Diagnóstico precoce de doenças mamárias usando imagens térmicas e aprendizado de máquina

Autores

DOI:

https://doi.org/10.5965/2316419001012012055

Palavras-chave:

termografia, câncer, câncer de mama, auxílio ao diagnóstico

Resumo

O câncer é uma doença que se origina de células mutantes, sem causas bem conhecidas ainda, que se reproduzem descontroladamente, aumentando a perfusão sanguínea e, consequentemente, ocasionando um aumento da temperatura da região tumoral. Essa temperatura é irradiada para a pele e pode ser medida por diversos dispositivos como termômetros e a câmeras térmicas. Na termografia médica (por câmeras infravermelho), após a aquisição da imagem térmica, é feita a análise e identificação de padrões térmicos. Tendo em vista que o corpo humano é um sistema praticamente simétrico em relação ao plano sagital (i.e. ao plano que divide o corpo em parte direita e esquerda), a presença de uma grande alteração no padrão térmico entre as mamas esquerda e direita, é um importante indício de presença de patologias. Este trabalho tem por objetivo verificar a viabilidade do uso de técnicas de reconhecimento de padrões na classificação das imagens disponíveis no projeto ProENG com pacientes saudáveis ou com portadoras de alguma patologia da mama. Para tanto, destas imagens são extraídas características que permitirão a sua classificação através de técnicas de Inteligência Artificial. Utilizou-se características de três grupos distintos: estatísticas simples, baseadas na geometria fractal e características de fundamentação geoestatística. Foram testados três classificadores, SVM, KNN e Naïve Bayes e duas técnicas de redução de características: PCA e Ganho de Informação. Os resultados se mostraram bastante promissores com uma acurácia próxima de 90% e área abaixo da curva ROC próxima de 0,9%.

Downloads

Não há dados estatísticos.

Biografia do Autor

Roger Resmini, Universidade Federal Fluminense

Doutor em Computação pela Universidade Federal Fluminense, UFF, Brasil.

Mestre em Computação pela Universidade Federal Fluminense, UFF, Brasil.

Graduado em Ciência da Computação pela UNIC Rondonópolis Arnaldo Estevão, UNIC, Brasil.

Professor Adjunto da Universidade Federal de Mato Grosso, CUR, ICEN.

Aura Conci, Universidade Federal Fluminense

Doutora em Engenharia Civil pela Pontifícia Universidade Católica do Rio de Janeiro, PUC-Rio, Brasil.

Mestra em Engenharia Civil pela Pontifícia Universidade Católica do Rio de Janeiro, PUC-Rio, Brasil.

Graduada em Engenharia Civil pela Universidade Federal do Espírito Santo, UFES, Brasil.

Professora da Universidade Federal Fluminense, Instituto de Computação.

Tiago Bonini Borchartt, Universidade Federal Fluminense

Doutor em computação pela Universidade Federal Fluminense, UFF, Brasil

Mestre em computação pela Universidade Federal de Santa Maria, UFSM, Brasil.

Pós-Graduado em computação pela Universidade Federal Fluminense, UFF, Brasil.

Graduado em computação pela Universidade Franciscana, UFN, Brasil.

Professor da Universidade Federal do Maranhão, Centro Tecnológico, Departamento de Informática.

Rita de Cássia Fernandes de Lima, Universidade Federal de Pernambuco

Doutora em Tecnologia Nuclear pela Universidade de São Paulo, USP, Brasil.

Mestra em Tecnologias Energéticas Nucleares pela Universidade Federal de Pernambuco, UFPE, Brasil.

Graduada em Bacharel em Física pela Universidade Federal de Pernambuco, UFPE, Brasil.

Professora da Universidade Federal de Pernambuco, UFPE, Brasil.

Anselmo Antunes Montenegro, Universidade Federal Fluminense

Doutor em Informática pela Pontifícia Universidade Católica do Rio de Janeiro, PUC-Rio, Brasil.

Mestre em Informática pela Pontifícia Universidade Católica do Rio de Janeiro, PUC-Rio, Brasil.

Graduado em Informática pela Universidade Federal Fluminense, UFF, Brasil.

Professor da Universidade Federal Fluminense, UFF, Brasil.

Cristina Asvolinsque Pantaleão, Universidade Federal Fluminense

Doutora em Ciências Médicas pela Universidade Federal Fluminense, UFF, Brasil.

Mestra em Medicina (Radiologia) pela Universidade Federal do Rio de Janeiro, UFRJ, Brasil.

