Sistemas inteligentes baseados em deep-wavelet e redes neurais convolucionais para apoio ao diagnóstico de câncer de mama usando imagens termográficas

Abstract

O câncer de mama é o tipo de câncer mais frequente e mortal entre as mulheres. Contudo, quanto mais cedo o câncer for diagnosticado melhores são as chances de recupe- ração da paciente. Atualmente, o exame mais bem aceito para a detecção do câncer de mama em pacientes assintomáticas é a mamografia. Porém, a mamografia é um exame que possui uma alta taxa de falso positivo. Além de ser um exame desconfortável, e que expõe a paciente a radiações ionizantes. Neste contexto, uma técnica emergente é a termografia de mama, a qual foi aprovada em 1982 pelo Food and Drugs Administration (FDA) como técnica auxiliar à mamografia. A termografia é uma técnica de menor custo comparada à mamografia, livre de radiações ionizantes e que não causa nenhum desconforto à paciente. Essa técnica é capaz de gerar uma imagem que apresenta medidas da distribuição de temperatura superficial da mama. É possível detectar lesões cancerígenas em imagens de termografia ao identificar perturbações no padrão de temperatura da mama, pois o crescimento cancerígeno está associado a eventos de maior produção de calor da região afetada, à neoangiogênese (produção de novos vasos sanguíneos) e ao aumento do fluxo sanguíneo. Por outro lado, a análise das imagens de termografia não é uma tarefa fácil. Sendo assim, o uso de técnicas da inteligência artificial para a análise das imagens pode desempenhar um papel relevante para a ampla utilização da termografia na detecção do câncer de mama. Este trabalho propõe o desenvolvimento de uma ferramenta baseada em técnicas da inteligência artificial para a detecção e classificação de lesões mamárias em imagens de termografia de mama. Além disso, neste trabalho é apresentada a formaliza- ção matemática de uma técnica da aprendizagem profunda para extração de atributos de imagens baseado na decomposição wavelet, chamada de Deep-Wavelet Neural Network (DWNN). Este método foi aplicado ao problema de classificação de imagens de termografia e seus resultados foram comparados com os resultados de seis redes neurais convolucio- nais do estado da arte. Os experimentos foram divididos de acordo com duas abordagens. Na primeira abordagem o objetivo foi detectar lesões mamárias entre imagens com e sem lesão. Na segunda abordagem o objetivo foi de classificar lesões entre as imagens de pacientes com cisto, lesão benigna e lesão maligna. Os melhores resultados foram obtidos ao utilizar a DWNN com seis camadas, tendo seus atributos selecionados pela Random Forest e classificados com a Máquina de Vetor de Suporte com kernel polinomial linear. Para a primeira abordagem a ferramenta atingiu: 99% de acurácia e 0,98 para o índice kappa. Enquanto que para a segunda abordagem o método conseguiu 97,3% de acurácia e 0,96 para o índice kappa.