OTIMIZAÇÃO DE IMAGENS MAMOGRÁFICAS PARA AUXILIO AO DIAGNÓSTICO MÉDICO

Abstract

RESUMO: O câncer de mama é a neoplasia maligna mais comum em mulheres de países ocidentais após o câncer de pele não melanoma. No mundo, há mais de 1,5 milhão de casos novos diagnosticados anualmente e mais de 500 mil mortes pela doença, sendo que no Brasil, em 2016, foram estimados 57.960 novos casos de câncer de mama e cerca de 14.206 mortes em mulheres pela doença. A mamografia é o exame diagnóstico padrão que permite a descoberta precoce que reduz a mortalidade em cerca de 30%. Todavia, os sistemas computacionais podem melhorar a acurácia da imagem mamográfica na detecção das neoplasias. O presente estudo teve por objetivo desenvolver um software para otimização de imagens mamográficas e auxilio ao diagnóstico médico. Esta tese foi estruturada em quatro capítulos. O capítulo I trata de uma prospecção sobre software para processamento de imagem, buscando indícios do estado atual da técnica via cenário de patentes depositadas relacionadas a softwares de diagnóstico e processamento de imagens mamográficas no Brasil e no mundo. Foram encontrados 107 registros de patentes, sendo 72 resultantes da busca relacionadas ao termo “Software diagnosis breast câncer“, 32 relacionadas ao termo” Software mammography” e 3 ao termo “Software processing images“, demonstrando a necessidade de desenvolvimento de softwares para processamento de imagens mamográficas. O capítulo II mostrou as técnicas de treinamento e aprendizado de máquina com uso de redes neurais artificiais, para detectar massas em imagens mamográficas, utilizando extração de características de texturas. Os resultados obtidos comprovaram que o algoritmo Random Forest obteve o melhor índice de acerto, no que diz respeito à sensibilidade, especificidade e acurácia, atingindo 92.10%, 93.50% e 92.90%, respectivamente. O capítulo III trata de um mapeamento sistemático sobre algoritmos utilizados nas etapas de processamento de imagens mamomográficas. As buscas foram realizadas nas bases de dados Web of Science, Engineering Village e Scopus. Os resultados obtidos foram 199 artigos dos quais, após uma seleção rigorosa realizada por três especialistas em processamento de imagens, apenas 14 artigos foram indicados como estudos relevantes para o mapeamento. Os algoritmos Otsu e o PSO destacaram-se na etapa de segmentação, os quais foram utilizados em 9 dos 14 artigos aceitos, já na etapa de extração das características obteve destaque o algoritmo de Haralick, utilizado em 7 das 14 publicações e por fim na etapa de classificação por aprendizagem supervisionada, destacou-se como melhor classificador o algoritmo de Support Vector Machines, utilizado em 5 dos 14 artigos aceitos. O capítulo IV trata do Certificado de Registro de Programa de Computador.--------------------ABSTRACT: Breast cancer is the most common malignancy among women in Western countries, following non-melanoma skin cancer. There are currently more than 1.5 million new cases diagnosed worldwide and more than 500 thousand deaths are due to the disease. In Brazil, in 2016, it was estimated that 57 960 new cases of breast cancer occurred in women and about 14 206 deaths were due to disease. Mammography is the standard diagnostic exam which permits early tumor detection and reduces mortality in about 30% of cases. Nevertheless, computer systems may improve the degree of accuracy of mammographic images in tumor detection. The aim of the current study was to develop software to optimize mammographic images and assist in medical diagnosis. This thesis was structured into four chapters. Chapter I was dedicated to the search for software used in image processing, seeking indications of the current status of technique through patent deposits which were related to software used in diagnosis and mammographic image processing in Brazil and worldwide. Onehundred and seven patent registrations were found, 72 of which resulted from the search related to the term “Software diagnosis breast cancer“, 32 were related to the term” Software mammography” and 3 were related to the term “Software processing images“, demonstrating the need to develop software for image processing in mammography. Chapter II covered training and machine learning techniques with the use of artificial neural networks, for mass detection in mammographic images, using texture feature extraction. The results obtained confirmed that Random Forest algorithm obtained the best index of success, regarding sensitivity, specificity and accuracy, achieving 92.10%, 93.50% and 92.90%, respectively. Chapter III was dedicated to systematic mapping of algorithms used in stages of mammographic image processing. The search was performed in the Web of Science, Engineering Village and Scopus databases, resulting in 199 articles. After a rigorous selection performed by three specialists in image processing, only 14 articles were indicated and regarded as studies relevant to mapping. Otsu and PSO algorithms were highlighted in the segmentation stage, used in 9 of the 14 articles accepted. In contrast, in the feature extraction stage, Haralick algorithm was highlighted and used in 7 of the 14 publications. Finally, in the classification phase of supervised learning, the best classifier was the Support Vector Machines algorithm, used in 5 out of the 14 articles accepted. Chapter IV focused on the Certificate of Registration of Computer Programs.