of Radiology, podem ser divididas
em cinco contornos: circunscrita, obscurecida,
1. Introdução
microlobulada, mal definida e espiculada.
O câncer de mama é o que mais mata mulheres.
Como suas causas ainda não são bem conhecidas, a
prevenção, através dos exames de rastreamento das
mamas, como mamografia, ultra-sonografia, exame
clínico e o auto-exame, é a única maneira de reduzir a
mortalidade de mulheres com câncer de mama, pois a
detecção precoce aumenta as chances de cura
substancialmente [1,2]. Figura 2: Tipos de formato da borda da massa

A mamografia é considerada o exame de maior
sensibilidade para o rastreamento do câncer de mama
devido a sua sensibilidade. Porém, a interpretação de
lesões numa mamografia uma tarefa complexa para os
especialistas, de cuja experiência depende um diagnóstico
preciso [3].
Distorções na interpretação e classificação de lesões
suspeitas por especialistas implicam um número maior de
biópsias desnecessárias [4]. Ou seja, entre 65% a 85%
das biópsias de mama são realizadas em lesões benignas
[5].
As principais lesões identificadas na mamografia
são: as microcalcificações, um dos primeiros indícios de
formação de tumores com grau elevado de suspeita de
malignidade, e os nódulos, que são responsáveis por
grande parte dos casos de câncer de mama e devem ser
Nas últimas duas décadas diversos trabalhos
utilizando técnicas de Processamento de Imagens,
Reconhecimento de Padrões, Visão Computacional e
Inteligência Artificial vêm sendo desenvolvidos, como
parte de esquemas Computer Aided Diagnosis (CAD), os
quais podem funcionar como uma segunda opinião aos
radiologistas quanto à localização e à natureza destas
estruturas [6,7].
Este trabalho tem como objetivo mostrar dois
experimentos que utilizam técnicas de processamento de
imagens aplicadas a imagens mamograficas, utilizando
os descritores de Haralick para analisar as variações de
textura, ou seja, a textura contida em uma imagem de um
nódulo espiculado é visualmente diferente de uma
imagem com contorno circular ou circunscrito. Com base
nessas informações, nosso estudo focou a utilização de
atributos de textura sem e com associação com outros
descritores a fim de classificar imagens de nódulos nódulos, segundo a padronização BI-RADS [1],
mamários em imagens com ou sem nódulos e em cinco conforme Tabela 1. Das 135 RIs, foram selecionadas
categorias de contorno de nódulos. 110 para o treinamento da rede MLP e esse conjunto
é formado por 22 imagens correspondentes a cada
2. Metodologia uma das cinco classes estudadas: circunscrita (classe
O presente trabalho trata da classificação de imagens 1), obscurecida (classe 2), microlobulada (classe 3),
mamográficas e foi desenvolvido em várias etapas. mal definida (classe 4) e espiculada (classe 5).
Foram utilizadas diversas técnicas de extração de Exemplos dessas classes podem ser visualizados
atributos, tais como: descritores de textura de Haralick através da Figura 5.
[9], descritores de intensidade [10] e geométricos [11]. Tabela 1: Levantamento de imagens laudadas por
Como classificador, utilizou-se a Rede Neural Multi- contorno.
Layer Perceptron (MLP). Também foram aplicadas Contornos Qtd. Nomes dos contornos
Redes Neurais Self-Organizing Map (SOM) e Gaussianas descritos nos laudos
para selecionar os atributos mais significativos. Circunscrito 31 Bem Definido
2.1. Base de Imagens Obscurecido 25 Parcialmente Definido
Microlobular 29 Bocelado
As mamografias utilizadas nos experimentos foram Mal Definido 22 Mal Definido
obtidas através do banco de imagens mamográficas do Espicular 28 Espiculado
LAPIMO (Laboratório de Análise e Processamento de
Total 135 Imagens
Imagens Médicas e Odontológicas), disponíveis também
em http://lapimo.sel.eesc.usp.br/bancoweb. As imagens
mamográficas foram digitalizadas em um scanner a laser
Lumiscan 50, com 12 bits de resolução de contraste e
com uma resolução espacial de 0,15 mm por pixel.
