Classificação De Imagens De Ultra-Som De Tumor De Mama Através De Técnicas De Inteligência Computacional

Abstract

Mammography is the most important screening exam for early diagnosis of breast cancer. However, it still presents a lack of specificity, since a considerable number of suspicious lesions have to undergo surgical biopsy. Therefore, ultrasound (US) breast images have been used to improve diagnostics and decrease the number of unneeded biopsies for patients with palpable mass and inconclusive mammograms. Malignant breast tumors tend to present irregular and blurred contours while benign ones are usually round, smooth and well-defined. Accordingly, investigating the tumor contour may decisively help in establishing the diagnosis. On this basis, a non-linear method, Mutual Information (MI), and a linear one (Linear Discriminant Analysis -LDA) were implemented to rank morphological features in discriminating breast tumors in US images. Compared to LDA, the MI was able to identify the diagnostic contribution of Mshape feature. A feedforward neural network was implemented using as input seven morphological parameters to classify the breast US images. The best performance (88 %) was obtained with the five first parameters selected by MI.Keywords Mutual Information, parameters selection, ultrasound images, breast cancer, neural networks.Resumo -A mamografia tem sido apontada como a única técnica diagnóstica que comprovadamente contribui, através de um programa de acompanhamento periódico, para a detecção precoce e redução da mortalidade por câncer de mama. Porém, uma quantidade considerável de lesões suspeitas ainda tem sido encaminhadas para biópsia. Imagens de ultrasom (US) têm sido usadas para melhorar o diagnóstico e diminuir o número de biópsias desnecessárias em pacientes com massas palpáveis e mamografias inconclusivas. Tumores malignos de mama tendem a apresentar contornos irregulares e borrados, enquanto tumores benignos são normalmente redondos, lisos e bem-definidos. A investigação do contorno do tumor pode ajudar no diagnóstico. Neste artigo, um método linear e um não-linear foram utilizados para ordenar parâmetros morfométricos usados para quantificar o contorno e a forma de tumores de mama em imagens por US. Comparado com o método linear, o método não-linear pôde identificar a contribuição não-linear do parâmetro morfométrico Mshape em relação ao diagnóstico. Uma rede neural feedforward foi implementada, tendo como entrada sete parâmetros morfométricos para classificar as imagens. O melhor desempenho (88%) foi obtido com os primeiros cinco parâmetros selecionados pelo método não-linear.Palavras-chave -Informação Mútua, seleção de parâmetros, imagens de ultra-som, câncer de mama, redes neurais.