Engenheiro

CLASSIFICAÇÃO DE IMAGENS MAMOGRÁFICAS
PARA O DIAGNÓSTICO DE CÂNCER
Renato Seixas Esteves, Marcelo Zanchetta do Nascimento, Ana Carolina Lorena
Universidade Federal do ABC Santo André - SP e-mail: [e-mail]; [e-mail].

1. Introdução
Sistemas de diagnóstico de doenças auxiliados por computador (CAD
Computer-Aided Diagnosis) geralmente envolvem um passo de classificação, que determina, por exemplo, a presença ou ausência da doença de interesse.
Neste trabalho foram utilizadas três técnicas de
Aprendizado de Máquina (AM) na tarefa de diagnóstico de câncer a partir de imagens mamográficas, no intuito de avaliar os classificadores para o uso em um sistema
CAD para o diagnóstico de câncer de mama. As técnicas empregadas foram as Redes Neurais Artificiais
(RNAs) [1], as Máquinas de Vetores de Suporte
(Support Vector Machines - SVMs) [2] e as Random
Forests (RFs) [3].

3. Resultados
Tabela I

Resultados obtidos pelos classificadores
(esp. = especificidade).

SVM (SMO)
Conj.
de dados D1
D2
D3
D4
Todos

RNA
(Multilayer
Perception)

Random
Forest (RF)

Acerto

Esp. Acerto Esp. Acerto Esp.

60,00%
80,00%
60,00%
70,00%
77,50%

0,53
0,80
0,46
0,66
0,75

56,66%
76,66%
60,00%
66,66%
70,00%

0,66
0,80
0,66
0,60
0,70

73,33%
76,66%
63,33%
76,66%
75,00%

0,80
0,80
0,66
0,73
0,76

2. Metodologia e materiais
Nesse projeto, foram selecionadas 120 Regiões de
Interesse (ROIs
Regions of Interest) das imagens mamográficas extraídas do banco de dados Database for Screening Mammography (DDSM). Essas ROIs foram divididas em 60 regiões contendo nódulo e 60 regiões normais (sem doença), sendo que dessas
,
há 15 imagens para cada tipo de densidade de acordo com o padrão BI-RADS (Breast Image Reporting and
Data System). As imagens foram divididas em 5 grupos, sendo um grupo composto por todos os casos e os demais divididos pela classificação da densidades
BI-RADS