Avaliação da Caracterização de Lesões em Mamografia com Recurso a Sistemas CAD

  • Ana C. Perre Centro Hospitalar do Oeste, Escola Superior de Saúde Dr. Lopes Dias – Instituto Politécnico de Castelo Branco, Faculdade Ciências Saúde – Universidade da Beira Interior
  • Luís C. Freire Escola Superior de Tecnologia da Saúde de Lisboa – Instituto Politécnico de Lisboa, Portugal
Palavras-chave: Mamografia, Cancro de mama, Diagnóstico Assistido por Computador (CAD), Dimensão Fractal, Redes Neuronais de Convolução (CNN), Transfer Learning, Deep Learning, Support Vector Machine (SVM)

Resumo

Os sistemas CAD auxiliam a deteção e diferenciação de lesões benignas e malignas, aumentando a performance no diagnóstico do cancro da mama. Uma vez que as lesões da mama estão fortemente correlacionadas com a forma e contorno, neste estudo, foram aplicados dois métodos diferentes para classificação de lesões em imagens de mamografia. O primeiro consiste em medidas quantitativas baseadas na dimensão fractal, calculadas através da aplicação do método “box-counting”, diretamente em imagens de lesões segmentadas antes e após a aplicação de um algoritmo de dilatação/erosão. O segundo método baseou-se na aplicação de Redes Neuronais de Convolução (CNN), as quais têm demonstrado um elevado grau de sucesso, na deteção e classificação de patologias em diferentes modalidades de imagem médica, incluindo a mamografia. De forma a ultrapassar a limitação do reduzido número de amostras disponíveis nas bases de dados de mamografia, foi aplicado o método de “transfer learning”, no qual três modelos CNN pré-treinados num grande conjunto de dados foram ajustados de forma a permitir a classificação de lesões em imagens de mamografia antes e após a aplicação de um processo de normalização. Também foi avaliada a performance de uma SVM com a utilização de características extraídas das CNN isoladamente ou combinadas com “handcrafted features”. Os resultados obtidos são encorajadores e demonstram que tanto o uso da medida de dimensão fractal como das CNN pode ajudar a melhorar o diagnóstico automático de lesões em mamografia, o que se traduziu em valores de AUC até 81,3%.

Publicado
2021-07-19
Secção
Artigos Científicos