CLASSIFICAÇÃO DE NÓDULOS MAMOGRÁFICOS, SEGUNDO A FORMA, UTILIZANDO REDES NEURAIS ARTIFICIAIS

Abstract

O número de ocorrências do câncer de mama vem aumentando anualmente. Este trabalho propõe uma metodologia para classificação de nódulos mamográficos pela forma que assumem, establecidas pelo BI-RADS. Inicialmente, criou-se um total de 250 imagens simuladoras de nódulos mamográficos a fim de definir e analisar critérios para classificação. Em seguida, baseando-se na análise, foram selecionadas 110 imagens do banco de imagens mamográficas do LAPIMO contendo laudos baseados nas formas dos nódulos encontrados em cada imagem. De todas as imagens (reais e simuladas) foram extraídos valores de descritores geométricos (atributos de formas) objetivando a caracterização de padrões. Para escolha dos melhores atributos extraídos utilizou-se a distribuição gaussiana confrontada com a técnica ANOVA (Analysis of variance). Os atributos selecionados serviram como entrada da rede neural MLP para classificação. Para os simuladores e imagens reais, foram realizados vários treinamentos com diferentes configurações topológicas para a classificação em variadas classes. Para os simuladores, foram obtidos bons percentuais de generalização. Para classificar 5 classes dos simuladores, alcançou-se um percentual de validação de aproximadamente 72% com 4 neurônios de entrada, 5 neurônios na única camada intermediária, 5 neurônios na camada de saída, taxa de aprendizagem igual a 0,1 e EQM mínimo de 0,0000001. Para as imagens reais, a rede neural MLP foi capaz de classificar apenas 2 classes (benigna e maligna) com 1 atributo de entrada (perímetro), 3 neurônios na única camada intermediária, 2 neurônios na camada de saída, taxa de aprendizagem de 0,3 e EQM mínimo de 0,000000001, atingindo 82% de generalização.