Para a realização deste trabalho, foram utilizados dois
conjuntos de regiões de interesse (RIs):
1º. Conjunto de RIs: 120 RIs de tamanhos variados, a) Circunscrita b) Obscurecida
selecionadas de acordo com laudos médicos
fornecidos junto com as mamografias, sendo 60
contendo nódulos e 60 normais. As Figuras 3 e 4
mostram exemplos das imagens com nódulos e sem
nódulos respectivamente.

c) Microlobulada d) Mal Definida

Figura 3: Exemplo de RIs com nódulos.

Figura 4:- Exemplo de RIs de mama normais.
2º. Conjunto de RIs: 135 RIs de tamanhos variados
foram identificadas por um especialista. Todas as
imagens selecionadas foram laudadas com base nas
caracterizações dos cinco tipos de contornos de
e) Espiculada
Figura 5: Exemplo de RIs utilizadas para os testes,
representando cada uma das 5 classes de contorno.
2.1. Atributos de Textura
O atributo de textura pode ser representado de forma
estatística utilizando-se da matriz co-ocorrência de níveis
de cinza Spatial Grey-Level Dependence (SGLD) que
calcula a ocorrência combinada de direção e distância
entre pares de pixel com valores de tonalidade
semelhantes, separados por uma distância "d", na
orientação "θ". Em outras palavras, p(i,j) indica a
freqüência de ocorrência de um par de níveis de cinza i e
j, medido a partir de uma distância "d" e de um ângulo
que pode ser de 0º, 45º,90º e 135º graus [9], Figura 6.
(0,0) (0,1) (0,2) (0,3)
(1,0) (1,1) (1,2) (1,3)
( 2,0) ( 2,1) (2,2) ( 2,3)
(3,0) (3,1) (3,2) (3,3)
a) b)
0 1 0 1 0 1 1 1
1 0 2 0 1 0 0 1
0 2 2 0 1 0 0 2
1 0 0 2 1 1 3 0
c) d)
Figura 6: Cálculo de matrizes de co-ocorrência. a)
Imagem de 3x3 pixel com 4 valores de níveis de cinza
(0,1,2,3); b) Montagem da matriz de co-ocorrência, onde,
(i,j) indica o número de pixel da imagem com i números
de cinza e valor j para a direção e distância.; c) Matriz de
co-ocorrência com direção igual a 0; d) Matriz de co-
ocorrência com direção igual a 90.
Com base nos cálculos realizados sobre os valores
da SGLD, formou-se um conjunto de 14 medidas sendo
elas: Energia ou Uniformidade, Contraste, Correlação,
Variância, Momento da diferença inversa, Média da
Soma, Variância da Soma, Entropia da Soma, Entropia,
Variância da Diferença, Entropia da Diferença, Medida
de Informação de correlação 1, Medida de Informação de
correlação 2 e Máximo Coeficiente de Correlação [9].
2.2. Rede Neural Artificial
Para a classificação, foi utilizada a Rede Neural
Artificial (RNA) Multi-Layer Perceptron (MLP), Figura
7, com tipo de aprendizagem supervisionado.
Figura 7: Multi-Layer Perceptron (MLP).
O objetivo da RNA é calcular o erro para a camada de
saída e propagá-lo no sentido saída-entrada, ajustando os
pesos de todas as camadas através da retropropagação do
erro [8]. O treinamento possui duas fases: a forward,
utilizada para definir a saída da rede para um dado
padrão de entrada, e a backward, que utiliza a saída
desejada e a saída fornecida pela rede para atualizar os
pesos de suas conexões [8]. A rede MLP só será
considerada treinada quando o erro entre as saídas
obtidas e as saídas desejadas estiver reduzido a um valor
aceitável, ou seja, um valor baixo que irá depender da
aplicação para a qual a rede está sendo treinada.
Para facilitar os testes que foram realizados com as
regiões de interesse e melhorar a visualização dos dados,
foi desenvolvida uma interface gráfica para o treinamento
da Rede Neural MLP, Figura 8, facilitando a visualização
dos resultados das classes que estão sendo estudadas.
