Integração de ferramentas de simulação computacional e de classificação para análise de patologias mamárias em imagens termográficas

Abstract

A inspeção termográfica é considerada um método potencial para melhorar a eficiência da detecção precoce de doenças mamárias. Nesse contexto, o objetivo deste estudo foi o desenvolvimento da ferramenta AGATA (versões Triagem e Multiclassificação) destinada a detectar automaticamente alterações termográficas que indicam risco de malignidade mamária. Para isso, inicialmente, foi validado o método de segmentação automática comparando com cada imagem de referência correspondente, obtida por segmentação manual. Nesta etapa, foram utilizados 90 termogramas (180 segmentações) e a técnica foi avaliada por medidas de sobreposição (Índice de Dados, Índice de Jaccard, Taxa de Falso Positivo e Taxa de Falso Negativo) e por análise estatística para determinar concordância e correlação (gráfico Bland-Altman e correlação de Pearson). Em seguida, o método de segmentação automática foi aplicado a um banco de dados com 233 termogramas mamários. Cinco classificadores (k-Vizinhos mais próximos, Máquinas de Vetores Suporte - SVM, Árvore de Decisão, Análise Discriminante e Naive Ba- yes) foram avaliados em combinação com as técnicas de sobreamostragem mais comuns na literatura. No problema multiclasse, os elementos da base de dados foram categorizados (safe, borderline, rare e outlier) e foram aplicadas estratégias distintas de sobreamostragem, além das tradicionais. Abordagens de seleção de atributos foram consideradas usando métodos evolucionários (Algoritmo Genético e Evolução Diferencial), mRMR (Redundância mínima e Relevância Máxima) e ganho de informação (WEKA – Waikato Environment for Knowledge Analysis). Acurácia, sensibilidade, especificidade, área sob a curva ROC (Receiver Operating Characteristic) (AUC) e estatística Kappa foram usados para avaliar o desempenho dos classificadores. De modo complementar aos casos de lesão maligna, foi desenvolvida uma estratégia para estimar a profundidade e o tamanho do tumor através do perfil de distribuição de temperatura das superfícies de modelos simulados e através do uso do SVM para problemas de regressão. Como resultado da validação da segmentação automática, o gráfico de Bland-Altman apresentou um viés médio de 2458,46±2641,89 pixels entre as áreas obtidas pela segmentação automática e o ground-truth, com coeficiente de correlação de Pearson de 0,68. O índice de similaridade Dice mostrou concordância substancial de aproximadamente 69%. A metodologia adotada para validação sugere que as técnicas analisadas de segmentação das regiões mamárias foram adequadas e consistentes e podem ser utilizadas no processo CAD (Computer-Aided Diagnosis). No sistema AGATA Triagem foi implementada o classificador SVM combinado com a seleção de atributos por algoritmo genético e a técnica de sobreamostragem ASUWO (Adaptive Semi-Unsupervised Weighted Oversampling), atingindo 95,23% de acurácia, 93,65% desensibilidade e 96,81% de especificidade. Para o AGATA Multiclasses foi implementado o classificador SVM e a técnica de balanceamento por sobreamostragem de elementos safes, atingindo 92,20% de acurácia, 92,32% de sensibilidade e 97,40% de especificidade. Quanto a profundidade e o tamanho das lesões malignas, foram obtidos, respectivamente, sistemas com R2 (Coeficiente de Determinação) médio de 0,53 e REQM de 2,95 e R2 médio de 1,16 e REQM (Raiz do Erro Quadrático Médio) de 2,26. O desenvolvimento de sistemas de alto desempenho utilizando uma nova modalidade de imagem mamária pode auxiliar positivamente no rastreamento do câncer de mama.