Classificação por análise de contornos de nódulos mamários utilizando redes neurais artificiais
Este trabalho apresenta a proposta de uma metodologia para classificação de nódulos mamários por contorno. O contorno do nódulo apresenta difícil interpretação pelos especialistas, devido à dificuldade de vizibilização e o baixo contraste das imagens mamográficas. As imagens utilizadas foram obtidas...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2006 |
| País: | Brasil |
| Institución: | Universidade de São Paulo (USP) |
| Repositorio: | Biblioteca Digital de Teses e Dissertações da USP |
| Idioma: | portugués |
| OAI Identifier: | oai:teses.usp.br:tde-27112006-083144 |
| Acceso en línea: | http://www.teses.usp.br/teses/disponiveis/18/18133/tde-27112006-083144/ |
| Access Level: | acceso abierto |
| Palabra clave: | breast cancer câncer de mama classificação classification mammography mamografia neural networks redes neurais textura texture |
| Sumario: | Este trabalho apresenta a proposta de uma metodologia para classificação de nódulos mamários por contorno. O contorno do nódulo apresenta difícil interpretação pelos especialistas, devido à dificuldade de vizibilização e o baixo contraste das imagens mamográficas. As imagens utilizadas foram obtidas do banco de imagens mamograficas do LAPIMO, no total foram utilizadas 135 imagens contendo laudos por contorno. Através das imagens mamográficas digitalizadas são recortadas região de interesse (RI) de onde serão extraídos descritores de textura, intensidade e geométricos com o objetivo de caracterizar os padrões de contorno de nódulos. Após a extração desses descritores foram utilizados dois métodos de seleção de atributos, um utilizando rede neural self-organizing map (SOM) e Gaussianas e outro utilizando matriz de covariância. Os atributos extraídos serviram de entrada para duas redes neurais a multi-layer perceptron (MLP) e SOM, através do qual, foram realizados diversos treinamentos utilizando diferentes entradas, várias topologias e diferentes saídas, devido às várias combinações de classes. Dentre todos os treinamentos realizados, o treinamento escolhido para compor o classificador final foi o conjunto formado pelas 5 classes, obtido pela rede neural MLP com topologia de 20 neurônios de entrada, 40 neurônios na primeira camada intermediária, 20 neurônios na segunda cama intermediária e 5 neurônios na camada de saída, com taxa de aprendizagem igual a 0,9 e erro menor que 0,01, as 20 entradas foram selecionadas através da rede SOM e Gaussianas. O acerto obtido utilizando 135 RIs e pesos fixos foi de 89% de acerto total, Az igual a 0,98, falso negativo igual a 5% e falso positivo igual a 7%. O classificador apresentado nesse trabalho será acrescentado ao classificador já existente no esquema CAD em mamografia. |
|---|