Figura 8: Rede MLP implementada para treinamento,
validação e teste.
2.2.1. Treinamento
- Experimento 1: Classificação de RIs em Imagens
com nódulo ou sem nódulos (normais)
Seis atributos de textura foram selecionados, servindo
de entrada para a rede MLP. Dentre todos os testes
realizados, a melhor topologia encontrada utiliza uma
camada intermediária com 32 neurônios e 1 neurônio na
camada de saída, taxa de aprendizagem η = 0,5. Os
resultados obtidos pelo algoritmo de classificação foram
validados pela ferramenta estatística cross validation [8].
- Experimento 2: Classificação de nódulos mamários
por Contorno
Os treinamentos foram validados pela técnica leave-
one-out [8]. Estes atributos foram utilizados como
entrada para as Redes Neurais MLP com diversas
topologias, porém apenas as melhores, para cada
combinação de classes, foram selecionadas, Tabela 2.
Tabela 2: Topologias utilizadas pela Rede Neural MLP - Rede do tipo Self-Organizing Map (SOM): como
utilizando como entrada 20 atributos selecionados. essa RNA tem a propriedade de se auto-organizar e de
extrair as características comuns dos padrões de entradas,
ou seja, agrupar os padrões com características
semelhantes, ela foi utilizada para verificar os atributos
que melhor realizavam a separação das classes [8].
3. Resultados
Dois experimentos são apresentados: o primeiro tem
2.3. Seleção de Atributos como objetivo mostrar o potencial dos atributos de
Dois métodos foram utilizados nos testes para a Haralick [9] na análise da variação da textura das
seleção dos melhores atributos: imagens digitais e o segundo verifica como os descritores
de textura se comportam dependendo da complexidade da
- Distribuições Gaussianas: neste método, quanto classificação – sozinhos e em conjunto com outros tipos
menor a sobreposição das curvas, melhor o atributo de descritores como intensidade [10] e geométricos [11];
poderá representar cada padrão, conforme pode ser
visualizado na Figura 9, onde a base da curva cinza, que 3.1. Experimento 1: Classificação de RIs em Imagens
representa os nódulos normais, não sobrepõe a curva com nódulo ou sem nódulos (normais)
preta que indica a existência de nódulo. Quanto maior Um classificador Multi-Layer Percetron (MLP), foi
essa sobreposição, pior será a representação, conforme utilizado para classificar 120 regiões de interesse (RIs)
visualizado na Figura 10, onde as bases das curvas se (1º. Conjunto de RIs) em imagens com nódulos e
sobrepõem. normais.
Neste experimento todos os atributos de textura de
Haralick foram extraídos das RIs e através da utilização
de Gaussianas foram selecionados 6 atributos para o
treinamento. Os resultados da MLP, após vários
treinamentos apresentaram taxa de acerto igual a
91,50% de acerto na fase de validação e desvio padrão de
4,41, conforme Tabela 3.
Tabela 3: Resultados da MLP, tendo como entrada 6
atributos de textura selecionados pelas Gaussianas.
% de acertos por classe %
Ciclos Com Nódulo Sem Nódulo Acertos
798 100,00 83,33 91,67
836 93,33 96,67 95,00
942 83,33 100,00 91,67
959 93,33 76,67 85,00
814 86,67 100,00 93,33
Figura 9: Sem a sobreposição das curvas. 1008 90,00 80,00 85,00
777 100,00 73,33 86,67
836 93,33 96,67 95,00
883 90,00 100,00 95,00
795 100,00 93,33 96,67
Média 91,50
Desvio Padrão 4,41

3.2. Experimento 2: Classificação de nódulos

mamários por Contorno
Com base nas 110 RIs (2º. Conjunto de RIs), foram
extraídos atributos de textura, intensidade e geométricos,
Figura 10: Com sobreposição completa num total de 49 características, sendo eles:
- Todos os Descritores de textura [9].
