Breast tumor classification in ultrasound images using deep convolutional neural network

• Ano de defesa: 2019
• Autor(a) principal: Zeimarani, Bashir
• Outros Autores: http://lattes.cnpq.br/5401871256861703
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Federal do Amazonas; Faculdade de Tecnologia; Brasil; UFAM; Programa de Pós-graduação em Engenharia Elétrica
• Palavras-chave em Português: Breast tumor; Ultrasound images; Computer-aided detection; Convolutional neural network; Nódulos de mama; Sistemas de detecção automática assistida por computador; Imagens de ultrasom; Redes neurais convolucionais; ENGENHARIAS: ENGENHARIA ELÉTRICA
• Link de acesso: https://tede.ufam.edu.br/handle/tede/7145

Recentemente, Deep Learning mostrou muito sucesso em varias aplicações de visão computacional. A capacidade de aprender automaticamente as características das imagens e usar estas características para localização, classificação e segmentação dos objetos abriu o caminho para novos estudos na área de imagens médicas, melhorando o desempenho de sistemas de detecção automática assistida por computador (CADE). Neste trabalho uma nova abordagem baseada em redes neurais convolucionais (CNN) é proposta para a classificação das imagens de nódulos de mama em ultrassom (US). O banco de dados é composto de 641 imagens, histopatologicamente classificadas em duas categorias (413 lesões benignas e 228 malignas). Para ter uma melhor estimativa do desempenho da classificação do modelo, os dados foram divididos em 5 pastas para executar a validação cruzada, que em cada pasta 80% dos dados foram usados para treinamento, e 20% para testes. Diferentes parâmetros de avaliação foram usados como medidas de desempenho. Com a arquitetura da rede proposta conseguiu-se uma precisão de 85,98% para a classificação dos nódulos e uma área sob a curva ROC (AUC) igual a 0,94. Após aplicação das técnicas de augmentação de imagens e regularização, a precisão e a AUC aumentaram para 92,05% e 0,97, respectivamente. Os resultados obtidos superaram outros métodos de aprendizagem de máquina baseado na seleção manual das características, o que demonstra a eficácia do método proposto para a classificação de nódulos em imagens de ultrassom.