Máquinas morfológicas de aprendizado extremo aplicadas à detecção e classificação de lesões em mamografias

Abstract

De acordo com a Organização Mundial de Saúde, o câncer de mama é a forma mais comum de câncer entre as mulheres adultas em todo o mundo, sendo um dos tipos de câncer mais fatal. Estudos mostram que a disponibilização de diagnóstico precoce pode contribuir para a redução das taxas de mortalidade e aumentar as opções de tratamento. Diagnósticos assistidos por computador (Computer Aided Detection/Diagnosis) estão sendo propostos e usados visando auxiliar os profissionais da área de saúde. Morfologia Matemática é uma teoria de processamento não linear amplamente utilizada no processamento de imagens digitais. É baseada na teoria matemática da intersecção e união de conjuntos. Máquinas de Aprendizado Extremo (Extreme Learning Machines, ELMs) são máquinas de aprendizado compostas por pelo menos uma camada escondida, com nodos com kernels configuráveis e pesos aleatórios, e uma camada de saída, composta por nodos com kernels lineares cujos pesos são ajustados de forma não iterativa, por meio da pseudoinversa de Moore-Penrose. Neste trabalho são propostas as Máquinas Morfológicas de Aprendizado Extremo (Morphological Extreme Learning Machines, mELMs), ou seja, ELMs com neurônios na camada escondida baseados nos operadores morfológicos não lineares básicos de erosão e dilatação. O método proposto foi avaliado uilizando 2.796 imagens de mamografias da base de dados IRMA (Image Retrieval in Medical Applications). Através dos experimentos realizados foi verificado que as mELMs de erosão e dilatação, no que concerne à acurácia e ao índice kappa, apresentaram desempenho de classificação equivalente ou superior, quando comparados com os resultados obtidos pelos classificadores clássicos do estado da arte. A base de dados IRMA é dividida em quatro tipos de tecidos (adiposo, fibroso, heterogeneamente denso e extremamente denso). Foram realizados experimentos com cada tipo de tecido e com toda a base de dados. Os atributos foram extraídos usando momentos de Haralick e Wavelets.