- Descritores de Intensidade: Média de intensidade do
histograma, Valor de intensidade do maior valor do
histograma, Menor intensidade do histograma, Maior
intensidade do histograma, Porcentagem do maior valor
de intensidade do histograma em relação à escala de
4096 níveis, Porcentagem Maior, Ponto Médio, Ponto
Mínimo, Porcentagem Total, Diferença da média para o
menor valor de intensidade, Diferença da média para o
maior valor de intensidade, Variação de intensidade
global, Índice de variação de intensidade local (DI -
Densidade Integrada - que integra as diferenças das
variações locais de intensidades e a variação média,
dando uma medida que quantifica contraste entre as
partes mais claras da imagem e o restante), Quantidade
de pixels com intensidades maiores que a intensidade do
pico do histograma, Porcentagem da área da RI com
intensidade maior que a intensidade do pico do
histograma e Quantidade de níveis de cinza da RI [10].
- Descritores Geométricos: Momentos, Momentos
Invariantes (MI) de Hu, perímetro, área, compacidade e
irregularidade [11].
As seleções foram realizadas tendo como base as
cinco classes de nódulos por contorno. Foi utilizada a
Rede Neural SOM em conjunto com Gaussianas para a
seleção das melhores características. Para isso foram
geradas 49 Gaussianas e 49 SOMs, referente aos 49
atributos extraídos. Com base nos resultados da Rede
SOM e da validação positiva através de distribuições
gaussianas, foram verificadas novas possíveis
combinações de classes [12].
A Rede Neural SOM possui a seguinte topologia: na
fase de ordenação: 1000 iterações, com uma taxa de
aprendizado η = 0,1 e raio de vizinhança r = 5; e na fase
de convergência também foram utilizadas 1000 iterações,
porém, com uma taxa de aprendizado η = 0,01 e raio de
vizinhança r = 1 em um mapa de 100 por 100 neurônios.
Após as comparações, foram selecionados 20
atributos, sendo eles:
- Atributos de textura: Contraste, Entropia da
Diferença, Entropia da Soma, Momentos da Diferença
Inversa, Média da Soma e Variância;
- Atributos de Intensidade: quantidade de níveis de
cinza da RI, índice de variação de intensidade local (DI -
Densidade Integrada), diferença da média para o menor
valor de intensidade, diferença da média para o maior
valor de intensidade e variação de intensidade global da
RI (que consiste na média da variação de intensidade de
todos os pixels da região);
- Descritores Geométricos: Momentos de Hu1,
Momentos de Hu4, Momento20, Compacidade,
Irregularidade, Perímetro da lesão, Área da lesão, Área
(pontos brancos) e Raio de Giração.
Estes atributos foram utilizados como entrada para as
Redes Neurais MLP com diversas topologias. Apenas os
melhores resultados, Tabela 4, com valores altos de Az e
baixo Falso Negativo (FN) foram selecionados.
Tabela 4: Treinamento realizado com 20 atributos
selecionados pela Rede Neural SOM e Gaussianas
4. Conclusão
O uso de descritores de textura para esquemas CAD
vem sendo muito estudado atualmente. Embora fique
difícil o entendimento da utilização de textura para a
classificação de contorno, por exemplo, os descritores de
textura fornecem medidas, como suavidade, rugosidade e
regularidade, as quais, isoladamente, não produzem bons
resultados para a classificação de contorno; mas, junto
com outras técnicas, podem contribuir no que diz respeito
a informações sobre a variação de intensidade ou
alterações sutis entre o objeto e o fundo da imagem.
A tarefa de classificação ocorre em várias áreas da
atividade humana e as pesquisas na área têm sido
bastante direcionadas à construção de procedimentos
automáticos de classificação para esquemas CAD. Além
dos estudos envolvendo a classificação, outras técnicas
vêm sendo estudadas para melhorar a separação de
classes, reconhecimento de padrões e tomada de decisões.
