Seleção de atributos para apoio ao diagnóstico do câncer de mama usando imagens termográficas, algoritmos genéticos e otimização por enxame de partículas

Abstract

A incidência de câncer de mama aumenta a cada ano. A detecção precoce da doença é fundamental já que quanto mais cedo a doença é descoberta melhores são os tratamentos e as chances de cura. Atualmente, a mamografia é o padrão ouro para o diagnóstico do câncer de mama, porém este exame apresenta algumas limitações. A termografia infravermelha é uma técnica que vem sendo bastante estudada devido aos seus benefícios. Os sistemas de classificação de tumores são detalhados e complexos e de difícil utilização pelos patologistas. Portanto, a combinação de profissionais especializados e métodos de análise digital de imagens de termografias de mama pode contribuir para a melhoria do diagnóstico. A partir disso, áreas computacionais têm se dedicado à pesquisa e à proposta de métodos para tratar esses dados. A seleção de atributos desempenha uma tarefa fundamental nesse processo, pois representa um problema de fundamental importância em aprendizado de máquina. Uma das principais áreas da Inteligência Computacional é a Computação Evolucionária (CE), que se fundamenta em estratégias para resolução de problemas baseando-se em métodos evolutivos oriundos da Teoria da Evolução de Darwin, tais como os mecanismos de seleção natural, cruzamento e mutações, além do comportamento adaptativo. Neste trabalho foi proposta a seleção de atributos em imagens termográficas com lesões mamárias utilizando os Algoritmos Genéticos (AG) e a Otimização por Enxame de Partículas (PSO). O principal objetivo dessa pesquisa foi analisar principalmente as etapas de seleção de atributos e de classificação, as quais são essenciais para a obtenção de um sistema capaz de interpretar as informações de entrada e generalizar a tomada de decisão. Para avaliar o desempenho dos subconjuntos selecionados foram usados diversos classificadores, no qual o Máquina de Vetor de Suporte foi mais efetivo. Foi possível uma redução de 169 atributos com acurácia de 91,115% para 57 atributos com acurácia de 87,082% utilizando AG. Com o algoritmo PSO foi encontrado um subconjunto de 60 atributos e uma acurácia de 86,157%. Os resultados mostraram que a nossa abordagem foi positiva, sendo evidenciada por uma significativa redução na quantidade de atributos sem diminuição considerável na acurácia em relação a classificação com todos os atributos.