Especialista em Radiologia pelo Conselho Federal de Medicina, CFM, Brasil.

Especialista em Radiologia pela Sociedade Brasileira de Radiologia, SBRad, Brasil.

Especialista em Residência Médica pela Universidade Federal Fluminense, UFF, Brasil.

Graduada em Medicina pela Universidade Federal Fluminense, UFF, Brasil.

Professora da Universidade Federal Fluminense, UFF, Brasil.

Referências

ACHARYA, U.R.; NG, E. Y. K.; TAN, J. H. e SREE, S. V. Thermography based breast cancer detection using texture features and support vector machine. Journal of Medical Systems, pp. 01-08, 2010.

ARABI, P. M.; MUTTAN, S. e SUJI, R. J. Image enhancement for detection of early breast carcinoma by external irradiation. International Conference on Computing Communication and Networking Technologies (ICCCNT), pp. 01-09, 2010.

ARORA, N., MARTINS, D., RUGGERIO, D., TOUSIMIS, E., SWISTEL, A., OSBORNE, M. P. Effectiveness of a noninvasive digital infrared thermal imaging system in the detection of breast cancer.The Amerian Journal of Surgery Vol. 196, pp. 523-526, 2008.

BEZERRA, L. Uso de imagens termográficas em tumores mamários para validação de simulação computacional. Dissertação de Mestrado. Departamento de Engenharia Mecânica, Universidade Federal de Pernambuco, 2007.

FLIR SYSTEMS ThermaCAM TM S45: Manual do operador. 2004.

HALL, M.; FRANK, E.; HOLMES, G.; PFAHRINGER, B.; REUTEMANN, P. E WITTEN, I. H. The WEKA Data Mining Software: An Update. SIGKDD Explorations, vol. 11, 2009.

HSU, C. N., HUANG, H. J. e WONG, T. T. (2000) apudYANG, Y. Encyclopedia of Machine Learning. Springer, editores: SAMMUT, C. e WEBB, G. I., p. 288, 2011.

INCA. Câncer de mama. Disponível em: http://www2.inca.gov.br/wps/wcm/connect/tiposdecancer/site/home/mama. Acesso em: 5 jul. 2012.

INCA2. Estimativa. Disponível em: http://www.inca.gov.br/estimativa/2012/inde x.asp?ID=5. Acesso em: 3 maio 2012.

INCA3. Câncer de mama: detecção precoce. Disponível em: http://www2.inca.gov.br/wps/wcm/connect/tiposdecancer/site/home/mama/deteccao_pre coce. Acesso em: 5 jul. 2012.

INFRAREDMED. Diagnóstico por infravermelho: Como é realizado. Disponível em: http://www.infraredmed.org/exame_como.php. Acesso em: 1 dez. 2011.

KEOGH, E. Encyclopedia of Machine Learning.Springer, editors: SAMMUT, C. e WEBB, G. I., p. 714, 2011.

KOAY, J.; HERRY, C. e FRIZE, M. Analysis of Breast Thermography with an Artificial Neural Network. Proceedings of the 26th Annual International Conference of the IEEE (EMBS), San Francisco, CA, USA, pp. 1159-1162, 2004.

KURUGANTI, P. T. e QI, H. Asymmetry analysis in breast cancer detection using thermal infrared images. Proceedings of Second Joint EMBS/BMES Conference, Houston, TX, USA, Vol. 2, No. 1, pp. 1129-1130, 2002.

LEI 11664. Dispõe sobre a efetivação de ações de saúde que assegurem a prevenção, a detecção, o tratamento e o seguimento dos cânceres do colo uterino e de mama, no âmbito do Sistema Único de Saúde – SUS. Disponível em: http://www.planalto.gov.br/ccivil_03/_ato2007-2010/2008/lei/l11664.htm. Acesso: 6 jul. 2012.

MOGHBEL, M. e MASHOHOR, S. A review of computer assisted detection/diagnosis (CAD) in breast thermography for breast cancer detection.Artificial Intelligence Review, Springer Netherlands, pp. 1-9. Disponível em: http://dx.doi.org/10.1007/s10462-011-9274-2. Acesso: 20 nov. 2011.

NG, E. A review of thermography as promising non-invasive detection modality for breast tumor. International Journal of Thermal Sciences, vol. 48, pp. 849-859, 2008.

NG, E. e SUDARSHAN, N. Numerical computation as a tool to aid thermographic. Journal of Medical Engineering and Technology, vol. 25, ed. 2, pp. 53-60, 2001.