Em ambos os experimentos foi possível identificar um
bom desempenho da Rede Neural Artificial MLP. No
primeiro experimento como estávamos lidando com
imagens que possuíam nódulos ou não, foi mais fácil
obter bons resultados, 91,50% de acerto, apenas com a
utilização da textura da imagem, isso porque, mesmo as
RIs possuindo estruturas densas referentes a estrutura
física da mama as variações de textura entre uma RI com
nódulo é muito maior do que uma RI sem nódulo.
No 2º. Experimento reuniu-se a utilização de atributos
de textura, junto com outras técnicas, como descritores de
intensidade e geométricos para diferenciar padrões de
contorno com diferentes combinações de classes e com
isso foi possível obter bons resultados sendo o mais
 importante referente às cinco classes com Az igual a 0,80 [8]S. HAYKIN, Neural Networks: A Comprehensive
e baixo FN. Foundation. Macmillan Publishing Co:/ IEEE Press,
1994.
Uma dado importante a ser salientado é que para o 1º.
Experimento, antes da seleção dos melhores atributos de [9]R. M. HARALICK, K. SHANMUGAM, I.
textura, o classificador estava registrando 86,67% de DINSTEIN, “Testural Features for Image
acerto; mas, após a seleção das melhores características, Classification“. IEEE Transactions on Systems Man,
aumentou seu nível de precisão em 5,57%. Já no 2º. and Cybernetics, Vol-SMC 3, n.6, 1973.
Experimento a seleção dos melhores atributos apresentou
[10] X. H. WANG, et. al., “Computer-Assisted Diagnosis
bons resultados (valores acima de 80%) em todos os
of Breast Cancer Using a Data-Driven Bayesian
testes realizados. Mostrando, assim, que uma pré-seleção
Belief Network”. International Journal of Medical
melhora os resultados do classificador em todos os
Informatics, v. 54, pp 116-126, 1999.
modelos verificados.
[11] M. K. HU, “Visual Pattern Recognition by
Outro dado importante é que a análise realizada pelo
Moments Invariant“. IRE Trans. Inf. heory, v.8, pp.
especialista continua sendo bastante subjetiva e a
179-187, 1962.
identificação de uma lesão como suspeita ou não e sua
detecção dependem muito da experiência do médico. [12] P. B. RIBEIRO, H. SCHIABEL, A. C.
Essa é mais uma motivação para o uso de ferramentas PATROCINIO, A. F. R. ROMERO. “A Influência da
automáticas para o auxílio ao diagnóstico, que tentam Seleção de Melhores Atributos na Classificação de
fornecer uma análise baseada em dados mais objetivos Contornos de Nódulos de Mama Através de RNA”.
através de valores extraídos da própria imagem. In: XX CBEB – Congresso Brasileiro de Engenharia
Biomédica, São Pedro. 2006.
5. Referências
[1]D. B. Kopans, Imagem da Mama. Rio de Janeiro,
MEDSI, pag. 852, 2000.
[2]G. W. Mitchell Jr., L. W. Basset, Mastologia Prática.
Revinter, 1988.
[3]J. E. BALL, T.W. BUTLER, L. M. BRUCE, “Towards
Automated Segmentation and Classification of
Masses in Digital Mammograms”. Proceedings of the
26th Annual International Conference of the IEEE
EMBS, San Francisco, CA, USA, pp. 1814-1817,
2004.
[4]B. ZHENG, et al, “Detection and Classification
Performance Levels of Mammographic Masses Under
Different Computer-Aided Detection Cueing
Environments”. Academic Radiology, v. 11, ed. 4, pp.
398-406, 2004.
[5]J. E. MEYER, et al., “Biopsy of occult breast lesions:
analysis of 1261 abnormalities”. JAMA, v. 263, pp.
2341-2343, 1990.
[6]M. MAVROFORAKIS, et al., “Significance analysis
of qualitative a mmographic features, using linear
classifiers, neural networks and support vector
machines”. European Journal of Radiology, v. 54, ed.
1, pp. 80-89, 2005.
[7] K. DOI, et al., “Recent Progress in Development of
Computer-Aided Diagnosis (CAD) Schemes In
Radiology”. Medical Image Technology, v. 13, n. 6,
pp. 822-835, 1995.

View publication stats