Abstract:
RESUMO: O câncer de mama é apontado como a principal causa de morte entre as mulheres. Sua ocorrência aumenta consideravelmente todos os anos. As chances de cura dessa doença está diretamente relacionada ao diagnóstico de forma precoce. Uma das formas de auxílio ao profissional de saúde na identificação e diagnóstico é o uso de Sistemas de Detecção e Diagnósticos Auxiliados por Computador. Este trabalho propõe uma metodologia para discriminação de padrões de malignidade e benignidade em imagens mamográficas, através das características extraídas pelos Índices de Diversidade Filogenéticos. A região de interesse foi extraída através de uma Rede Neural Convolucional, com base na arquitetura da rede U-Net. Após a segmentação da região de interesse uma técnica de sobreposição de imagens foi desenvolvida para validação desta, obtendo uma acurácia de 87,26%. Para a classificação, visando diferenciar as imagens malignas e benignas, utilizou-se os classificadores Random Forest, J48, LMT e a Máquina de Vetor de Suporte. A metodologia apresentou bons resultados na classificação tendo o classificador Random Forest o melhor desempenho entre todos com acurácia de 97,00%. Os resultados foram comparados com os nódulos marcados pelos especialistas onde apresentou resultados semelhantes. Os resultados também foram comparados com os trabalhos relacionados e tiveram melhor desempenho sobre todos. ABSTRACT: Breast cancer is highlighted as the leading cause of death among women, and its occurrence
increases each year. The chance of cure for this disease is directly related to the early
diagnosis. One of the main forms to support the health professional in the identification and diagnosis is the use of computer-aided detection and diagnosis systems. This work proposes a methodology for discrimination of malignancy and benignity patterns in mammographic images, through the characteristics extracted by the phylogenetic diversity indices. The region of interest was extracted through a convolutional neural network, based on the U-Net network architecture. After the segmentation of the region of interest, an image superposition technique was developed for the validation, obtaining an accuracy of 87,26%. For the classification, to differentiate the malign and benign images the Random Forest, J48, LMT and Support Vector Machine classifiers were used. The methodology presented good results in the classification, and the Random Forest classifier had the best performance among all with an accuracy of 97,00%. The results were compared with the nodules marked by the specialists, presenting similar results. The results were also compared to the related works, overcoming all their performances.
