Академический Документы
Профессиональный Документы
Культура Документы
discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/239611582
Article
CITATIONS READS
0 40
4 authors, including:
SEE PROFILE
All content following this page was uploaded by Roseli A. F. Romero on 18 September 2014.
A mamografia é considerada o exame de maior Nas últimas duas décadas diversos trabalhos
sensibilidade para o rastreamento do câncer de mama utilizando técnicas de Processamento de Imagens,
devido a sua sensibilidade. Porém, a interpretação de Reconhecimento de Padrões, Visão Computacional e
lesões numa mamografia uma tarefa complexa para os Inteligência Artificial vêm sendo desenvolvidos, como
especialistas, de cuja experiência depende um diagnóstico parte de esquemas Computer Aided Diagnosis (CAD), os
preciso [3]. quais podem funcionar como uma segunda opinião aos
radiologistas quanto à localização e à natureza destas
Distorções na interpretação e classificação de lesões estruturas [6,7].
suspeitas por especialistas implicam um número maior de
biópsias desnecessárias [4]. Ou seja, entre 65% a 85% Este trabalho tem como objetivo mostrar dois
das biópsias de mama são realizadas em lesões benignas experimentos que utilizam técnicas de processamento de
[5]. imagens aplicadas a imagens mamograficas, utilizando
os descritores de Haralick para analisar as variações de
As principais lesões identificadas na mamografia textura, ou seja, a textura contida em uma imagem de um
são: as microcalcificações, um dos primeiros indícios de nódulo espiculado é visualmente diferente de uma
formação de tumores com grau elevado de suspeita de imagem com contorno circular ou circunscrito. Com base
malignidade, e os nódulos, que são responsáveis por nessas informações, nosso estudo focou a utilização de
grande parte dos casos de câncer de mama e devem ser 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.
e) Espiculada
Figura 5: Exemplo de RIs utilizadas para os testes,
representando cada uma das 5 classes de contorno.
2.1. Atributos de Textura
Figura 4:- Exemplo de RIs de mama normais. O atributo de textura pode ser representado de forma
estatística utilizando-se da matriz co-ocorrência de níveis
2º. Conjunto de RIs: 135 RIs de tamanhos variados de cinza Spatial Grey-Level Dependence (SGLD) que
foram identificadas por um especialista. Todas as calcula a ocorrência combinada de direção e distância
imagens selecionadas foram laudadas com base nas entre pares de pixel com valores de tonalidade
caracterizações dos cinco tipos de contornos de semelhantes, separados por uma distância "d", na
orientação "θ". Em outras palavras, p(i,j) indica a O objetivo da RNA é calcular o erro para a camada de
freqüência de ocorrência de um par de níveis de cinza i e saída e propagá-lo no sentido saída-entrada, ajustando os
j, medido a partir de uma distância "d" e de um ângulo pesos de todas as camadas através da retropropagação do
que pode ser de 0º, 45º,90º e 135º graus [9], Figura 6. erro [8]. O treinamento possui duas fases: a forward,
utilizada para definir a saída da rede para um dado
(0,0) (0,1) (0,2) (0,3)
padrão de entrada, e a backward, que utiliza a saída
(1,0) (1,1) (1,2) (1,3) desejada e a saída fornecida pela rede para atualizar os
( 2,0) ( 2,1) (2,2) ( 2,3) pesos de suas conexões [8]. A rede MLP só será
(3,0) (3,1) (3,2) (3,3) considerada treinada quando o erro entre as saídas
obtidas e as saídas desejadas estiver reduzido a um valor
a) b) aceitável, ou seja, um valor baixo que irá depender da
aplicação para a qual a rede está sendo treinada.
0 1 0 1 0 1 1 1
1 0 2 0 1 0 0 1 Para facilitar os testes que foram realizados com as
regiões de interesse e melhorar a visualização dos dados,
0 2 2 0 1 0 0 2
foi desenvolvida uma interface gráfica para o treinamento
1 0 0 2 1 1 3 0 da Rede Neural MLP, Figura 8, facilitando a visualização
c) d) dos resultados das classes que estão sendo estudadas.