OLIVEIRA, M. M. Desenvolvimento de um protocolo e construção de um aparato mecânico para padronizar a aquisição de imagens termográficas da mama. Dissertação de Mestrado, Departamento de Engenharia Mecânica, Universidade Federal de Pernambuco, 2012.

OMS. Organização Mundial de Saúde. Disponível em: http://www.who.int/cancer/publications/worl d_cancer_report2008/en/index.html. Acesso em: 06 jul. 2012.

PARAMANATHAN, P. e UTHAYAKUMAR, R. An algorithm for comuting the fractal dimension of waveforms. Applied Mathematics and Computation vol. 195, ed. 2, pp. 598-603, 2008.

PEREIRA, R. P.; PLASTINO, A.; ZADROZNY, B.; MERSCHMANN, L. H. C. e FREITAS, A. A. Lazy attribute selection: Choosing attributes at classification time.Intelligent Data Analysis Journal, IOS Press, vol. 15, ed. 5, pp. 715- 732, 2011.

PROENG. Processamento e Análise de Imagens Aplicada à Mastologia. Disponível em: http://visual.ic.uff.br/proeng. Acesso em: 10 dez. 2011.

RESMINI, R. Análise de Imagens Térmicas da Mama Usando Descritores de Textura. Dissertação de Mestrado. Instituto de Computação, Universidade Federal Fluminense, 2011.

RUSSEL, S. e NORVIG, P. Inteligência Artificial. Elsevier, tradução da 2ª ed., pp. 630 e 640, 2004.

SCHAEFER, G.; ZAVISEK, M. e NAKASHIMA, T. Thermography based breast cancer analysis using statistical features and fuzzy classification. Pattern Recognition, vol. 42, ed. 6, pp. 1133–1137, 2009.

SHEKAR, S. e XIONG, H., Eds. Encyclopedia of GIS. Springer, 2008. ISBN 978-0-387-35973-1.

SOBRATERM. Sociedade Brasileira de Termologia. Disponível: http://www.termologia.org. Acesso em: 10 dez. 2011.

UMADEVI, V.; RAGHAVAN, S. V. e JAIPURKAR, S. Framework for estimating tumour parameters using thermal imaging. Indian Journal of Medical Research, Vol. 134, pp. 725-731, 2011.

WEBB, G. I. Encyclopedia of Machine Learning. Springer, editors: SAMMUT, C. e WEBB, G. I., p. 713, 2011.

WIECEK, B., STRZELECKI, M., JAKUBOWSKA, T., WYSOCKI, M., PESZYNSKI, C. D. Medical Infrared Imaging. CRC Press, editors: DIAKIDES, N. A., BRONZINO, J. D.,Cap. 12, pp. 12.1- 12.13, 2008.

ZOU, K. H., O’MALLEY, A. J, e MAURI, L.Statistical Primer for Cardiovascular Research: Receiver-Operating Characteristic Analysis for Evaluating Diagnostic Tests and Predictive Models.Circulation, Vol. 115, pp. 654-657, 2007.

Downloads

Publicado

2012-06-13

Como Citar

Resmini, R., Conci, A., Borchartt, T. B., Lima, R. de C. F. de, Montenegro, A. A., & Pantaleão, C. A. (2012). Diagnóstico precoce de doenças mamárias usando imagens térmicas e aprendizado de máquina. Revista Brasileira De Contabilidade E Gestão, 1(1), 55–67. https://doi.org/10.5965/2316419001012012055

Edição

v. 1 n. 1 (2012)

Seção

Artigos

Licença

Copyright (c) 2012 Roger Resmini, Aura Conci, Tiago Bonini Borchartt, Rita de Cássia Fernandes de Lima, Anselmo Antunes Montenegro, Cristina Asvolinsque Pantaleão

Creative Commons License
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
A Revista Brasileira de Contabilidade e Gestão oferece acesso livre e imediato ao seu conteúdo, seguindo o princípio de que disponibilizar gratuitamente o conhecimento científico ao público proporciona uma maior democratização mundial do conhecimento. Os autores mantêm os direitos autorais dos artigos e concedem à revista o direito de primeira publicação, de acordo com os critérios de licenciamento Creative Commons Attribution, que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial. Estas licenças permitem que outros distribuam, remixem, adaptem ou criem obras derivadas, mesmo que para uso com fins comerciais, contanto que seja dado crédito pela criação original.