Diagnóstico computadorizado de câncer de mama através de redes neurais

• Ano de defesa: 2003
• Autor(a) principal: André, Túlio César Soares dos Santos
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Não informado.
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/59/59135/tde-10022026-101309/

Foi construído um sistema baseado em dois tipos de redes neurais artificiais para ser usado como uma ferramenta de apoio na análise de mamogramas para o diagnóstico de câncer de mama. O sistema recebe como entrada a imagem mamográfica e fornece na saída duas respostas possíveis, suspeito de câncer de mama e não suspeito de câncer de mama. O esquema proposto foi testado em 198 mamogramas médio lateral oblíquos da base de dados Mini MIAS (Mammographic Image Analyses Society, London, U.K.). O sistema utiliza dois tipos de redes neurais artificiais, um mapa auto organizável de Kohonen e um Perceptron multi camadas treinado pelo algoritmo de retro propagação de erro. A rede de Kohonen é treinada com pequenos quadros retirados aleatoriamente do mamograma e os classifica em nove categorias diferentes. O segundo estágio é formado por um perceptron com três camadas tendo como camada de entrada as saídas do estágio anterior. O Perceptron tem 2223 unidades na primeira camada, 100 na primeira camada escondida, 50 na segunda camada escondida e uma unidade de saída treinada pela versão batch do algoritmo de retro propagação de erro para fornecer saída zero nos casos normais e saída um nos casos suspeitos (malignos e benignos). A função de transferência das duas camadas escondidas é a tangente sigmóide e a função de transferência da camada de saída é linear. O perceptron usa o método de aprendizado adaptativo de Silva e Almeida para aumentar a taxa de aprendizado sem aumentar o erro. Ele é treinado para fornecer um diagnóstico final em função das informações do mamograma fornecidas pelo mapa de Kohonen. O sistema é avaliado em função da sua capacidade de generalizar após o treinamento. A fração verdadeiro positiva ou sensibilidade ficou em 0,90 e a fração verdadeiro negativa ou especificidade ficou em 0,96. A novidade deste trabalho é o uso de redes neurais artificiais tanto no processo de segmentação da imagem quanto na geração do diagnóstico final. Outro aspecto importante a ser observado é o fato dele ter sido implementado em uma simples plataforma Pentium, facilmente accessível nos dias de hoje, permitindo que ele seja utilizado na quase totalidade de centros de saúde, principalmente em países pouco desenvolvidos carentes de recursos e que tenham um sistema de saúde deficiente. A unidade de classificação foi usada com sucesso nos atributos de forma e de textura de nódulos malignos e benignos de mamogramas da base de dados do Foothills Hospital, Calgary, AB, Canadá, em um estágio realizado na Universidade de Calgary como parte do trabalho de doutorado.