Automatic Detection Metastasis in Breast Histopathological Images Based on Ensemble Learning and Color Adjustment

Luz, Daniel S.; Lima, Thiago; Silva, Romuere; Magalhães, Deborah; Araújo, Flávio H. D.

doi:10.2139/ssrn.3984248

Cited by 2 publications

(1 citation statement)

References 24 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…No entanto, como afirma [Ataky and Koerich 2022], a diferenciac ¸ão dos tipos de tumores malignos e benignos, em um conjunto de dados como o BreaKHis, necessita detectar aspectos de forma para diferenciar a papila de um agrupamento desordenado de células. Motivado por essa afirmac ¸ão, optamos por utilizar também as características extraídas a partir de redes neurais profundas (também conhecida como Deep Learning Features), semelhante ao trabalho de [Almaraz-Damian et al 2020, Luz et al 2022, Araujo et al 2018, fornecendo uma maior diversidade de características a nossa metodologia.…”

Section: Extrac ¸ãO De Característicasunclassified

Diagnóstico automático de lesões malignas de mama em imagens histopatológicas usando mensuração mútua de características de textura bioinspiradas e Deep Learning

Bisneto¹,

Araújo²

2022

Anais Do XXII Simpósio Brasileiro De Computação Aplicada À Saúde (SBCAS 2022)

View full text Add to dashboard Cite

O câncer de mama é uma doença resultante da multiplicação anormal de células da mama, que formam massas. O diagnóstico precoce da malignidade do câncer de mama é fundamental para a sobrevivência do paciente. O Processamento Digital de Imagens em conjunto com técnicas computacionais de aprendizado de máquina possibilitam a criação de métodos para detecção da malignidade de tumores em imagens de exames histopatológicos. Assim, este artigo apresenta uma metodologia para o diagnóstico automático de lesões malignas de mama em imagens histopatológicas baseada na mensuração mútua de características de textura bioinspiradas e Deep Learning Features. Os resultados obtidos indicam que o método é promissor, alcançando acurácia de 92,9% com o classificador Random Forest.

show abstract